特征工程：WOE编码、IV值筛选、分箱方法归纳总结

特征工程这一步，做得好不好，直接决定评分卡的生死。我个人习惯把WOE编码叫做评分卡的"灵魂"——你想想看，同样的逻辑回归，换一套特征编码方式，KS能差出0.1以上。这一章我带你把这几个核心环节捋清楚：分箱怎么做、WOE怎么算、IV怎么筛，以及它们怎么串成一条完整流水线。

1. WOE编码——为什么评分卡离不开它

WOE的全称是 Weight of Evidence，翻译过来叫"证据权重"。说白了，它衡量的是：在某个分组内，好客户和坏客户的分布差异有多大。

公式长这样：

WOE_i = ln( (坏客户在第i组的占比) / (好客户在第i组的占比) )
      = ln( Bad_i / Bad_total ÷ Good_i / Good_total )

为什么要用WOE而不是直接扔原始变量进模型？三个原因：

• 处理缺失值：缺失值可以单独成箱，WOE自动吸收缺失信息
• 单调性约束：评分卡要求每个变量的分数趋势是单调的——WOE编码天然支持这一点
• 与逻辑回归天生一对：WOE编码后的变量，逻辑回归的系数估计更稳定，共线性问题也少

我在项目中遇到过这样的情况：某家银行客户年龄变量，原始值扔进模型，系数不稳定，换了几次样本就变号。改成WOE编码之后，系数稳如磐石。说白了，WOE不只是编码，它是一次"特征与目标的关系对齐"。

2. 分箱方法——选对了，模型就赢了一半

分箱是WOE编码的前置步骤。箱怎么分，直接影响WOE的稳定性和单调性。我常用的方法有四种，下面这个表格把它们的差异一次性说清楚：

方法	原理	优点	缺点	适用场景
等距分箱	按特征值等宽切分	实现简单，计算快	易受异常值影响，样本分布不均	分布均匀的数值型特征
等频分箱	每箱包含等量样本	样本分布均衡，WOE稳定	可能把相同值切到不同箱	长尾分布或偏态分布的特征
决策树分箱	用信息增益或基尼系数找最优切分点	自动捕捉非线性关系	容易过拟合，需控制叶节点数	有强交互或非线性关系的特征
卡方分箱	基于卡方检验合并相邻区间	统计意义明确，结果可解释	计算成本较高，对稀疏箱敏感	类别型或离散型特征

3. IV值筛选——特征去留，拿数字说话

IV值（Information Value）是WOE编码的"副产品"，但它本身就是一个极其好用的特征筛选指标。公式不复杂：

IV = Σ ( (Bad_i / Bad_total - Good_i / Good_total) × WOE_i )

IV值衡量的是：这个特征整体上对好/坏客户的区分能力有多强。判断标准业界基本统一：

IV值范围	预测能力	我的建议
< 0.02	无预测力	直接剔除，留着只会增加噪声
0.02 ~ 0.10	弱预测力	视样本量和业务意义决定去留
0.10 ~ 0.30	中等预测力	建议保留，这是评分卡的主力区间
0.30 ~ 0.50	强预测力	优先保留，但注意检查单调性
> 0.50	极强（需警惕）	可能隐含了未来信息或过拟合风险

为什么IV > 0.5要警惕？因为真正稳定的强变量，IV通常在0.3~0.5之间。超过0.5的，要么是数据泄露，要么是分组方式过度拟合了样本分布。我建议你在筛选时把阈值设在0.02以上、0.5以下，这是一个经过多次项目验证的"安全区间"。

4. 完整流程——从原始特征到建模特征集

下面这张图把WOE编码、分箱、IV筛选的关系一次性串联起来。这也是我在每个评分卡项目中都会画的工作流：

整个流程走下来，你会发现：分箱是"手艺活"，WOE是"翻译官"，IV是"质检员"。三者的关系不是串行执行那么简单——分箱方式变了，WOE和IV都会跟着变。所以我建议你多尝试几种分箱策略，对比IV值和单调性，选最优的那套方案。

这一套组合拳打下来，你拿到的特征集既有预测力，又有稳定性。评分卡上线之后，你不会因为特征编码的问题被模型表现打脸——嗯，这一点我吃过亏，希望你不用再经历一次。