信用评分概述与特征工程重要性
信用评分卡，说白了就是银行或者金融公司用来决定“借不借钱给你”的一套打分系统。你想想看，一个人来申请贷款，你总得有个客观依据吧？不能拍脑袋说“这人看起来挺靠谱”就批了。评分卡就是把这个决策变成数学公式。
我个人习惯把评分卡分成两块：模型本身和输入的数据。模型大家都懂，逻辑回归、XGBoost都行。但真正决定模型上限的，其实是那些特征——你喂给模型的数据质量。我记得刚入行带我的老工程师说过一句话：“垃圾进，垃圾出。”你特征没做好，再牛的算法也救不了。
特征工程之所以重要，就是因为它能把原始数据里藏着的规律“挖”出来，让模型看得更清楚。下面这张图总结了评分卡开发的典型流程，你可以看到特征工程处于最核心的位置：
传统评分卡的问题
早些年的评分卡是怎么做的？很多团队直接拿原始字段硬上：收入、年龄、负债比……分个箱就算特征了。我在项目中遇到过这样的案例——特征只有十几个，用逻辑回归也能跑，但KS值始终上不去，也就0.3出头。原因很简单：字段之间会有交叉效应，比如“低收入+高负债”组合的风险远大于两者单独加起来。传统办法很难捕捉这种非线性。
另一个坑是缺失值。我记得有一次上线后业务方反馈：“为什么这个客户明明月薪两万，评分却很低？”查了半天，原来是收入字段为空，系统直接填充了均值，把人家当成了普通人。你看，缺失值处理不当，在业务上就会变成“错杀”。
我把传统做法和加过特征工程的做法做了个对比，你一看就明白：
| 维度 | 无特征工程 | 有特征工程 |
|---|---|---|
| 变量数量 | 10～20个原始字段 | 50～200个衍生特征 |
| 缺失值处理 | 删除或简单均值填充 | 分类+统计+模型预测填充 |
| 非线性捕捉 | 差（靠模型自身） | 强（分箱、交叉、WOE编码） |
| 模型KS | 0.25～0.35 | 0.35～0.55 |
| 业务可解释性 | 一般 | 好（可对应业务规则） |
避坑指南：我曾经犯过一个错误——一股脑生成300个特征，然后丢给模型做自动特征选择。结果模型过拟合得一塌糊涂，回测漂亮，上线马上崩。后来我学乖了：特征工程不是越多越好，而是有业务依据的衍生才有价值。每生成一个新特征，都要问自己一句：“这条特征在风控业务上说得通吗？”
特征工程在信用评分中的关键作用
信用评分模型特别依赖特征的稳定性和单调性。什么意思呢？你做的特征不能今天跟违约率正相关，下个月又变负相关了。我在做跨时间验证时，就曾发现某个“转账次数”特征，上半年的坏账率是随次数增加而升高，下半年却因为政策调整反而降低——这种特征直接废掉。
特征工程另一个重要作用是变量降维和融合。征信报告里可能有上千个字段，你不能直接用。需要把它们聚合转换成几百个强特征，比如“近6个月平均逾期天数”、“多头借贷平台数”。我习惯先做数据探索，画出每个字段的分布和IV值，再决定是否保留。
下面是一个简化的特征工程流程，我用代码展示了一个最基础的缺失值处理和分箱：
import pandas as pd
import numpy as np
# 原始数据
df = pd.DataFrame({
'age': [25, 33, np.nan, 45, 28],
'income': [5000, 12000, 8000, np.nan, 7000],
'loan_cnt': [0, 3, 1, 5, 2]
})
# 1. 缺失值处理：用中位数填充
df['age'].fillna(df['age'].median(), inplace=True)
df['income'].fillna(df['income'].median(), inplace=True)
# 2. 分箱（简单等频分3箱）
df['age_bin'] = pd.qcut(df['age'], q=3, labels=['青年','中年','老年'])
# 3. 计算WOE和IV（示意）
# 实际需要标签变量，此处省略
print(df.head())
说到底，特征工程就是把原始数据里的“脏数据”变干净，把“弱信号”变强，把“混乱关系”变清晰。没有这一步，评分卡就像用沙子盖大楼，底层不稳，上层再漂亮也没用。我个人做了七八个评分卡项目，每一次回头看，效果提升最大的环节永远是特征工程，而不是调参或换模型。
好了，第一讲的核心就这些。你心里得有个数：后面几章我们会深入讲具体的特征处理方法，但不管学多少技巧，都要回到业务需求上来——你做的每一条特征，最后是要给风控审批员一个合理的理由。