scorecardpy 介绍

前语：平时计算变量Iv值时也有调用过scorecardpy库，不过总体来说使用次数不多，对此功能也不是很熟悉，一般都是使用自己内部的库，但是涉及到去其他公司建模，或者是一个封闭的环境时，常常不能使用自己的东西，这就得使用toad或者scorecardpy，下面简单介绍一下，不过着重点还是一下三点：

（1）计算出了iv(输出是一个字典）转化成pd.df；iv参数的使用；

（2）转换评分卡 ，scorecardpy内置的模型时sklearn 的逻辑回归，如果使用其他的，比如statsmodels.api 的逻辑回归，又该如何应对；

（3）如果使用scorecardpy，整个建模流程是如何。

下面开始本次学习之旅，以及解决上面三个问题。

 

一、导入数据

使用的是scorecardpy内置的数据作为例子

import scorecardpy as sc

# 加载德国信用卡相关数据集
dat = sc.germancredit()
dat.info()

 

 

 

二、计算变量iv

看其他的介绍文档里面，这一步是变量刷选，但是我觉得首先要对变量的整体情况有一定了解，再去刷选变量，所以这一步先计算变量iv 

使用函数是sc.woebin()

sc.woebin??

def woebin(dt, y, x=None, 
           var_skip=None, breaks_list=None, special_values=None, 
           stop_limit=0.1, count_distr_limit=0.05, bin_num_limit=8, 
           # min_perc_fine_bin=0.02, min_perc_coarse_bin=0.05, max_num_bin=8, 
           positive="bad|1", no_cores=None, print_step=0, method="tree",
           ignore_const_cols=True, ignore_datetime_cols=True, 
           check_cate_num=True, replace_blank=True, 
           save_breaks_list=None, **kwargs):

woebin()可针对数值型和类别型变量生成最优分箱结果，方法可选择决策树分箱、卡方分箱或自定义分箱。其他各参数的含义如下：

• var_skip: 设置需要跳过分箱操作的变量；
• breaks_list: 切分点列表，默认为空。如果非空，则按设置的切分点进行分箱处理；
• special_values: 设置需要单独分箱的值，默认为空；
• count_distr_limit: 设置分箱占比的最小值，一般可接受范围为0.01-0.2，默认值为0.05；
• stop_limit: 当IV值的增长率小于所设置的stop_limit，或卡方值小于qchisq(1-stoplimit, 1)时，停止分箱。一般可接受范围为0-0.5，默认值为0.1；
• bin_num_limit: 该参数为整数，代表最大分箱数。
• positive: 指定样本中正样本对应的标签，默认为"bad|1"；
• no_cores: 设置用于并行计算的 CPU 数目；
• print_step: 该参数为非负数，默认值为1。若print_step>0，每次迭代会输出变量名。若iteration=0或no_cores>1，不会输出任何信息；
• method: 设置分箱方法，可设置"tree"（决策树）或"chimerge"（卡方），默认值为"tree";
• ignore_const_cols: 是否忽略常数列，默认值为True，即忽略常数列；
• ignore_datetime_cols: 是否忽略日期列，默认值为True，即忽略日期列；
• check_cate_num: 检查类别变量中枚举值数目是否大于50，默认值为True，即自动进行检查。若枚举值过多，会影响分箱过程的速度；
• replace_blank: 设置是否将空值填为None，默认为True。

一般设置这三个参数即可，其余的使用默认参数

#如果special_values=-1000，可以这样表示，就会将-1000作为单独的一箱
bins = sc.woebin(dat, y="creditability",count_distr_limit=0.05, bin_num_limit=5)

 

 

 我们需要将dict转为pd.df 

import pandas as pd
iv_data = pd.DataFrame()
for i in dat.columns[0:-1]:
    iv_data = iv_data.append(bins[i])

 

 

 这样就比较好看。且容易分析比较

当然你也可以使用画图的形式（但是图片占用内存过大，且当变量特别多时候，看起来也很困难，因此我一般不使用），就会输出每个变量的分箱图片。

sc.woebin_plot(bins)

 

调箱可以这样处理，breaks_list，参数是dict形式

breaks_adj = {
    'age.in.years': [26, 35, 40],
    'other.debtors.or.guarantors': ["none", "co-applicant%,%guarantor"]
}
bins_adj = sc.woebin(dat, y="creditability", breaks_list=breaks_adj)
bins_adj['age.in.years']

 

 

 

三、划分数据集

sc内置了一个划分数据集的函数，但其实是使用df.sample()函数，里面也2个参数，可以自己设置

train, test = sc.split_df(dat, 'creditability').values()

#def split_df(dt, y=None, ratio=0.7, seed=186)

 

四、刷选变量

先介绍sc里面的用法，var_filter根据IV 值小于0.02，或缺失率大于95%，或同值率（除空值外）大于95% 去剔除变量

def var_filter(dt, y, x=None, iv_limit=0.02, missing_limit=0.95,  
               identical_limit=0.95, var_rm=None, var_kp=None, 
               return_rm_reason=False, positive='bad|1')

其中各参数含义如下：

• varrm可设置强制保留的变量，默认为空；
• varkp可设置强制剔除的变量，默认为空；
• return_rm_reason可设置是否返回剔除原因，默认为不返回（False）；
• positive可设置坏样本对应的值，默认为“bad|1”。

dt_s = sc.var_filter(dat, y="creditability")

其实更建议手动挑选，因为做评分卡需要模型有可解释性，也就是要求模型入模变量符合业务解释，要求单调性等等，单纯的iv可能选择不了最符合的。

不过变量很多时，可以用来做初刷。

 

五、woe转换

 

标签：分箱,None,变量,介绍,iv,limit,sc,scorecardpy
来源： https://www.cnblogs.com/cgmcoding/p/16185168.html