使用Python实现WOE和IV

最新推荐文章于 2025-07-05 21:04:26 发布
最新推荐文章于 2025-07-05 21:04:26 发布
阅读量801 收藏 1
点赞数
CC 4.0 BY-SA版权
文章标签： python 开发语言
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/HackDyno/article/details/132199444
Python 专栏收录该内容
266 篇文章 ¥59.90 ¥99.00
订阅专栏
本文介绍了如何使用Python计算数据挖掘中的WOE（Weight of Evidence）和IV（Information Value），这两种方法常用于分类变量的转换和选择，以提升模型的预测能力。通过定义函数计算WOE和IV，并应用于数据集，最终根据IV值选择变量。

使用Python实现WOE和IV

在数据挖掘和建模中，我们需要对变量进行选择和转换，以提高模型的可靠性和预测能力。其中WOE（Weight of Evidence）和IV（Information Value）是两种常用的变量转换方法。

WOE和IV主要用于分类变量的转换和选择。具体来说，WOE用于将一个分类变量转换为一个连续变量，IV则用于评估变量的预测能力。下面我们将介绍如何使用Python实现这两种方法。

首先我们需要用到的库有pandas、numpy和math。以下是导入这些库并读取数据的代码：

import pandas as pd
import numpy as np
import math

data = pd.read_csv('data.csv')

其中，data.cs

了解本专栏 订阅专栏 解锁全文
评分卡中WOE和IV详解 Python实现
u010654299的博客
01-05 8438
  信用评分卡模型是信用风险评估中普遍使用的模型，而在模型建立过程中，一般采用WOE(Weight Of Evidence 证据权重)对自变量进行编码，并根据IV(Information Value 信息量)作为变量筛选指标。 1 WOE   WOE(Weight Of Evidence 证据权重)是一种对自变量编码的方法，需注意的是在WOE编码前需对数据进行分箱（分组或离散化）操作。 具体而言，...
python自动分箱，计算woe,iv
KIDxu的博客
03-18 2万+
笔者之前用R开发评分卡时，需要进行分箱计算woe及iv值，采用的R包是smbinning,它可以自动进行分箱。近期换用python开发，也想实现自动分箱功能，找到了一个woe包，地址https://pypi.org/project/woe/，可以直接 pip install woe安装。 由于此woe包官网介绍及给的例子不是很好理解，关于每个函数的使用也没有很详细的说明，经过一番仔细探究后以此...
python数据分析基础11-信用评分卡关键指标WOE和IV
数据饕餮
07-05 811
证据权重（WOE）是一种量化变量与目标事件关系的统计指标，通过比较分组内事件分布与整体差异来衡量证据强度。其计算公式为对数比率，数值方向反映风险高低，绝对值大小表示预测能力强弱。WOE在金融风控（信用评分、特征筛选）和风险评估（毒理学、医疗诊断）中广泛应用，能将非线性关系转化为线性可建模形式。常与IV值联合使用评估变量整体预测能力。虽存在分箱敏感等局限，但通过自动化分箱和深度学习等技术不断优化。WOE的核心价值在于将业务逻辑转化为可计算的证据链，成为连接统计学与工程应用的重要工具。
python自动分箱,计算woe,iv的实例代码
09-18
今天小编就为大家分享一篇python自动分箱,计算woe,iv的实例代码，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧
【Python】理解WOE（Weight of Evidence）和IV（Information Value）
哈哈哈哈哈哈哈
05-14 1270
忠孝东路走九遍脚底下踏著曾经你我的点点我从日走到夜心从灰跳到黑我多想跳上车子离开伤心的台北忠孝东路走九遍穿过陌生人潮搜寻你的脸有人走的匆忙有人爱的甜美谁会在意擦肩而过的心碎🎵 动力火车《忠孝东路走九遍》在信用评分和风险管理领域，WOE（Weight of Evidence）和IV（Information Value）是两种常用的特征选择和评估方法。这些方法有助于我们理解每个特征对目标变量（如好坏客户）的区分能力。
python计算iv值_python中的WOE和IV表
weixin_39610722的博客
12-22 614
我有一个计算WOE和IV的函数，如下所示：def calc_iv(df, feature, target, pr=0):lst = []for i in range(df[feature].nunique()):val = list(df[feature].unique())[i]lst.append([feature, val, df[df[feature] == val].count()[fe...
python评分卡3_woe与IV分箱实现
u012338969的博客
05-08 4339
本系列分以下章节： python评分卡1_woe与IV值 python评分卡2_woe与IV分箱方法 python评分卡3_woe与IV分箱实现 python评分卡4_logistics回归模型原理 python评分卡5_logistics回归模型实现 python评分卡6_刻度与logistics模型 1.Python第三方库 打开网址：https://pypi.org 在搜寻框中输入 woe，如下图所示: [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-pTuAGG0s-
woe和IV实际实例解说 (python代码拿走）
niujinya的博客
09-18 2053
一.介绍 对于woe和IV，简单来说就是用来进行特征选择的方法，我做了两个例子来简单说明一下，例子的代码放到了文章的最后。如果你想看看原理：(你就想求IV和woe，可以直接看例子，跑代码)https://blog.youkuaiyun.com/niujinya/article/details/120330215?spm=1001.2014.3001.5501 二.银行例子（寻找和标签关联最高的特征） 首先最简单的示例，也是一般官方提供的，我这里展示一下数据： 可以看出既有文字，也有数字。这里呢如果你有相似.
转：Python数据分箱，计算woe，iv
纸上得来终觉浅
12-22 4389
转自：https://zhuanlan.zhihu.com/p/38440477 数据分箱的重要性及优势： 离散特征的增加和减少都很容易，易于模型的快速迭代； 稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展； 离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰； 逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型表达
WOE和IV理论及python实现
xudonglovedandan的博客
03-23 1279
WOE和IV理论 1.WOE WOE的全称是“Weight of Evidence”，即证据权重。WOE是对原始自变量的一种编码形式，计算公式如下： 其中，pyi是这个组中响应客户（风险模型中，对应的是违约客户，总之，指的是模型中预测变量取值为“是”或者说1的个体）占所有样本中所有响应客户的比例，pni是这个组中未响应客户占样本中所有未响应客户的比例，#yi是这个组中响应客户的数量，#ni是这个...
数据挖掘模型中的IV和WOE详解
热门推荐
一些杂七杂八的想法
03-02 25万+
1.IV的用途 IV的全称是Information Value，中文意思是信息价值，或者信息量。 我们在用逻辑回归、决策树等模型方法构建分类模型时，经常需要对自变量进行筛选。比如我们有200个候选自变量，通常情况下，不会直接把200个变量直接放到模型中去进行拟合训练，而是会用一些方法，从这200个自变量中挑选一些出来，放进模型，形成入模变量列表。那么我们怎么去挑选入模变量呢？ 挑选入模变
python可以计算吗_Python计算woe和iv值
weixin_34640289的博客
01-29 820
计算逻辑先计算WOE值，再计算IV值。其中Y或N分别是YES,NO，反应在因变量中，就是1和0。Yi是第i组中1的个数，YT是所有(Total)为1的个数。Ni是第i组中0的个数，NT是所有(Total)为0的个数。举例数据如下，x分别取1-9，y对应是1和0。x,y1,12,13,04,15,16,07,08,09,1如果对于x这9行数据分成三组：第0组：x=1,2,3第1组：x=4,5,6第2...
【python机器学习】——IV值&WOE值的计算
小猪课堂的博客
08-08 6698
提供一些代码，但是要了解一下最近本的概念问题。 推荐一篇文章，好好看 评分卡模型中的IV和WOE详解 看完后，一定要注意 IV衡量的是某一个变量的信息量，从公式来看的话，相当于是自变量WOE值的一个加权求和，其值的大小决定了自变量对于目标变量的影响程度，对于分组 i ，其对应的IV值参考下图，其中n是分组个数，注意，在变量的任何分组中，不应该出现响应数为0或非响应数位0的情况，当变量的一个分组的响...
基于python的信用卡评分模型_python评分卡建模-WOE转换和IV值
weixin_39610678的博客
11-25 568
WOE全称为 Weight Of Evidence，即证据权重，就是自变量取某个值时对目标变量的影响good_i和bad_i是该变量在各属性上对应的好客户数和坏客户数，good和bad是样本总体好客户数和坏客户数；WOE值越高，代表着该组对应的变量属性是坏客户的风险越低；IV信息值，IV仅仅针对二元分类的目标值和名义变量，当应用于顺序变量时，顺序将会被忽略，该变量会当做名义变量来使用；（k为变量的...
python分箱处理_python数据处理--WOE分箱
weixin_39940425的博客
12-10 1630
数据分箱的重要性离散特征的增加和减少都很容易，易于模型的快速迭代；稀疏向量内积乘法运算速度快，计算结果方便存储，容易扩展；离散化后的特征对异常数据有很强的鲁棒性：比如一个特征是年龄>30是1，否则0。如果特征没有离散化，一个异常数据“年龄300岁”会给模型造成很大的干扰；逻辑回归属于广义线性模型，表达能力受限；单变量离散化为N个后，每个变量有单独的权重，相当于为模型引入了非线性，能够提升模型...
python最优分箱计算iv值_Python计算woe和iv值
weixin_39551188的博客
12-11 1797
计算逻辑先计算WOE值，再计算IV值。其中Y或N分别是YES,NO，反应在因变量中，就是1和0。Yi是第i组中1的个数，YT是所有(Total)为1的个数。Ni是第i组中0的个数，NT是所有(Total)为0的个数。举例数据如下，x分别取1-9，y对应是1和0。x,y1,12,13,04,15,16,07,08,09,1如果对于x这9行数据分成三组：第0组：x=1,2,3第1组：x=4,5,6第2...
python计算iv值_数据挖掘模型中的IV和WOE详解
weixin_39872872的博客
12-22 589
2016-03-0215:3628747人阅读评论(8)收藏举报分类：数据挖掘模型(7)版权声明：本文为博主原创文章，未经博主允许不得转载。目录(?)[+]1.IV的用途IV的全称是InformationValue，中文意思是信息价值，或者信息量。我们在用逻辑回归、决策树等模型方法构建分类模型时，经常需要对自变量进行筛选。比如我们有200个候选自变量，通常情况下，不会直接把200个变量直接放...
Python基础IV---类
Hungryof的专栏
02-09 1820
python类的相关知识
WOE python手写代码
erinapple的博客
06-27 1267
http://www.sohu.com/a/227312722_479788
如何使用python编写信用卡评分的woe和iv解散
最新发布
11-06
在Python中实现信用卡评分的WOE和IV计算，一般可按以下步骤进行：对连续变量分箱，计算每个分箱内的好、坏客户数量，进而计算WOE和IV值。以下是示例代码： ```python import pandas as pd import numpy as np def calculate_woe_iv(data, feature, target): # 计算总好、坏客户数量 total_good = data[target].sum() total_bad = len(data) - total_good # 对特征进行分箱 bins = pd.qcut(data[feature], q=10, duplicates='drop') # 计算每个分箱内的好、坏客户数量 grouped = data.groupby(bins)[target].agg(['count', 'sum']) grouped.columns = ['total', 'bad'] grouped['good'] = grouped['total'] - grouped['bad'] # 计算每个分箱的WOE和IV grouped['Distr_Good'] = grouped['good'] / total_good grouped['Distr_Bad'] = grouped['bad'] / total_bad grouped['WOE'] = np.log(grouped['Distr_Bad'] / grouped['Distr_Good']) grouped['IV'] = (grouped['Distr_Bad'] - grouped['Distr_Good']) * grouped['WOE'] # 计算总的IV值 iv = grouped['IV'].sum() return grouped[['WOE', 'IV']], iv # 示例数据 data = pd.DataFrame({ 'feature': np.random.randn(1000), 'target': np.random.randint(0, 2, 1000) }) # 计算WOE和IV woe_iv_table, iv = calculate_woe_iv(data, 'feature', 'target') print("WOE和IV表：") print(woe_iv_table) print("总的IV值：", iv) ``` 在上述代码中，定义了`calculate_woe_iv`函数用于计算WOE和IV值。首先计算总好、坏客户数量，然后对特征进行分箱，接着计算每个分箱内的好、坏客户数量，再计算每个分箱的WOE和IV，最后计算总的IV值。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符  | 博主筛选后可见
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值