中国统计网|Python实战：信用评分模型开发「Part 1」( 三 )

等深分段(Equal frequency intervals)：先确定分段数量，然后令每个分段中数据数量大致相等；

最优分段(Optimal Binning):又叫监督离散化(supervised discretizaion) ，使用递归划分(Recursive Partitioning)将连续变量分为分段，背后是一种基于条件推断查找较佳分组的算法。

我们首先选择对连续变量进行最优分段，在连续变量的分布不满足最优分段的要求时，再考虑对连续变量进行等距分段。最优分箱的代码如下：
针对我们将使用最优分段对于数据集中的RevolvingUtilizationOfUnsecuredLines、
age、DebtRatio和MonthlyIncome进行分类。
RevolvingUtilizationOfUnsecuredLines分箱情况

本文插图
age分箱情况
DebtRatio分箱情况
MonthlyIncome分箱情况
针对不能最优分箱的变量，分箱如下：
2.WOE
WoE分析，是对指标分箱、计算各个档位的WoE值并观察WoE值随指标变化的趋势。其中WoE的数学定义是:
woe=ln(goodattribute/badattribute)
在进行分析时，我们需要对各指标从小到大排列，并计算出相应分档的WoE值。

其中正向指标越大， WoE值越小；反向指标越大， WoE值越大。
正向指标的WoE值负斜率越大，反响指标的正斜率越大，则说明指标区分能力好。
WoE值趋近于直线，则意味指标判断能力较弱。
若正向指标和WoE正相关趋势、反向指标同WoE出现负相关趋势，则说明此指标不符合经济意义，则应当予以去除。

3.相关性分析和IV筛选
接下来，我们会用经过清洗后的数据看一下变量间的相关性。
注意:这里的相关性分析只是初步的检查，进一步检查模型的VI（证据权重）作为变量筛选的依据。相关性图我们通过Python里面的seaborn包，调用heatmap绘图函数进行绘制，实现代码如下：

本文插图
数据集各变量的相关性
由上图可以看出，各变量之间的相关性是非常小的。 NumberOfOpenCreditLinesAndLoans和NumberRealEstateLoansOrLines的相关性系数为0.43 。
接下来，我进一步计算每个变量的Infomation Value（IV）。 IV指标是一般用来确定自变量的预测能力。其公式为：