从0到1建立一张评分卡之变量分箱

 　变量分箱是评分卡建模流程中的关键环节，可以说是评分卡的核心环节。合理的分箱可以消除变量的量纲影响，而且能减少异常值等噪声数据的影响，有效避免模型过拟合。此外，分箱可以给模型实现业务上的可解释性，可以说是评分卡的核心了。

 　下面开始实现评分卡建立中的分箱操作。

 　首先，变量需要分为数值型变量和类别型变量。对于这两种类型的变量分箱过程中需要注意的点如下：

1. 类别型变量

• 如果不超过5个，无需进行分箱；
• 超过5个，有两种方法。一，如果类别很多，可以对其进行bad_rate编码之后划入数值型变量；二，类别不是很多，对其进行降基处理，缩小至5个以内。

2. 数值型变量
    　有无监督和有监督分箱两种方法。无监督分箱有等比分箱、等宽分箱、聚类分箱等。有监督分箱有卡方分箱、最优分箱等等。

num_features = ['int_rate_clean', 'emp_length_clean', 'annual_inc', 'dti', 'delinq_2yrs', 'earliest_cr_to_app',
                'inq_last_6mths', \
                'mths_since_last_record_clean', 'mths_since_last_delinq_clean', 'open_acc', 'pub_rec', 'total_acc',
                'limit_income', 'earliest_cr_to_app']

cat_features = ['home_ownership', 'verification_status', 'desc_clean', 'purpose', 'zip_code', 'addr_state']

 　一共有14个数值型变量和6个类别型变量。‘zip_code’、'addr_state’两个变量的类别很多，进行bad_rate编码后划入数值型变量。另外4个变量单独进行分箱。

def binning_cate(df,col_list,target):
    """
    df:数据集
    col_list:变量list集合
    target:目标变量的字段名
    
    return: 
    bin_df :list形式，里面存储每个变量的分箱结果
    iv_value:list形式，里面存储每个变量的IV值
    """
    total = df[target].count()
    bad = df[target].sum()
    good = total-bad
    all_odds = good*1.0/bad
    bin_df =[]
    iv_value=[]
    for col in col_list:
        d1 = df.groupby([col],as_index=True)
        d2 = pd.DataFrame()
        d2['min_bin'] = d1[col].min()
        d2['max_bin'] = d1[col].max()
        d2['total'] = d1[target].count()
        d2['totalrate'] = d2['total']/total
        d2['bad'] = d1[target].sum()
        d2['badrate'] = d2['bad']/d2['total']
        d2['good'] = d2['total'] - d2['bad']
        d2['goodrate'] = d2['good']/d2['total']
        d2['badattr'] = d2['bad']/bad
        d2['goodattr'] = (d2['total']-d2['bad'])/good
        d2['odds'] = d2['good']/d2['bad']
        GB_list=[]
        for i in d2.odds:
            if i>=all_odds:
                GB_index = str(round((i/all_odds)*100,0))+str('G')
            else:
                GB_index = str(round((all_odds/i)*100,0))+str('B')
            GB_list.append(GB_index)
        d2['GB_index'] = GB_list
        d2['woe'] = np.log(d2['badattr']/d2['goodattr'])
        d2['bin_iv'] = (d2['badattr']-d2['goodattr'])*d2['woe']
        d2['IV'] = d2['bin_iv'].sum()
        iv = d2['bin_iv'].sum().round(3)
        print('变量名:{}'.format(col))
        print('IV:{}'.format(iv))
        print('\t')
        bin_df.append(d2)
        iv_value.append(iv)
    return bin_df,iv_value

 　注意，如果类别型变量的某一箱只有好样本/坏样本，将造成变量的IV值为inf/-inf，此时就需要对变量进行降基处理或者重新分箱。
接着看一下每一箱的明细情况。

 　IV值一般大于0.01，就可以入模使用。IV值不宜过高，如果过高说明变量的预测能力过强，其实可以单独拿出来作为一条策略。评分卡的变量最好还是弱变量。此外，每一箱的WOE值也不宜大于1，因为大于1说明这一箱至少有65%以上的好坏样本，其实可以单独作为一条规则了。
 　下面利用条形图将分箱结果可视化展示。

# woe的可视化
def plot_woe(bin_df,hspace=0.4,wspace=0.4,plt_size=None,plt_num=None,x=None,y=None):
    """
    bin_df:list形式，里面存储每个变量的分箱结果
    hspace :子图之间的间隔(y轴方向)
    wspace :子图之间的间隔(x轴方向)
    plt_size :图纸的尺寸
    plt_num :子图的数量
    x :子图矩阵中一行子图的数量
    y :子图矩阵中一列子图的数量
    
    return :每个变量的woe变化趋势图
    """
    plt.figure(figsize=plt_size)
    plt.subplots_adjust(hspace=hspace,wspace=wspace)
    for i,df in zip(range(1,plt_num+1,1),bin_df):
        col_name = df.index.name
        df = df.reset_index()
        plt.subplot(x,y,i)
        plt.title(col_name)
        sns.barplot(data=df,x=col_name,y=