本文介绍了使用 Python 的 scorecardpy 库构建信用评分卡的五个核心步骤。首先进行环境配置并加载德国信用数据集，接着利用 var_filter 函数进行智能变量筛选。随后采用 WOE 分箱技术处理连续变量，并结合业务逻辑调整分箱边界。之后划分训练集与测试集，将数据转换为 WOE 值并使用逻辑回归模型进行训练。最后生成评分卡并进行性能评估及稳定性监控（PSI）。该流程涵盖了从数据预处理到模型部署的全链路，强调数据质量、业务理解与流程标准化的重要性，帮助开发者高效构建专业级风控模型。
在金融科技领域，信用评分卡作为风险评估的核心工具，正经历着从传统手工建模到自动化智能建模的转变。面对复杂的业务场景和严格的风控要求，如何快速构建专业可靠的信用评分模型成为关键技能。
本文介绍使用 scorecardpy 库构建信用评分卡的完整流程，通过 5 个核心步骤打造专业级风控模型。
传统信用评分卡开发流程繁琐复杂，涉及数据预处理、变量筛选、WOE 分箱、模型训练等多个环节。scorecardpy 库将这些复杂流程封装为简单易用的函数接口，提供从数据准备到模型部署的全流程解决方案，包括数据分区、变量选择、证据权重分箱、评分卡生成和性能评估等核心功能。
安装 scorecardpy：
pip install scorecardpy
加载内置的德国信用数据集作为示例数据：
import scorecardpy as sc
# 加载示例数据集
credit_data = sc.germancredit()
print(f"数据集维度：{credit_data.shape}")
print(f"目标变量分布：\n{credit_data['creditability'].value_counts()}")
在信用评分模型中，特征变量的质量直接影响模型的预测能力。scorecardpy 的 var_filter 函数基于多重标准进行智能筛选：
# 执行变量筛选
filtered_data = sc.var_filter(credit_data, y="creditability")
print(f"筛选后保留变量数量：{len(filtered_data.columns)}")
证据权重分箱是评分卡开发的核心技术，它将连续变量转换为具有业务意义的离散分组。scorecardpy 提供了灵活的分箱方案：
# 自动 WOE 分箱
woe_bins = sc.woebin(filtered_data, y="creditability")
# 可视化分箱效果
# sc.woebin_plot(woe_bins)
在实际业务中，自动分箱结果往往需要结合领域知识进行调整：
# 业务驱动的分箱调整
adjusted_bins = {
'年龄分组': [25, 35, 45, 55],
'收入水平': ["低收入", "中等收入", "高收入"]
}
custom_bins = sc.woebin(filtered_data, y="creditability", breaks_list=adjusted_bins)
# 划分训练集和测试集
train_set, test_set = sc.split_df(filtered_data, 'creditability').values()
# 将原始数据转换为 WOE 值
train_woe = sc.woebin_ply(train_set, custom_bins)
test_woe = sc.woebin_ply(test_set, custom_bins)
from sklearn.linear_model import LogisticRegression
# 准备特征和目标变量
X_train = train_woe.drop('creditability', axis=1)
y_train = train_woe['creditability']
# 训练逻辑回归模型
model = LogisticRegression(penalty='l1', C=0.9, solver='saga')
model.fit(X_train, y_train)
# 创建评分卡
scorecard = sc.scorecard(custom_bins, model, X_train.columns)
# 计算信用评分
train_scores = sc.scorecard_ply(train_set, scorecard)
test_scores = sc.scorecard_ply(test_set, scorecard)
# 训练集性能
train_performance = sc.perf_eva(y_train, model.predict_proba(X_train)[:,1], title="训练集评估")
# 测试集性能
test_performance = sc.perf_eva(test_woe['creditability'], model.predict_proba(test_woe.drop('creditability', axis=1))[:,1], title="测试集评估")
# 模型稳定性评估
stability_analysis = sc.perf_psi(
score={'训练集': train_scores, '测试集': test_scores},
label={'训练集': y_train, '测试集': test_woe['creditability']}
)
在实际应用中，分箱不仅要考虑统计显著性，更要注重业务可解释性。合理的分箱应该：
评分卡的分数范围通常设定在 300-850 分之间，每个变量的得分应该：
通过上述 5 步构建法，掌握了使用 scorecardpy 开发信用评分卡的核心技能。成功构建专业级评分卡的关键在于：
scorecardpy 库将复杂的统计建模过程简化为直观的函数调用，让开发者能够专注于业务逻辑和模型优化。
微信公众号「极客日志」，在微信中扫描左侧二维码关注。展示文案：极客日志 zeeklog
使用加密算法（如AES、TripleDES、Rabbit或RC4）加密和解密文本明文。 在线工具，加密/解密文本在线工具，online
生成新的随机RSA私钥和公钥pem证书。 在线工具，RSA密钥对生成器在线工具，online
基于 Mermaid.js 实时预览流程图、时序图等图表，支持源码编辑与即时渲染。 在线工具，Mermaid 预览与可视化编辑在线工具，online
解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具，curl 转代码在线工具，online
将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具，Base64 字符串编码/解码在线工具，online
将字符串、文件或图像转换为其 Base64 表示形式。 在线工具，Base64 文件转换器在线工具，online