python评分卡建模_（一）python-申请评分卡模型

简介

本文通过使用LendingClub的数据，采用卡方分箱(ChiMerge)、WOE编码、计算IV值、单变量和多变量(VIF)分析，然后使用逻辑回归模型进行训练，在变量筛选时也可尝试添加L1约束或通过随机森林筛选变量，最后进行模型评估。

关键词：卡方分箱，WOE，IV值，变量分析，逻辑回归

一、数据预处理

数据清洗：数据选择、格式转换、缺失值填补

由于贷款期限(term)有多个种类，申请评分卡模型评估的违约概率必须在统一的期限中，并且不宜太长，因此选择36months的数据作为本次建模数据，60%训练，40%测试。

folderOfData = os.path.join(os.getcwd(), 'data')

allData = pd.read_csv(os.path.join(folderOfData,'application.csv'),header = 0, encoding = 'latin1')

allData['term'] = allData['term'].apply(lambda x: int(x.replace(' months','')))

# 处理标签：Fully Paid是正常用户；Charged Off是违约用户

allData['y'] = allData['loan_status'].map(lambda x: int(x == 'Charged Off'))

allData1 = allData.loc[allData.term == 36]

trainData, testData = train_test_split(allData1,test_size=0.4)

进一步清洗：

将int_rate利息转换为小数形式

将emp_length处理为：10+为11，<1为0，空为-1

desc为有记录和无记录两种情况

日期处理

两个日期之间月数计算

# 将带％的百分比变为浮点数

trainData['int_rate_clean'] = trainData['int_rate'].map(lambda x: float(x.replace('%',''))/100)

# 将工作年限进行转化，否则影响排序

trainData['emp_length_clean'] = trainData['emp_length'].map(CareerYear)

# 将desc的缺失作为一种状态，非缺失作为另一种状态

trainData['desc_clean'] = trainData['desc'].map(DescExisting)

# 处理日期。earliest_cr_line的格式不统一，需要统一格式且转换成python的日期

trainData['app_date_clean'] = trainData['issue_d'].map(lambda x: ConvertDateStr(x))

trainData['earliest_cr_line_clean'] = trainData['earliest_cr_line'].map(lambda x: ConvertDateStr(x))

# 处理mths_since_last_delinq。注意原始值中有0，所以用－1代替缺失

trainData['mths_since_last_delinq_clean'] = trainData['mths_since_last_delinq'].map(lambda x:MakeupMissing(x))

trainData['mths_since_last_record_clean'] = trainData['mths_since_last_record'].map(lambda x:MakeupMissing(x))

trainData['pub_rec_bankruptcies_clean'] = trainData['pub_rec_bankruptcies'].map(lambda x:MakeupMissing(x))

二、变量衍生和挑选

衍生：

考虑申请额度与收入的占比

考虑earliest_cr_line到申请日期的跨度，计算月份数

# 考虑申请额度与收入的占比

trainData['limit_income'] = trainData.apply(lambda x: x.loan_amnt / x.annual_inc, axis = 1)

# 考虑earliest_cr_line到申请日期的跨度，计算月份数

trainData['earliest_cr_to_app'] = trainData.apply(lambda x: MonthGap(x.earliest_cr_line_clean,x.app_date_clean), axis = 1)

挑选：

我们初步挑选变量如下，分为两类：数值型(连续型)的和类别型的变量。

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','pub_rec_bankruptcies_clean']

三、卡方分箱法

采用卡方(ChiMerge)分箱，要求分箱完成之后：

不超过5箱(本模型默认不超过5箱)

坏样本率(Bad Rate)单调

每箱同时包含好坏样本

如有特殊值如-1单独成一箱，此箱不参与Bad Rate单调性检验

连续型的变量可以直接进行分箱，对于类别型的变量分为以下几种情况：

当类别型变量取值比较多时(本例中大于5)，先用bad rate 进行编码，然后放入连续型变量列表中，使用连续型变量分箱的方法进行分箱。

当取值较少时(本例中小于等于5)，分两种情况：

(1)如果每种类别同时包含好坏样本，则无需分箱；

(2)如果有类别只包含好坏样本的一种，则需要合并；

具体操作如下：

第一步，检查类别型变量中，哪些变量取值超过5。

more_value_features = []

less_value_features = []

# 第一步，检查类别型变量中，哪些变量取值超过5

for var in cat_features:

valueCounts = len(set(trainData[var]))

print valueCounts

if valueCounts > 5:

more_value_features.append(var) #取值超过5的变量，需要bad rate编码，再用卡方分箱法进行分箱

else:

less_value_features.append(var)

第二步，当取值<5时：如果每种类别同时包含好坏样本，无需分箱；如果有类别只包含好坏样本的一种，需要合并。

merge_bin_dict = {} #存放需要合并的变量，以及合并方法

var_bin_list = [] #由于某个取值没有好或者坏样本而需要合并的变量

for col in less_value_features:

binBadRate = BinBadRate(trainData, col, 'y')[0]

if min(binBadRate.values()) == 0 : #由于某个取值没有坏样本而进行合并

print '{} need to be combined due to 0 bad rate'.format(col)

combine_bin = MergeBad0(trainData, col, 'y')

merge_bin_dict[col] = combine_bin

newVar = col + '_Bin'

trainData[newVar] = trainData[col].map(combine_bin)

var_bin_list.append(newVar)

if max(binBadRate.values()) == 1: #由于某个取值没有好样本而进行合并

print '{} need to be combined due to 0 good rate'.format(col)

combine_bin = MergeBad0(trainData, col, 'y',direction = 'good')

merge_bin_dict[col] = combine_bin

newVar = col + '_Bin'

trainData[newVar] = trainData[col].map(combine_bin)

var_bin_list.append(newVar)

第三步，当取值>5时：用bad rate进行编码，放入连续型变量里。

br_encoding_dict = {} #记录按照bad rate进行编码的变量，及编码方式

for col in more_value_features:

br_encoding = BadRateEncoding(trainData, col, 'y')

trainData[col+'_br_encoding'] = br_encoding['encoding']

br_encoding_dict[col] = br_encoding['bad_rate']

num_features.append(col+'_br_encoding')

第四步，分箱，对连续型变量列表num_features进行卡方分箱。本文分箱后的最多的箱数为5箱。

continous_merged_dict = {}

for col in num_features:

max_interval = 5 # 分箱后的最多的箱数

print "{} is in processing".format(col)

if -1 not in set(trainData[col]): #－1会当成特殊值处理。如果没有－1，则所有取值都参与分箱

cutOff = ChiMerge(trainData, col, 'y', max_interval=max_interval,special_attribute=[],minBinPcnt=0)

trainData[col+'_Bin'] = trainData[col].map(lambda x: AssignBin(x, cutOff,special_attribute=[]))

monotone = BadRateMonotone(trainData, col+'_Bin', 'y') # 检验分箱后的单调性是否满足

while(not monotone):

# 检验分箱后的单调性是否满足。如果不满足，则缩减分箱的个数。

max_interval -= 1

cutOff = ChiMerge(trainData, col, 'y', max_interval=max_interval, special_attribute=[],

minBinPcnt=0)

trainData[col + '_Bin'] = trainData[col].map(lambda x: AssignBin(x, cutOff, special_attribute=[]))

if max_interval == 2:

# 当分箱数为2时，必然单调

break

monotone = BadRateMonotone(trainData, col + '_Bin', 'y')

newVar = col + '_Bin'

trainData[newVar] = trainData[col].map(lambda x: AssignBin(x, cutOff, special_attribute=[]))

var_bin_list.append(newVar)

else:

# 如果有－1，则除去－1后，其他取值参与分箱

cutOff = ChiMerge(trainData, col, 'y', max_interval=max_interval, special_attribute=[-1],

minBinPcnt=0)

trainData[col + '_Bin'] = trainData[col].map(lambda x: AssignBin(x, cutOff, special_attribute=[-1]))

monotone = BadRateMonotone(trainData, col + '_Bin', 'y',['Bin -1'])

while (not monotone):

max_interval -= 1

# 如果有－1，－1的bad rate不参与单调性检验

cutOff = ChiMerge(trainData, col, 'y', max_interval=max_interval, special_attribute=[-1],

minBinPcnt=0)

trainData[col + '_Bin'] = trainData[col].map(lambda x: AssignBin(x, cutOff, special_attribute=[-1]))

if max_interval == 3:

# 考虑特殊值，当分箱数为3-1=2时，必然单调

break

monotone = BadRateMonotone(trainData, col + '_Bin', 'y',['Bin -1'])

newVar = col + '_Bin'

trainData[newVar] = trainData[col].map(lambda x: AssignBin(x, cutOff, special_attribute=[-1]))

var_bin_list.append(newVar)

continous_merged_dict[col] = cutOff

四、WOE编码和IV值

经常上一步的分箱后，分箱后的变量有如下几种情况：

初始取值个数小于5，且不需要合并的类别型变量。

初始取值个数小于5，需要合并的类别型变量，并且合并后的新变量不再需要合并。

初始取值个数超过5，需要合并的类别型变量，并且合并后的新变量不再需要合并。

连续型变量进行卡方分箱。

如下取到每个变量分箱后的WOE和该变量的IV值：

WOE_dict = {}

IV_dict = {}

for var in all_var:

woe_iv = CalcWOE(trainData, var, 'y')

WOE_dict[var] = woe_iv['WOE']

IV_dict[var] = woe_iv['IV']

将变量IV值进行降序排列，得到结果如下：

IV_dict_sorted = sorted(IV_dict.items(), key=lambda x: x[1], reverse=True)

IV_values = [i[1] for i in IV_dict_sorted]

IV_name = [i[0] for i in IV_dict_sorted]

plt.title('feature IV')

plt.bar(range(len(IV_values)),IV_values)

得到的IV值如下图所示：

image.png

五、变量分析

单变量分析和多变量分析，均基于WOE编码后的值。

选择IV值大于等于0.01的变量

比较两两线性相关性。如果相关系数的绝对值高于阈值，剔除IV较低的一个。

#选取IV>=0.01的变量

high_IV = {k:v for k, v in IV_dict.items() if v >= 0.01}

high_IV_sorted = sorted(high_IV.items(),key=lambda x:x[1],reverse=True)

short_list = high_IV.keys()

short_list_2 = []

for var in short_list:

newVar = var + '_WOE'

trainData[newVar] = trainData[var].map(WOE_dict[var])

short_list_2.append(newVar)

#对于上一步的结果，计算相关系数矩阵，并画出热力图进行数据可视化

trainDataWOE = trainData[short_list_2]

f, ax = plt.subplots(figsize=(10, 8))

corr = trainDataWOE.corr()

sns.heatmap(corr, mask=np.zeros_like(corr, dtype=np.bool), cmap=sns.diverging_palette(220, 10, as_cmap=True),square=True, ax=ax)

f.savefig('sns_heatmap_high_IV.png')

根据IV值挑选的变量的相关系数矩阵热力图：

image.png

单变量两两间的线性相关性检验：

(1)将候选变量按照IV进行降序排列

(2)计算第i和第i+1的变量的线性相关系数

(3)对于系数超过阈值的两个变量，剔除IV较低的一个

此处阈值为0.7，大于0.7则表示有相关性。见如下代码：

deleted_index = []

cnt_vars = len(high_IV_sorted)

for i in range(cnt_vars):

if i in deleted_index:

continue

x1 = high_IV_sorted[i][0]+"_WOE"

for j in range(cnt_vars):

if i == j or j in deleted_index:

continue

y1 = high_IV_sorted[j][0]+"_WOE"

roh = np.corrcoef(trainData[x1],trainData[y1])[0,1]

if abs(roh)>0.7:

x1_IV = high_IV_sorted[i][1]

y1_IV = high_IV_sorted[j][1]

if x1_IV > y1_IV:

deleted_index.append(j)

else:

deleted_index.append(i)

multi_analysis_vars_1 = [high_IV_sorted[i][0]+"_WOE" for i in range(cnt_vars) if i not in deleted_index]

多变量分析：VIF

一般要小于10，本次结果max_VIF为：1.5093709849027372，则多变量之间排除共线性。

X = np.matrix(trainData[multi_analysis_vars_1])

VIF_list = [variance_inflation_factor(X, i) for i in range(X.shape[1])]

max_VIF = max(VIF_list)

print max_VIF

六、逻辑回归模型

要求：

1，变量显著

2，符号为负

将多变量分析后的变量带入LR模型中，

y = trainData['y']

X = trainData[multi_analysis]

X['intercept'] = [1]*X.shape[0]

LR = sm.Logit(y, X).fit()

summary = LR.summary()

pvals = LR.pvalues

pvals = pvals.to_dict()

逐步剔除p值不显著的变量

varLargeP = {k: v for k,v in pvals.items() if v >= 0.1}

varLargeP = sorted(varLargeP.items(), key=lambda d:d[1], reverse = True)

while(len(varLargeP) > 0 and len(multi_analysis) > 0):

# 每次迭代中，剔除最不显著的变量，直到

# (1) 剩余所有变量均显著

# (2) 没有特征可选

varMaxP = varLargeP[0][0]

print varMaxP

if varMaxP == 'intercept':

print 'the intercept is not significant!'

break

multi_analysis.remove(varMaxP)

y = trainData['y']

X = trainData[multi_analysis]

X['intercept'] = [1] * X.shape[0]

LR = sm.Logit(y, X).fit()

pvals = LR.pvalues

pvals = pvals.to_dict()

varLargeP = {k: v for k, v in pvals.items() if v >= 0.1}

varLargeP = sorted(varLargeP.iteritems(), key=lambda d: d[1], reverse=True)

summary = LR.summary()

逻辑回归结果如下：

LLR p-value: 2.460e-280

========================================================================================================

coef std err z P>|z| [0.025 0.975]

--------------------------------------------------------------------------------------------------------

zip_code_br_encoding_Bin_WOE -0.9467 0.045 -21.258 0.000 -1.034 -0.859

int_rate_clean_Bin_WOE -0.8742 0.055 -15.779 0.000 -0.983 -0.766

annual_inc_Bin_WOE -0.7039 0.095 -7.383 0.000 -0.891 -0.517

purpose_br_encoding_Bin_WOE -0.8559 0.087 -9.785 0.000 -1.027 -0.684

inq_last_6mths_Bin_WOE -0.7831 0.104 -7.537 0.000 -0.987 -0.579

addr_state_br_encoding_Bin_WOE -0.2423 0.121 -1.997 0.046 -0.480 -0.005

limit_income_Bin_WOE -0.4409 0.134 -3.299 0.001 -0.703 -0.179

mths_since_last_record_clean_Bin_WOE -0.7616 0.141 -5.416 0.000 -1.037 -0.486

total_acc_Bin_WOE -0.2963 0.173 -1.710 0.087 -0.636 0.043

dti_Bin_WOE -0.7897 0.196 -4.021 0.000 -1.175 -0.405

emp_length_clean_Bin_WOE -0.7229 0.200 -3.611 0.000 -1.115 -0.331

intercept -2.1014 0.027 -78.645 0.000 -2.154 -2.049

========================================================================================================

可以看到p值均显著，且系数为负。

计算auc值，结果为：0.74

trainData['prob'] = LR.predict(X)

auc = roc_auc_score(trainData['y'],trainData['prob']) #AUC = 0.73

七、验证模型

用同样的方法，对验证集数据进行处理后，放入模型，如下得到

auc=0.65

ks = 0.22

表明模型有一定的预测能力和区分度

testData['intercept'] = [1]*testData.shape[0]

#预测数据集中，变量顺序需要和LR模型的变量顺序一致

#例如在训练集里，变量在数据中的顺序是“负债比”在“借款目的”之前，对应地，在测试集里，“负债比”也要在“借款目的”之前

testData2 = testData[list(LR.params.index)]

testData['prob'] = LR.predict(testData2)

#计算KS和AUC

auc = roc_auc_score(testData['y'],testData['prob'])

ks = KS(testData, 'prob', 'y')

计算评分：

basePoint = 250

PDO = 200

testData['score'] = testData['prob'].map(lambda x:Prob2Score(x, basePoint, PDO))

testData = testData.sort_values(by = 'score')

结果如下，分值与频数的分布近似为正态分布。根据业务需要以及相应的风险比例，划分评分区间，合理应用评分卡模型。

image.png