Python之woe：woe库函数的简介、安装、使用方法之详细攻略

目录

woe库函数的简介

1、离散值分箱原理

2、连续值分箱原理

woe库函数的安装

woe库函数的使用方法

1、woe模块功能树

woe库函数的简介

       woe转换工具主要用于信用评级的记分卡模型。在woe中，对变量进行分箱的原理类似于二叉决策树，其中决定如何划分的目标函数是iv值。特点如下：

• 基于IV准则的分裂树
• 丰富的模型评价方法
• 格式统一，输出方便
• IV树的储存以备后续使用

官网：https://github.com/boredbird/woe

1、离散值分箱原理

将每个值作为一个分组，计算个分组woe值，再计算IV值。

2、连续值分箱原理

• 计算将整体数据作为一个分组的IV值（命名为IV0）；
• 对所有值排序，根据最大，最小值平均划分100个取值区间（99个区间分割点，每个分割点可以将整体数据分割为左右两部分）；
• 针对每个分割点，尝试将左右两部分作为两个分组，计算IV值（如果此种分组中，左右有一个分组中数据少于总体数据量的5%，不计算此分组IV）。获取99中分组方式中的最大IV值（IVmax）；
• 假如此最大IV值（IVmax）大于不分组IV值的101%（IV0），不进行分割。否则，以此分割点将数据整体分为左右两个组。每个组独立重新进行1步骤，进入下一轮循环。
• 根据记录所有分组点进行数据整体分组，计算IV。

woe库函数的安装

pip install woe

woe库函数的使用方法

1、woe模块功能树

|- __init__
|- config.py
| |-- config
| |-- __init__
| |-- change_config_var_dtype()
| |-- load_file()
|- eval.py
| |-- compute_ks()
| |-- eval_data_summary()
| |-- eval_feature_detail()
| |-- eval_feature_stability()
| |-- eval_feature_summary()
| |-- eval_model_stability()
| |-- eval_model_summary()
| |-- eval_segment_metrics()
| |-- plot_ks()
| |-- proc_cor_eval()
| |-- proc_validation()
| |-- wald_test()
|- feature_process.py
| |-- binning_data_split()
| |-- calculate_iv_split()
| |-- calulate_iv()
| |-- change_feature_dtype()
| |-- check_point()
| |-- fillna()
| |-- format_iv_split()
| |-- proc_woe_continuous()
| |-- proc_woe_discrete()
| |-- process_train_woe()
| |-- process_woe_trans()
| |-- search()
| |-- woe_trans()
|- ftrl.py
| |-- FTRL()
| |-- LR()
|- GridSearch.py
| |-- fit_single_lr()
| |-- grid_search_lr_c()
| |-- grid_search_lr_c_main()
| |-- grid_search_lr_validation()