python评分卡之woe/iv

pinf = float('inf') #正无穷大

ninf = float('-inf') #负无穷大

def mono_bin(Y, X, n = 20):

    r = 0

    bad=Y.sum()  # 1表示坏客户

    good=Y.count()-bad

    while np.abs(r) < 1:

        d1 = pd.DataFrame({"X": X, "Y": Y, "Bucket": pd.qcut(X, n)})

        d2 = d1.groupby('Bucket', as_index = True)

        r, p = stats.spearmanr(d2.mean().X, d2.mean().Y)

        n = n - 1

    d3 = pd.DataFrame(d2.X.min(), columns = ['min'])

    d3['min'] = d2.min().X

    d3['max'] = d2.max().X

    d3['sum'] = d2.sum().Y

    d3['total'] = d2.count().Y

    d3['bad_rate'] = d2.mean().Y

    d3['group_rate'] = d3['total'] / (bad + good)

   # d3['badattribute']=d3['sum']/bad

    #d3['goodattribute']=(d3['total']-d3['sum'])/good

    d3['woe'] = np.log((1-d3['bad_rate'])/ d3['bad_rate'] / (good / bad))  #好客户/坏客户

    d3['iv'] = (((d3['total'] - d3['sum']) / good) - d3['sum']/bad) * d3['woe']

    #d3['woe']=np.log((d3['bad_rate']/(1-d3['bad_rate']))/(bad/good))  #坏客户/好客户

    #d3['iv']=(d3['sum']/bad-((d3['total']-d3['sum'])/good))*d3['woe']

    iv = d3['iv'].sum()

    d3['iv_sum'] = iv

    d4 = (d3.sort_index(by='min'))

    print("=" * 90)

    print(d4)

    cut=[]

    cut.append(float('-inf'))

    for i in range(1,n+1):

        qua=X.quantile(i/(n+1))

        cut.append(round(qua,4))

    cut.append(float('inf'))

    woe=list(d4['woe'].round(3))

    return d4,iv,cut,woe

#自定义分箱函数

def self_bin(Y,X,cat):

    bad=Y.sum() 

    good=Y.count()-bad

    d1=pd.DataFrame({'X':X,'Y':Y,'Bucket':pd.cut(X,cat)})

    d2=d1.groupby('Bucket', as_index = True)

    d3 = pd.DataFrame(d2.X.min(), columns=['min'])

    d3['min'] = d2.min().X

    d3['max'] = d2.max().X

    d3['sum'] = d2.sum().Y

    d3['total'] = d2.count().Y

    d3['bad_rate'] = d2.mean().Y

    d3['group_rate'] = d3['total'] / (bad + good)

    #d3['badattribute']=d3['sum']/bad

    #d3['goodattribute']=(d3['total']-d3['sum'])/good

    d3['woe'] =np.log((1 - d3['bad_rate']) / d3['bad_rate'] / (good / bad)) 

    d3['iv'] = (((d3['total'] - d3['sum']) / good) - d3['sum'] / bad) * d3['woe']

    #d3['woe']=np.log((d3['bad_rate']/(1-d3['bad_rate']))/(bad/good)) 

    #d3['iv']=(d3['sum']/bad-((d3['total']-d3['sum'])/good))*d3['woe']

    iv = d3['iv'].sum()

    d3['iv_sum'] = iv

    d4 = (d3.sort_index(by='min'))

    print("=" * 90)

    print(d4)

    woe = list(d4['woe'].round(3))

    return d4,iv,woe

def cate_woe(Y,X):

    bad=Y.sum()    

    good=Y.count()-bad  

    d1 = pd.DataFrame({"X": X, "Y": Y})

    d2 = d1.groupby('X', as_index =True)

    d3 = pd.DataFrame()

    d3['sum'] = d2.sum().Y

    d3['total'] = d2.count().Y

    for c in range(d3.shape[0])[::-1]:

        if ((d3.iloc[c,1]-d3.iloc[c,0])==0) or (d3.iloc[c,0]==0):

            d3.iloc[c-1,0]=d3.iloc[c-1,0]+d3.iloc[c,0]

            d3.iloc[c-1,1]=d3.iloc[c-1,1]+d3.iloc[c,1]

            d3.drop(d3.index[c],inplace=True)

        else:

            continue

    d3['bad_rate'] =d3['sum']/d3['total']

    d3['group_rate']=d3['total']/(bad+good)

    #d3['badattribute']=d3['sum']/bad

    #d3['goodattribute']=(d3['total']-d3['sum'])/good

    d3['woe']=np.log((1 - d3['bad_rate']) / d3['bad_rate'] / (good / bad))

    d3['iv']=(((d3['total'] - d3['sum']) / good) - d3['sum'] / bad) * d3['woe']

    #d3['woe']=np.log((d3['bad_rate']/(1-d3['bad_rate']))/(bad/good)) 

    #d3['iv']=(d3['sum']/bad-((d3['total']-d3['sum'])/good))*d3['woe']

    iv=d3['iv'].sum()

    d3['iv_sum']=iv

    d4 = (d3.sort_index(by='woe'))

    woe = list(d4['woe'].round(3))

    #woe = list(round(d4['woe'],2))

    print("=" * 90)

    print(d4)

  #d3=d3[['sum','total','bad_rate','group_rate','woe','iv','iv_sum']]

    return d4,iv,woe

dfx1, ivx1,cutx1,woex1=mono_bin(df['因变量'],df['变量'],n=10)  #最优分箱

cutx2 = [ninf,1,pinf]

dfx2, ivx2,woex2 = self_bin(df['因变量'], df['变量'],cutx2)  #手动分箱

woex2.plot.bar(color='b',alpha=0.3,rot=0) #查看单调性 

也可以参考这两篇文章：

基于Python的信用评分卡模型分析（一） - 简书

风控数据分析学习笔记（二）Python建立信用评分卡 - 简书