4. 特征工程基础：特征衍生、特征选择、WOE编码、IV值计算

特征工程是信用评分模型开发中最具创造性与业务深度的环节。原始数据通常无法直接用于逻辑回归或决策树建模，必须经过衍生、筛选、编码与评估四个步骤，才能转化为稳定、可解释且具有预测力的特征变量。本章将系统讲解这四大核心模块，并重点介绍WOE编码与IV值在评分卡中的独特地位。

4.1 特征衍生：从原始数据中挖掘信息

特征衍生是指基于业务逻辑与统计变换，从原始字段中创建新的预测变量。常见的衍生方法包括：

• 数值变换：对数变换、平方根变换、Box-Cox变换，用于修正偏态分布。
• 组合特征：收入/负债比、信用卡使用率（余额/额度）、近6个月查询次数/授信机构数。
• 时间窗口统计：近3/6/12个月的平均逾期天数、最大逾期金额、还款波动率。
• 交叉特征：年龄×职业、收入×学历、地区×行业风险等级。
• 比率与差值：收入-支出、当前余额-历史最低余额、申请金额/年收入。

4.2 特征选择：去芜存菁

特征选择的目标是剔除冗余、噪声与高相关性变量，提升模型泛化能力与训练效率。信用评分模型中常用的选择方法分为三类：

在评分卡实践中，通常采用“过滤法+包裹法”的两阶段策略：先用IV值筛选出预测力较强的变量，再通过逐步回归或Lasso进行精细化选择。

4.3 WOE编码：证据权重变换

WOE（Weight of Evidence，证据权重）是评分卡模型中最核心的变量编码方式。它将原始变量（连续或离散）映射为与目标变量（好坏客户）的对数 odds 相关的数值。

WOE的计算公式为：

WOE_i = ln( (好客户在分组i中的占比) / (坏客户在分组i中的占比) )
       = ln( (Good_i / Good_total) / (Bad_i / Bad_total) )

WOE编码的核心优势：

• 单调性约束：WOE值通常与坏账率呈单调关系，便于逻辑回归系数解释。
• 缺失值处理：缺失值可单独作为一个分组计算WOE，无需填充。
• 异常值鲁棒：通过分箱将极端值合并，降低噪声影响。
• 线性化：将非线性关系转化为线性关系，提升逻辑回归拟合效果。

4.4 IV值计算：变量预测力评估

IV（Information Value，信息量）是衡量变量对好坏客户区分能力的核心指标。它基于WOE值加权求和得到：

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

IV值的评价标准在业界已形成共识：

4.5 特征工程全流程SVG

下图展示了从原始数据到建模特征的标准流程，包含特征衍生、WOE分箱编码、IV评估与特征选择四个阶段：

4.6 WOE与IV计算示例

以下是一个简化的WOE与IV计算示例，假设某变量“年龄”经过分箱后得到4个分组：

该变量IV值为0.215，属于中等预测力，适合纳入模型。WOE值从低年龄组的负值（坏客户占比高）向高年龄组的正值（好客户占比高）单调递增，符合业务认知。

4.7 WOE编码与IV计算的Python实现

import pandas as pd
import numpy as np

def calc_woe_iv(df, feature, target):
    """
    计算单变量的WOE与IV值
    df: DataFrame，包含特征与目标变量
    feature: 特征列名
    target: 目标列名（0=好客户，1=坏客户）
    """
    total_good = df[target].sum()
    total_bad = len(df) - total_good
    
    grouped = df.groupby(feature)[target].agg(['count', 'sum'])
    grouped.columns = ['total', 'bad']
    grouped['good'] = grouped['total'] - grouped['bad']
    
    grouped['good_pct'] = grouped['good'] / total_good
    grouped['bad_pct'] = grouped['bad'] / total_bad
    
    # 平滑处理：避免除零
    grouped['good_pct'] = grouped['good_pct'].replace(0, 0.0001)
    grouped['bad_pct'] = grouped['bad_pct'].replace(0, 0.0001)
    
    grouped['WOE'] = np.log(grouped['good_pct'] / grouped['bad_pct'])
    grouped['IV'] = (grouped['good_pct'] - grouped['bad_pct']) * grouped['WOE']
    
    iv_total = grouped['IV'].sum()
    return grouped[['total', 'good', 'bad', 'good_pct', 'bad_pct', 'WOE', 'IV']], iv_total

# 使用示例
# df_woe, iv_value = calc_woe_iv(data, 'age_group', 'is_bad')
# print(f"IV = {iv_value:.4f}")