一文详解-评分卡如何对变量分箱（分箱方法、分箱代码、分箱例子）

评分卡在建模之前，需要对变量进行分箱，它可以分析变量的有效性、加强模型的泛化能力，同时使评分卡模型可以以卡表形式来表示。变量分箱在评分卡制作中是不可缺乏的一个环节，本文介绍评分卡变量分箱的方法、代码。

一、评分卡的变量分箱-介绍

1.1.什么是变量的分箱

评分卡在建模之前，需要对变量进行分箱，即将变量进行如下的形式的分析：

如图所示，需要先对变量进行分箱(即分组)，然后统计出每一组的总个数、坏样本个数、好样本个数，并统计出IV值和坏客户的占比。
其中，如何将变量分箱，可以选择手动自行设置，也可以借助分箱算法来完成，下文再详细介绍。

1.2.分箱的作用

分箱的作用主要有三个，如下：
1.分析变量的有效性
借助分箱来分析x与y的关系，可以在建模前挑选有效的变量来作为建模的变量，避免使用无效变量进行建模，干扰模型的准确性、合理性。
2.加强模型的泛化能力

对数据分箱可以合理地减少模型所需拟合的锚点，并加强了每个锚点的稳定性，通过对变量进行分箱，可以降低噪声数据带来的影响，使模型曲线更平滑。
3.使模型可以以卡表形式表示

如图所示，只有进行分箱，才可以让模型以卡表形式来表示，即"样本分在了哪一组，得了多少分"。

二、分箱与变量分析

下面是一个变量的分箱，它包括了每一组的总个数、坏样本个数、好样本个数，以及IV值和坏客户的占比。

2.1.如何通过分箱来分析变量

对变量的有效性的判断一共有两种方法：
1.根据badrate的趋势来判断变量的有效性
如果坏客户占比(badrate)与分组有明显的趋势，则说明变量与y有强烈关系，如果没有明显的趋势，则说明关系不明显。
2.根据iv值来判断变量的有效性
IV也是用来判断x与y的关联性的一个常用指标，一般来说，IV值与变量对好坏客户的区分度的关系如下：

备注：IV值小并不说明变量完全无效，它仅作为参考值，并不是变量有效性的绝对评估

2.2. IV与badrate的优缺点

用badrate来分析的好处是，可以兼顾业务的合理性来分析badrate，它相比IV更加可靠。
而用iv来分析的好处是，它可以不依赖人的主观判断，可以只设定一个阈值，将IV值大于该阈值的变量作为入模变量，这也使得用IV作为依据时可以完全程序自动化。

三、如何分箱

对变量分箱可以分为手动分箱和自动分箱。手动分箱顾名思义，就是自行设置每组的取值范围。而自动分箱，则一般借助分箱算法来自动完成。
python的bbbrisk包提供了相关的数据，以及相关的分箱算法。下面以bbbrisk包来讲述变量的分箱方法与实际操作。

3.1.手动分箱

手动分箱依赖于对业务的理解，通过对变量的理解，来设定各个分箱的取值范围，然后统计出badrate、iv等指标。
下面以bbbrisk的rev变量为例，我们可以设定具体的分箱，然后统计出相关的指标。具体代码如下：

import bbbrisk as br
from  bbbrisk import bins
br.display.pd.set(width=300,max_colwidth=30,max_rows=30)                           # 美化pandas的显示方式
# 加载数据                                                                         
data = br.datasets.load_bloan()                                                    # 加载数据
x = data['rev']                                                                    # rev变量
y = data['is_bad']                                                                 # 标签
# 手动分箱
bin_set = [[0,0.1],(['-',0],[0.1,0.37]),[0.37,0.64],([0.64,1.2],[2,'+']),[1.2,2]]  # 设置变量的分箱
bin_stat = bins.Bins(bin_set).binStat(x,y)                                         # 统计分箱结果
print('\n',bin_stat)                                                               # 显示分箱结果

运行结果如下：

3.2.自动分箱

自动分箱是指使用各种分箱算法对变量进行自动分箱，常用的分箱算法有：等频分箱、等距分箱、卡方分箱、KS分箱、决策树分箱等等。
虽然分箱算法有很多，但一般最常用的是卡方分箱，它的效果相对较好一些。
下面以bbbrisk的rev变量为例，我们指定使用卡方分箱、对rev变量进行分箱，然后统计出相关的指标。具体代码如下：

import bbbrisk as br
data = br.datasets.load_bloan()                                 # 加载数据
x = data['rev']                                                 # rev变量
y = data['is_bad']                                              # 样本标签

# 卡方分箱
bin_set  = br.bins.merge.chi2(x,y,bin_num=5,init_bin_num=10)    # 进行卡方分箱，bin_num是目标箱数,init_bin_num是初始箱数
bin_stat = br.bins.Bins(bin_set).binStat(x,y)                   # 统计分箱结果
print('\n* 卡方分箱结果：\n',bin_stat)                          # 显示分箱结果

# KS分箱
bin_set  = br.bins.merge.ks(x,y,bin_num=5,min_sample=None)      # 进行KS分箱，bin_num是目标箱数,min_sample是最小样本数
bin_stat = br.bins.Bins(bin_set).binStat(x,y)                   # 统计分箱结果
print('\n* KS分箱结果：\n',bin_stat)                            # 显示分箱结果

# 决策树分箱
bin_set  = br.bins.merge.tree(x,y,max_depth=3,min_sample=None)  # 进行决策树分箱，max_depth是树深度,min_sample是叶子最小样本数
bin_stat = br.bins.Bins(bin_set).binStat(x,y)                   # 统计分箱结果
print('\n* 决策树分箱结果：\n',bin_stat)                        # 显示分箱结果

代码运行结果如下：

可以看到， 卡方分箱、KS分箱、决策树分箱最终的IV值分别为1.05、1.06、1.09。

四、结束语

好了，以上就是评分卡变量分箱的介绍与方法了，更多可以参考如下内容：
《评分卡-入门教程》
《评分卡-分箱教程》
《bbrisk-API说明》