评分卡模型实战：从逻辑回归到信用分数映射全流程解析

简介：以逻辑回归为核心的评分卡模型构建项目，面向希望在机器学习与风控建模方向入门或进阶的学习者。项目完整覆盖特征工程、WOE编码、IV值计算与特征筛选、特征WOE化、评分卡建模等关键环节，输入筛选后特征的属性值即可自动得出评分，适合作为毕设、课程设计、工程实训或初期项目立项。压缩包共6个文件，包括3个csv原始数据、1个xls数据字典、1个py模型脚本及1个md说明文档，整体约5.07MB，结构清晰便于直接运行与逐步调试。已有152人学习下载。通过该项目可掌握评分卡从数据预处理到分数输出的完整流程，理解WOE/IV在风控特征筛选中的应用，并基于Python独立搭建可扩展的评分卡框架。

1. 评分卡不是黑匣子：逻辑回归撑起信贷审批的底气

信贷审批里真正跑量的模型，不是深度学习，而是基于逻辑回归的评分卡模型。逻辑回归输出的是违约概率，可业务要的是一个整数分：多少分通过、多少分拒绝、多少分转人工。这中间隔着一道分数刻度转换，而这一步恰好是很多教程讲完回归就停笔的地方。评分卡模型的完整链路是：特征分箱、WOE编码、IV筛选、逻辑回归训练，最后把系数映射成信用分数。它能解决“这个人该不该批、批多少额度”的问题，也能解释每个特征扣了多少分。适合风控数据分析师、信贷策略岗，以及想转数据挖掘的 Python 工程师。

2. 数据清洗与特征分箱：先把连续变量切成业务能解释的段

2.1 为什么要先分箱再建模

逻辑回归的假设是 logit(p) 与特征线性相关，但年龄、收入、负债比这些原始变量和违约概率的关系从来不是一条直线。征信报告上的“近 6 个月查询次数”，前 5 次和违约率几乎没关系，冲到 15 次以后风险才陡增。这种阶梯状关系，直接把连续数值喂给模型，系数会被中间大段“平缓区”稀释，等于让模型用一把不准的尺子量风险。

分箱就是把特征切成几段，每段独立计算风险浓度，让非线性关系变成一个个台阶。这么做有三个实际好处：缺失值可以单独成箱，不用做均值插补；异常值被锁在箱内，不会单点拉偏系数；上线之后每一档分数都对应一段业务上看得懂的解释，比如“近 3 个月查询次数 10 次以上，扣 30 分”。这三条加起来，就是评分卡和普通黑匣子模型最本质的差别。

2.2 三种分箱方式的选型

等频分箱用pd.qcut按分位数切，保证每箱样本量接近，适合偏态分布的变量，比如收入、授信额度；等距分箱按数值区间等宽切，适合年龄这种跨度小、分布均匀的变量。但等频不关心业务边界，可能把“逾期 30 天”和“逾期 90 天”的客户切进同一箱；等距则容易在长尾处产生空箱，比如收入 200 万以上的箱子里只有两三个人。

更可靠的是卡方分箱或决策树分箱。它们以目标变量为监督，自动找坏样本分布差异最大的切点。常见做法是先用等频切 20 个粗箱，再按卡方值合并相邻箱，直到箱数降到 5 到 8 个。卡方值小表示两个箱的坏样本结构接近，最没必要分开，优先合并；卡方值大的相邻箱说明好坏分布差异显著，必须保留边界。

2.3 用 Python 做等频分箱与卡方合并

import pandas as pd import numpy as np def freq_binning(df, col, target, bins=10): """等频分箱，返回每个箱的好坏样本统计。""" tmp = df[[col, target]].copy() # qcut 按分位数切箱；duplicates='drop' 处理重复切点 tmp['bin'] = pd.qcut(tmp[col], q=bins, duplicates='drop') grouped = tmp.groupby('bin', as_index=False)[target].agg( total='count', bad='sum' ) grouped['good'] = grouped['total'] - grouped['bad'] return grouped def chi2_merge(df, col, target, max_bins=6): """先切 20 个粗箱，再按相邻箱卡方值最小优先合并。""" work = df[[col, target]].copy() work['bin'] = pd.qcut(work[col], q=20, duplicates='drop') while work['bin'].nunique() > max_bins: grouped = work.groupby('bin', as_index=False)[target].agg( total='count', bad='sum' ) grouped['good'] = grouped['total'] - grouped['bad'] min_chi2 = None merge_idx = None for i in range(len(grouped) - 1): tbl = grouped.iloc[[i, i + 1]][['bad', 'good']].to_numpy() row_sum = tbl.sum(axis=1, keepdims=True) col_sum = tbl.sum(axis=0, keepdims=True) exp = row_sum @ col_sum / tbl.sum() # 期望频数矩阵 chi2 = ((tbl - exp) ** 2 / exp).sum() # 卡方值 if min_chi2 is None or chi2 < min_chi2: min_chi2, merge_idx = chi2, i labels = list(work['bin'].cat.categories) work.loc[work['bin'] == labels[merge_idx + 1], 'bin'] = labels[merge_idx] work['bin'] = work['bin'].cat.remove_unused_categories() return work['bin']

这段代码里最关键的是卡方值的计算：row_sum @ col_sum / tbl.sum()得到的是期望频数矩阵，再用(实际 - 期望)^2 / 期望累加出卡方值。每一轮循环只合并卡方值最小的一对相邻箱，然后重算边界，直到箱数降到max_bins。remove_unused_categories()在合并后把已经不存在的空类别清掉，避免后面groupby出现空箱。

等频分箱的bins=10是一个起点，样本量低于 1 万时建议降到 8，否则某些箱可能只有几十个样本。卡方合并的max_bins=6是评分卡里比较常用的收尾目标，箱数太少会损失区分度，太多又会让 WOE 来回振荡，6 到 8 通常比较平衡。

2.4 分箱的三个硬性要求

第一，每个箱的好样本和坏样本都别少于 5 个。样本太少的箱，WOE 会被一个极端客户带飞，后面 IV 值也会虚高。第二，分箱后 WOE 尽量单调或保持单一低谷，如果出现“先升后降再升”这种反复横跳，说明箱切得太细，需要继续合并。第三，缺失值要么单独成箱，要么并回占比最大的箱，不要用均值填充。填充等于告诉模型“缺失值和其他值一样”，这在信贷数据里通常是错的，缺失本身往往就带信息。

提示：分箱切点只能在训练集上确定，测试集和未来的上线样本必须沿用同一套切点。否则相当于把验证集的信息提前泄漏给了模型，后面评估出来的 AUC 全是虚的。这一点在 5.2 里会展开讲。

3. WOE编码与IV筛选：把好客户和坏客户“换算”成信息量

3.1 WOE公式与业务直觉

WOE 全称 Weight of Evidence，证据权重。第 i 个箱的计算公式是：

WOE_i = ln( bad_i / B_total / ( good_i / G_total ) )

其中 bad_i 是第 i 箱的坏样本数，B_total 是全量坏样本数，good_i 和 G_total 同理。这个式子算的是“该箱坏客户浓度相对整体浓度的高低”。WOE 大于 0，说明这个箱里坏客户比整体更浓，分数该扣；WOE 小于 0，说明这个箱相对安全。

用 WOE 替换原始值之后，特征和 logit(p) 之间近似线性，这正是逻辑回归需要的输入。注意方向：我习惯用 bad/good，另一套教程用 good/bad，两种定义都能跑通，但必须全程保持一致。最怕中间混用，最后逻辑回归系数正负全反，分数越高风险越高，这种翻车不仔细查根本发现不了。

3.2 IV筛选：到底留哪些特征

IV 的计算公式是 IV = Σ( bad_i/B_total - good_i/G_total ) × WOE_i，它把每个箱的好坏占比差和 WOE 乘起来累加，度量这个特征区分好坏客户的总信息量。从业者通行阈值大概是：IV 小于 0.02 基本没有区分力，直接删；0.02 到 0.1 信息量弱，可以留也可以结合业务定；0.1 到 0.3 区分力较好，是评分卡的主力特征；0.3 到 0.5 很强；超过 0.5 要警惕，常见做法是怀疑这个特征和目标已经有泄漏，或者未来客群高度不稳定。

提示：IV 只衡量单变量区分度，不代表进模后一定好。两个 IV 都是 0.4 的特征可能高度相关，一起进模型不仅不增加信息量，还会让系数互相打架。

3.3 计算 WOE 与 IV 的 Python 实现

import numpy as np import pandas as pd def woe_iv_by_col(df, col, target): """对单个特征计算 WOE 和 IV，返回 (woe_dict, iv)。""" grouped = df.groupby(col, observed=False)[target].agg( total='count', bad='sum' ) grouped['good'] = grouped['total'] - grouped['bad'] B_total = grouped['bad'].sum() G_total = grouped['good'].sum() if B_total == 0 or G_total == 0: return None, 0 bad_dist = grouped['bad'] / B_total good_dist = grouped['good'] / G_total # 加极小值避免 ln(0)，坏样本占比为 0 的箱也能平滑计算 eps = 1e-6 woe = np.log((bad_dist + eps) / (good_dist + eps)) iv = ((bad_dist - good_dist) * woe).sum() return woe.to_dict(), iv

这个函数里eps是核心细节。分箱后某些箱可能一个坏样本都没有，占比为 0，直接取对数就是负无穷，整个 IV 计算会崩。加1e-6属于常见的平滑手段，它只会影响极端箱的数值，不会改变正常箱的排序方向。

feature_cols = ['age_bin', 'income_bin', 'query_cnt_bin'] # 分箱后的列 selected_features = {} for col in feature_cols: woe_map, iv = woe_iv_by_col(df, col, 'target') if woe_map is not None and 0.02 < iv < 0.5: selected_features[col] = {'woe': woe_map, 'iv': iv} print(f"筛选后保留 {len(selected_features)} 个特征") for col, info in sorted(selected_features.items(), key=lambda x: x[1]['iv'], reverse=True): print(f"{col}: IV = {info['iv']:.4f}")

筛选条件0.02 < iv < 0.5是经验区间，业务需要更多特征时可以放宽下界到 0.01，但上界不建议放。IV 超过 0.5 的特征经常在训练集表现惊艳，上线后客群一变就崩盘，属于典型的“看历史分高分、看未来没底”。筛选完把每个特征的woe_map存成字典，下一步逻辑回归训练和分数映射都要用它。

4. 逻辑回归训练与分数刻度：从概率到整数分的完整链路

4.1 样本划分与样本不均衡

信贷数据里坏样本占比通常只有 5% 到 10%，直接训练逻辑回归，模型会把所有人都倾向判成好客户。常见的处理有三种：过采样、欠采样、设置class_weight='balanced'。评分卡场景我一般只用class_weight='balanced'，因为逻辑回归输出的概率后续还要刻度化成分数，保持原始客群分布比强行平衡更重要。过采样会把好客户重复复制，导致概率失去原来的基数意义。

划分时用train_test_split配合stratify=y做分层抽样，保证训练集和测试集坏样本比例一致。更严格的评分卡流程应该按时间切：前半段的样本训练、后半段做时间外验证，这能检验客群漂移，比随机切分可靠太多。

4.2 逻辑回归的三个关键参数与调参

from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split, GridSearchCV, StratifiedKFold X = woe_df[selected_features.keys()] # WOE 编码后的特征矩阵 y = df['target'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, stratify=y, random_state=42 ) param_grid = { 'C': [0.01, 0.1, 1, 10], 'penalty': ['l2'] } lr = LogisticRegression( class_weight='balanced', solver='liblinear', max_iter=500, random_state=42 ) cv = StratifiedKFold(n_splits=5, shuffle=True, random_state=42) grid = GridSearchCV(lr, param_grid, scoring='roc_auc', cv=cv) grid.fit(X_train, y_train) best_lr = grid.best_estimator_ print(f"最优 C: {grid.best_params_['C']}, 训练集 CV AUC: {grid.best_score_:.4f}")

scoring='roc_auc'的选择是有意的。评分卡上线决策主要看排序能力，也就是好客户分数是否普遍高于坏客户，而不是概率值是否精确。AUC 直接度量这种排序能力。另外一个可选的评分是neg_log_loss，也就是逻辑回归损失函数的负对数似然，它反映概率校准质量，但信贷场景里概率绝对值对阈值的影响远不如排序重要，所以默认先看 AUC。

penalty只放l2也是故意为之。l1 正则化在特征多时会强制很多系数归零，看起来模型更简洁，但评分卡业务方会追问“为什么高收入客户系数是 0”，解释成本很高，l2 让所有特征都保留平滑的小系数，反而更贴合业务叙事。

4.3 从系数到分数：刻度公式与映射代码

这一步是评分卡区别于普通逻辑回归的核心。定义 odds = p / (1 - p)，分数公式为：

Score = offset - factor × ln(odds)

而 ln(odds) = β0 + Σ βi × WOE_i，所以分数可以拆成基础分加上每个特征每个箱的贡献。需要先设定两个业务参数：基准 odds 为 1:10（违约比正常等于 1 比 10）时，基准分 P0 = 600；odds 每翻一倍，分数扣 20 分，也就是 PD = 20。

由此算出 factor = PD / ln2 = 20 / 0.693 = 28.85，offset = P0 + factor × ln(0.1) = 600 + 28.85 × (-2.303) = 533.6。这里容易算反：因为公式里 ln(odds) 是负数，offset 反而比基准分小，不要看到 533 小于 600 就以为错了，代回基准 odds 验证一遍：533.6 - 28.85 × ln(0.1) = 600，正好对上。

def build_scorecard(model, woe_dict, factor=28.85, offset=533.6): """把逻辑回归系数映射成每个特征每个箱的分数。""" coef = model.coef_[0] intercept = model.intercept_[0] # 基础分：不含任何特征贡献时的起始分数 base_score = offset - factor * intercept score_map = {} for i, col in enumerate(woe_dict): col_scores = {} for bin_label, woe_val in woe_dict[col].items(): # 负号是因为风险越高分越低 col_scores[bin_label] = round(-factor * coef[i] * woe_val, 2) score_map[col] = col_scores return round(base_score, 2), score_map base_score, score_map = build_scorecard(best_lr, selected_features)

代码里的-factor * coef[i] * woe_val是整个评分卡的灵魂。woe_val 越大代表该箱坏客户浓度越高，如果系数为正说明模型确实认为这个方向有风险，乘积为负就是扣分；如果某个特征算出高 WOE 反而加分，说明系数符号出了问题，大概率是特征共线性或 WOE 方向混用，要回到第 5 章的排查思路。

最终单笔客户总分 = base_score + 每个特征对应箱的分数累加。实际项目里还会对总分做四舍五入到整数，再落到一个 300 到 900 的可解释区间。比如基础分 500，某客户年龄箱 +10，收入箱 +40，查询次数扣 30，总分 520。业务看这种分表达比看一个 0.83 的概率直观得多。

5. 评分卡常见的 5 个坑：从WOE振荡到系数符号反转

5.1 WOE 反复横跳，单调性救不回来

现象：分箱 10 档之后，WOE 从 -0.3 升到 0.2，又掉回 -0.1，再冲到 0.4，完全没有单调趋势。

原因：最常见的是箱切得太细，某个中间箱只有几十个样本，一个坏客户的进出就让 WOE 剧烈波动；另一种可能是这个特征本身对违约率就是 U 型关系，比如信用卡使用率，太高和太低都危险。

解决：先用卡方合并把箱数压到 5 到 7 箱，再要求每箱好坏样本至少 5 个。U 型关系本身不必须强修成单调，只要方向业务上讲得通，保留合理的双峰也可以。真正要修的是那种反复乱跳、业务说不出理由的振荡。

5.2 训练集 AUC 0.85、验证集 AUC 0.62

现象：训练集效果漂亮，一到验证集就崩，AUC 掉 0.2 以上。

原因：先查分箱是不是在全部样本上做的。如果在全量数据上确定了切点，再随机分训练测试集，切点已经带了验证集信息，这就是典型的数据泄漏。另外一个原因是特征太多，模型把训练集的噪音也记下来了。

解决：分箱切点只在训练集上计算并冻结，测试集直接复用pd.cut的bins=切点列表。同时降低 C 值加强正则化，把分箱数控制到 8 以内，筛选特征时删掉高相关的冗余变量。做完这一步，测试集 AUC 通常能拉回 0.7 以上。

5.3 系数符号和业务常识相反

现象：收入这个特征，理论上是收入越高风险越低，但逻辑回归里系数为正，打分时高收入客户反而被扣分。

原因：最常见是特征间多重共线性。收入、职业等级、学历三个特征高度相关，三个正负系数互相拉扯，整体预测能力没问题，但单看符号完全解释不通。另一个可能是前面 WOE 方向混用，某一个特征在编码时用了 good/bad，其他特征用 bad/good。

解决：先统一检查所有特征的 WOE 定义方向和系数符号是否一致。再用 VIF 检查共线性，VIF 大于 10 的特征逐个剔除，保留业务解释最顺的那个。评分卡宁可损失一点单变量区分度，也要让每个系数的符号业务上说得通。

5.4 上线一个月，分数分布整体漂移

现象：上线后第一个月分数均值还稳定，第二个月开始掉，第三个月坏账率明显抬升，模型打分越来越不可信。

原因：客群结构变了，或者说宏观环境变了。模型开发时用的是存量客群，上线后进件渠道变了、市场利率变了，新客群特征分布和开发样本对不上。

解决：上线前就部署 PSI 监控，月度计算分数和每个特征的 PSI。PSI 小于 0.1 视为稳定，0.1 到 0.25 需要关注，超过 0.25 要触发重训。这个机制不是可选项，是所有评分卡上线后的必选项。

5.5 cutoff 拍脑袋，审批通过率和预期不符

现象：定了 660 分以上通过，结果通过率只有 12%，业务预期是 30%，审批量完全跟不上业绩目标。

原因：cutoff 是拍脑袋定的，没有把分数映射到累计通过率和坏账率。模型分数分布如果整体偏高，660 分以上本来就只有少数客户。

解决：用开发样本把分数从低到高分段，计算每段的累计通过率和累计坏账率，再结合单笔亏损和单笔盈利找到盈亏平衡点，用这个平衡点定 cutoff。比如分数 580 对应累计通过率 30%、坏账率 4%，如果 4% 的坏账率在盈亏平衡线内，580 才是实际业务上该用的阈值。

6. 上线前只做三件事：OOT验证、cutoff设定与PSI监控

逻辑回归训练完不等于评分卡做完，上线前我固定只做三件事。第一件是 OOT 验证，时间外验证。不用随机切分，而是按时间顺序把前半段样本做训练，后半段样本做验证，比如 2023 年 1 月到 10 月训练、11 月到 12 月验证。随机切分等于拿同一条街的左右邻居互相验证，检验不出客群漂移；OOT 直接用未来客群验当前模型，训练集 AUC、测试集 AUC 和 OOT AUC 三者放到一起比较，OOT 若掉得特别多，说明模型对时间轴上的变化很敏感。

第二件事是 cutoff 设定。把分数从低到高等距切成 20 档，计算每档的累计通过率、累计坏账率，再代入单笔审批成本和单笔违约损失，画出利润曲线。利润最高点的分数就是 cutoff，而不是拍一个 660。实际项目里这个 cutoff 经常会落在 560 到 620 之间，和大多数人的直觉相差很大。

第三件事是 PSI 监控部署。用基准时的分数分箱作为锚点，上线后每月计算当期分数的 PSI：

def psi_calc(actual, expected, bins=10): """actual: 本期分数序列, expected: 基准期分数序列""" breaks = np.percentile(expected, np.linspace(0, 100, bins + 1)) breaks[0], breaks[-1] = -np.inf, np.inf exp_pct = np.histogram(expected, bins=breaks)[0] / len(expected) act_pct = np.histogram(actual, bins=breaks)[0] / len(actual) # 占比为 0 时平滑，避免除零 exp_pct = np.where(exp_pct == 0, 1e-6, exp_pct) act_pct = np.where(act_pct == 0, 1e-6, act_pct) psi = ((act_pct - exp_pct) * np.log(act_pct / exp_pct)).sum() return psi

PSI 超过 0.25 就说明客群结构已经明显漂移，分数分布在向低分区域迁移，这时候再靠模型做自动审批就很危险了。我早年上线第一张评分卡时只盯 AUC，上线两个月后分数分布整体下移，坏账率抬升了快一倍，那之后才把 OOT 和 PSI 当成硬性流程。评分卡的核心不是模型有多高级，而是每一步都经得起回看。希望帮到你。

本文还有配套的精品资源，点击获取