风控 code 解读 —— 德国信贷风控

code 主要来源于 德国信贷风控数据建模（步骤3：特征工程之变量分箱）； p6_风控

p3 分箱

对离散变量和连续变量的操作是不一样的，
首先我们来说连续变量的分箱，连续变量分箱是的input是一个 pd.series，

• 判断是否有缺失值，如果有缺失值，抛弃缺失值。

• 初始化等距分组： init_equal_bin ==> bin_init, 包含两列 【bin_up，bin_low】

• 对初始化的分箱进行映射，cont_var_bin_map， 最终获取的是一个包含 x, y, bin_map 的一个 DataFrame

• 计算每个分箱下 好坏样本的个数，结果存为 temp_1，包含 【good，bad】
  计算每个分箱下 样本的总数，结果存为 temp_2, 合并 temp_1，temp_2； 并和初始化分箱（bin_init）进行merge ==> temp_all

• 做分箱上下限的处理; temp_all 中的【bad rate】赋值为 temp_all.index ;

• 最小样本数限制，进行分箱合并, limit_min_sample, 输入是 df_temp_all 与 最小样本数

• 合并后的最大箱数与 设定进行比较，分别比较 最大箱数与最小箱数；
  如果不满足，进行重新的赋值；如果满足，设置早停条件，将早停条件封装成函数。

  • 如果满足，分箱约束：最大分箱数限制， 在 nmax 的 for loop下， select_split_point，这里使用了method，意味着那种方式做分组。Remark： select_split_point中使用啦好几个函数，包括 best_split， cal_advantage ，这两个都需要用到method

  • get new lower, upper, bin, total for sub，然后合并相同的bins，merge_bin

  • 存储结果，保存在 data中

• 如果存在缺失填补缺失。

对于离散变量，应该如何进行分箱：

• 分离缺失值、非缺失值， 转化数据类型

• 去掉缺失值后，离散变量的类型个数小于5， 不进行分箱；如果满足进行分箱，其中的早停条件设置与连续变量相同。

• 将缺失值的分箱加入上上述结果中。

离散分箱与连续变量分箱有什么不同：最终生成结果的列是不同的，初始化是不同的吗？最终分箱映射的函数是不同的，连续性变量是在某个区间内，离散变量是非缺失值映射到两个

---

p6_风控

• 首先对离散变量和连续变量进行分类，一种是变量类型，再根据具体的个数进行分类；得到两个集合分别储存离散变量与连续型变量，为什么这么做，因为对他们的分箱处理方法是不一样的。

• 对数据进行分箱处理，分箱所获得的结果是什么样子的？对于每行数据，每个变量属于什么分箱类型，这个可以通过字典映射编码计算对应的打分。

• 在进行WOE编码处理，所得到的结果是什么样子的？对于每行数据，每个变量都要进行WOE编码，可理解为将数据映射到另一个空间中，所得到的 df_train_woe 包含很多列，有些列并不是我们想要的，我们可以用 df_train_woe[var_woe_name] 获取 woe编码。
  最后，我们得到的训练集和测试集都是通过WOE编码得到的，其中生成结果中有 dict_woe_map(每个分箱结果对应的WOE打分),可以用来计算评分卡。

• 进行LR计算，计算评分卡，这是我们需要每行每个变量的评分，如何进行计算？我们需要获得每个变量对应的分组，每组对应的评分，然后对这个结果进行一个map， 这时需要用到LR模型所求的参数，如何分析模型表现的好坏，通过混淆矩阵，计算TPR（召回率），FPR，AUC（通过ROC进行计算），K-S指标（TPR-FPR）。

  • 首先通过网格法进行调参，通过LR模型我们可以得到各个变量对应的参数，包括常数项。

  • 通过上述参数，我们计算参数A、参数B，这样我们可以用来计算基准分（base point）

\[Base \ \ point = para A - paraB * Intercept \]

这里的左式是什么意思？详细推文可以参考【从logit变换到logistic模型】; 【下面公式来源：风控模型—WOE与IV指标的深入理解应用（知乎）】

• 通过 create_sore 可以得到 df_score, dict_bin_score, 具体计算如下：

  • 对于第k个变量（除常数项外），得到变量分箱每种类型对应的分数。其中，df_temp.woe_val 为WOE 编码得到的 dict_woe_map.woe_val。 具体计算就是设置一个容器，储存 bins, woe_val ，计算每个变量分箱对应的打分，最后按列进行concat
    \[params\_B \ \ * \ \ df\_temp.woe\_val \ \ * \ \ dict\_params[k] \]

  • 我们可以得到一个字典dict_bin_score，对于每个变量，我们可以得到分箱结果对应的分数，这个字典的keys 是每个变量， values 是一个set，储存这个变量对应的分箱，以及这个分箱对应的评分值。 下面是 DataFrame 格式。
  

  df_score， shape 为 (70,8), 70为18个变量的分箱数总和。

  

• 怎么应用dict_bin_score, cal_score函数对于每个变量，需要对离散变量和连续变量分别进行处理，计算变量每列元素对应的分组，通过 pd.map(dict_bin_score[i]) 函数 对分组与得分进行映射，按列（axis=1）进行拼接。最终得到 df_all_score

  

  i = age 时的中间结果：首先得到分箱结果，然后在将分箱结果映射到得分，最后进行concat（axis=1）

  

• Remark：计算评分，如何计算训练集、测试集，以及总体的，在输入上做文章。