建立一个评分卡模型的代号包___下载.zip

## 评分卡模型实现函数模块 author: yuxinxin </br>modify_date: 2018-11-27 使用方法：将 score_card.py 放在与notebook文件同个目录下，在notebook文件里输入:import score_card as sc 即可调用里面的函数 ## 函数目录： ### 一. EDA分析.py 1. 变量的分布（可视化） * plot_cate_var -- 类别型变量分布 * plot_num_col -- 数值型变量分布 2. 变量的违约率分析（可视化）： * plot_default_cate -- 类别型变量的违约率分析 * plot_default_num -- 数值型变量的违约率分析 ### 二. 数据预处理.py 1. 缺失值处理 * missing_cal -- 计算每个变量的缺失率 * plot_missing_var -- 所有变量缺失值分布图 * plot_missing_user -- 单个样本的缺失分析 * missing_delete_var -- 缺失值剔除（针对单个变量） * missing_delete_user -- 缺失值剔除（针对单个样本） * fillna_cate_var -- 缺失值填充（类别型变量） * fillna_num_var -- 缺失值填充（数值型变量） 2. 常变量/同值化处理 * const_delete -- 常变量/同值化处理 3. 降基处理 * descending_cate -- 类别型变量的降基处理 ### 三.变量分箱.py * binning_cate -- 类别型变量的分箱 * iv_cate -- 类别型变量的IV明细表 * binning_num -- 数值型变量的分箱（使用卡方分箱） * iv_num -- 数值型变量的IV明细表 * binning_self -- 自定义分箱 * plot_woe -- 变量woe的可视化 * woe_monoton -- 检验变量的woe是否呈单调变化 * woe_large -- 检验变量某个箱的woe是否过大(大于1),PS:箱体的woe在（-1,1）较合理 ### 四.变量筛选.py * select_xgboost -- xgboost筛选变量 * select_rf -- 随机森林筛选变量 * plot_corr -- 变量相关性可视化 * corr_mapping -- 变量强相关性映射 * forward_delete_corr -- 逐个剔除相关性高的变量 * forward_delete_pvalue -- 显著性筛选（向前选择法） * forward_delete_coef -- 逻辑回归系数符号筛选（每个变量的系数符号需要一致） ### 五.变量woe离散化.py * woe_df_concat -- 变量woe结果明细表 * woe_transform -- 变量woe转换 ### 六.模型评估.py * plot_roc -- 绘制ROC曲线 * plot_model_ks -- 绘制模型的KS曲线 * plot_learning_curve -- 绘制学习曲线 * cross_verify -- 交叉验证 * plot_matrix_report -- 混淆矩阵/分类结果报告 ### 七.评分卡实现和评估.py * cal_scale -- 评分卡刻度 * score_df_concat -- 变量score的明细表 * score_transform -- 变量score转换 * plot_score_ks -- 绘制评分卡的KS曲线 * plot_PR -- PR曲线 * plot_score_hist -- 好坏用户得分分布图 * score_info -- 得分明细表 * plot_lifting -- 绘制提升图和洛伦兹曲线 * rule_verify -- 设定cutoff点，计算衡量指标 ### 八.评分卡监控.py * score_psi -- 计算评分的PSI * plot_score_compare -- 评分对比图 * var_stable -- 变量稳定性分析 * plot_var_shift -- 变量偏移分析