4、特征工程：WOE编码、IV值计算、变量分箱

特征工程这步，我个人的经验是——它往往决定模型的天花板。算法调得再好，喂进去的变量如果是垃圾，出来也是垃圾。今天咱们就聊三个核心操作：WOE编码、IV值计算、变量分箱。这三兄弟在信用评分模型里天天见，少一个都不行。

4.1 变量分箱——把连续值砍成几段

为什么要分箱？说白了，信用模型里很少直接把年龄、收入这种连续值塞进去。一来模型容易过拟合，二来业务解释性差。你想想看，跟业务方说“年龄每增加一岁，风险下降0.03”，对方一脸懵。但你说“年龄在25岁以下，属于高风险段”，他就懂了。

我在项目中常用的分箱方法有这几种：

4.2 WOE编码——给变量赋予业务含义

分箱之后，每箱需要一个数值去代表它。直接用好坏样本的比例差？可以。但信用评分领域更流行用WOE（Weight of Evidence，证据权重）。公式是这样的：

WOE_i = ln( (好样本占比_i) / (坏样本占比_i) )

其中好样本占比 = 该箱好样本数 / 所有好样本数，坏样本占比同理。WOE为正，说明该箱好样本比例高于整体，风险低；WOE为负，说明风险高。这个方向跟业务直觉一致：分数越高越安全。

我个人习惯在分箱后马上计算WOE，然后检查单调性。如果WOE在整个变量上不是单调的（比如先升后降），说明分箱边界可能有问题，或者变量本身是非线性的。嗯，这时候就要回头调整分箱了。

4.3 IV值——衡量变量预测力

IV（Information Value，信息量）是WOE的加权求和。公式：

IV = Σ ( (好占比_i - 坏占比_i) * WOE_i )

IV越大，变量区分好坏的能力越强。业内通常这么看：

4.4 完整流程：从原始变量到最终特征

下面这张图我把流程串起来了。从左到右，一步一步看。

4.5 实战中的避坑清单

光知道公式不够，落地才是硬道理。我整理了几条常踩的坑：

1. 分箱后WOE不单调。 原因可能是分箱边界选错了，或者变量和好坏关系本来就不是线性的。我一般先用决策树分箱，再手动微调边界。
2. IV极高但逻辑不通。 比如“近三个月查询次数”IV值0.6，查一下是不是跟逾期有后向关联——查询发生在逾期之前才算有效特征。
3. WOE编码后的特征维度爆炸。 每个分箱变成一列？别。WOE编码本质上是把类别变量映射成一个数值，只生成一列就够了。多元WOE那种做法只在特定场景下用。
4. 缺失值处理。 分箱前先看缺失率。缺失较少可以用单独一箱，缺失很多就用“缺失WOE”单独处理。我习惯把缺失作为一个独立箱，单独算WOE，不要硬插。

4.6 代码实现——快速上手

下面是我在项目中用过的一个分箱+WOE+IV计算的核心片段。代码用Python，纯手写不用现成库，方便理解原理：

import pandas as pd
import numpy as np

def woe_iv_calc(df, feature, target):
    # 分箱（这里简化成等频分箱）
    df['bin'] = pd.qcut(df[feature], q=5, duplicates='drop')
    
    # 统计每箱好坏样本数
    grouped = df.groupby('bin')[target].agg(['count', 'sum'])
    grouped.columns = ['total', 'bad']
    grouped['good'] = grouped['total'] - grouped['bad']
    
    # 计算好占比、坏占比（加平滑）
    total_good = grouped['good'].sum() + 0.5
    total_bad  = grouped['bad'].sum()  + 0.5
    grouped['good_pct'] = (grouped['good'] + 0.5) / total_good
    grouped['bad_pct']  = (grouped['bad']  + 0.5) / total_bad
    
    # WOE
    grouped['woe'] = np.log(grouped['good_pct'] / grouped['bad_pct'])
    
    # IV
    grouped['iv'] = (grouped['good_pct'] - grouped['bad_pct']) * grouped['woe']
    iv_total = grouped['iv'].sum()
    return grouped[['total','bad','good','good_pct','bad_pct','woe','iv']], iv_total

实际用的时候，我建议把分箱逻辑单独抽成函数，方便调整分箱策略。代码里用了加平滑的方法，避免0除错。