利用Shap解释Xgboost（或者别的）模型

Shap的一些介绍：
SHAP包
算法解析
shap的中文解析
知乎的翻译
ps,sklearn库的模型可以用lime模块解析

DEMO1

参（chao)考(xi)利用SHAP解释Xgboost模型
数据集
数据集基本做了特征处理，就基本也不处理别的了。

检查下缺失值

print(data.isnull().sum().sort_values(ascending=False))

gk                          9315
cam                         1126
rw                          1126
rb                          1126
st                          1126
cf                          1126
lw                          1126
cm                          1126
cdm                         1126
cb                          1126
lb                          1126

data.isnull().sum(axis=0).plot.barh()
plt.title("Ratio of missing values per columns")
plt.show()

获取年龄

days = today - data['birth_date']
print(days.head())

0    8464 days
1   12860 days
2    7487 days
3   11457 days
4   14369 days
Name: birth_date, dtype: timedelta64[ns]

关于年龄计算这一块

day2 = (today - data['birth_date'])

0    8464 days
1   12860 days
2    7487 days
3   11457 days
4   14369 days
Name: birth_date, dtype: timedelta64[ns]

day2 = (today - data['birth_date']).apply(lambda x: x.days)
#把天数提取成整数

0     8464
1    12860
2     7487
3    11457
4    14369
Name: birth_date, dtype: int64

获得年龄特征

data['age'] = np.round((today