pandapang1992 / score_card20220915 Goto Github PK

author: yuxinxin
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

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

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

• 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

• 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）

• woe_df_concat -- 变量woe结果明细表
• woe_transform -- 变量woe转换

• 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

• 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

• 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