1. 风控数据质量概述：缺失值的定义、危害与模型影响

1.1 缺失值的定义与分类

在风控数据集中，缺失值是指数据记录中某个或某些字段的值为空、不存在或不可用。缺失值并非简单的“0”或“空字符串”，而是代表信息缺失的状态。根据缺失机制，统计学家 Rubin 将其分为三类：

1.2 缺失值在风控场景中的危害

缺失值在风控全链路中会引发连锁反应，具体危害体现在以下四个层面：

1. 特征工程失效：多数统计量（均值、方差）和分箱算法无法处理空值，导致特征无法参与建模。
2. 模型训练偏差：缺失机制若与目标变量（如逾期标签）相关，模型会学到错误的关联模式，降低泛化能力。
3. 评分卡失真：逻辑回归或决策树在缺失值传递过程中，可能出现权重偏移或分裂点异常。
4. 线上决策风险：实时风控中，缺失值若未妥善处理，可能导致拒绝规则误触发或信用评分骤降。

1.3 数据质量对模型性能的影响

数据质量是风控模型的基石。缺失率、异常率、一致性等维度直接影响模型性能指标。下表展示了缺失率与模型 AUC 之间的典型关系：

除了 AUC，缺失值还会导致以下模型性能问题：

• KS 统计量波动：缺失值分布不均匀时，模型区分好坏客户的能力会显著下降。
• PSI 稳定性恶化：线上与线下缺失模式不一致，导致群体稳定性指标（PSI）超标。
• 可解释性降低：SHAP 或 LIME 解释中，缺失值会被错误归因，误导业务决策。

1.4 缺失值处理全景图

下图展示了风控数据缺失值从识别到处理的完整链路，以及各环节对模型性能的影响路径：

1.5 缺失值处理的 Python 快速诊断

在进入实战之前，我们使用 Python 对风控数据集进行缺失值快速诊断。以下代码展示了缺失率计算与可视化：

import pandas as pd
import numpy as np

# 模拟风控数据集
df = pd.DataFrame({
    '客户ID': range(1, 101),
    '年龄': np.random.randint(22, 60, 100).astype(float),
    '月收入': np.random.normal(15000, 5000, 100).astype(float),
    '征信查询次数': np.random.randint(0, 20, 100).astype(float),
    '逾期天数': np.random.choice([0, 1, 5, 15, 30, np.nan], 100)
})

# 随机引入缺失值
df.loc[::10, '月收入'] = np.nan
df.loc[::15, '征信查询次数'] = np.nan

# 计算缺失率
missing_rate = df.isnull().mean() * 100
print("各字段缺失率（%）：")
print(missing_rate[missing_rate > 0].round(2))

# 输出缺失矩阵摘要
print("\n缺失值统计：")
print(df.isnull().sum())

输出示例：

各字段缺失率（%）：
月收入          10.0
征信查询次数     6.67
逾期天数         5.0
dtype: float64

缺失值统计：
客户ID           0
年龄             0
月收入           10
征信查询次数      7
逾期天数          5
dtype: int64