简介：本资源面向金融风控与数据挖掘方向的学习者，提供一套用Python实现申请评分卡模型的完整数据集与配套代码，帮助理解从原始申请数据到信用评分的全流程。压缩包共14个文件，约9.22MB，包含1个application.csv原始数据集、5个Python脚本（覆盖A_Card主流程、测试、GBDT与DNN建模）、7个pkl序列化文件（存放训练/测试数据、WOE字典、分箱字典、编码字典及逻辑回归模型）以及1个LR_classweight权重文件，便于直接复现数据预处理、特征选择、模型训练与评估、打分规则创建等环节。目前已有1696人学习下载，适合希望掌握评分卡原理、练习sklearn建模与分箱编码技巧的初中级数据从业者，也可作为信贷风控项目的参考方案。
1. 申请评分卡模型到底在算什么：从一份逾期名单说起
手里拿到一份三万行的信贷申请记录，字段包括年龄、月收入、负债比、历史逾期次数、近半年查询次数，还有一列label——0 表示正常还款，1 表示逾期超过 90 天。业务方要的不是一份报表，而是一个能在新客户进件时实时吐出 0 到 1000 分的打分函数，分数越高越安全，低于某个阈值直接拒件。这就是申请评分卡模型（Application Scorecard）要解决的事，而python的申请评分卡模型 数据集这个组合，本质是在问：用 Python 把一份带标签的申请数据，训练成一张可解释、可上线、可监控的评分卡，数据集该怎么准备、模型该怎么搭、分数该怎么映射。
它适合三类人：做风控策略但想自己跑通建模全流程的从业者、手里有业务数据想验证评分卡可行性的数据同学、以及被要求「用 Python 出一版评分卡」但不确定从哪下手的工程师。不适合指望调个库就出分的人——评分卡的坑大多不在模型本身，而在数据切分、WOE 分箱和分数校准这三段。
2. 数据集准备：申请评分卡的数据长什么样、怎么切
2.1 申请评分卡数据集的字段结构与标签定义
一份能直接用于申请评分卡的数据集，通常不是单一文件，而是「申请主表 + 行为衍生表」的组合。主表一行一个申请件，包含申请时点可获取的信息：身份属性（年龄、婚姻、学历）、收入负债（月收入、月负债、负债收入比）、申请行为（申请金额、期限、渠道）、征信查询（近 3 个月查询次数、近 6 个月查询次数）。行为衍生表则是从历史还款记录里算出来的，比如近 12 个月最大逾期天数、历史最长逾期期数、当前未结清贷款笔数。
标签列一般叫label或target，取值 0/1，1 代表「坏」。这里有个容易被忽略的点：坏的定义必须和业务口径一致。有的机构把 M1（逾期 1 期）就算坏，有的要 M3+（逾期 90 天以上）才算坏。口径不同，同一份数据训出来的分数分布完全不同。我一般会在数据字典里明确写一行：label=1 定义为观察点后 6 个月内出现 90 天以上逾期。
观察点（observation point）和表现期（performance window）是申请评分卡数据集的两个时间锚点。观察点是你采集申请信息的时点，表现期是观察点之后用来判定好坏的时间长度。常见做法是观察点后 6 到 12 个月。如果表现期太短，很多坏样本还没暴露，标签会偏乐观；太长则数据新鲜度下降，模型上线后衰减快。
提示：如果数据集里没有明确的时间列，先别急着建模。没有申请时间就无法做时间外样本验证，评分卡上线后的稳定性无从谈起。
2.2 用 Python 做时间外切分而不是随机切分
申请评分卡最忌讳随机切分训练集和测试集。随机切分会让同一时期的样本同时出现在训练和测试里，模型「见过」那个时期的客群特征，评估结果虚高。正确做法是按申请时间切：用较早时间段做训练，较晚时间段做验证和测试。
import pandas as pd import numpy as np # 假设 df 已加载，包含 apply_date 列和 label 列 df['apply_date'] = pd.to_datetime(df['apply_date']) # 按时间排序 df = df.sort_values('apply_date').reset_index(drop=True) # 取 70% 时间点作为训练集截止，15% 验证，15% 测试 n = len(df) train_end = int(n * 0.7) valid_end = int(n * 0.85) train = df.iloc[:train_end].copy() valid = df.iloc[train_end:valid_end].copy() test = df.iloc[valid_end:].copy() print(f"训练集 {train.shape}，坏样本率 {train['label'].mean():.4f}") print(f"验证集 {valid.shape}，坏样本率 {valid['label'].mean():.4f}") print(f"测试集 {test.shape}，坏样本率 {test['label'].mean():.4f}")这段代码的逻辑是按申请时间排序后顺序切分，保证训练集的时间早于验证集，验证集早于测试集。参数上，70/15/15 是常见比例，但如果数据量小，可以改成 60/20/20。切完后一定要打印三段的坏样本率，如果测试集坏样本率比训练集高出一倍以上，说明客群随时间发生了明显迁移，模型上线后需要更频繁地监控。
切分之后还要检查一件事：训练集和测试集的特征分布是否一致。常用做法是对每个数值特征做 PSI（Population Stability Index）计算，PSI 大于 0.25 说明分布差异较大，这个特征在时间外样本上可能不稳定。
def calc_psi(base, compare, bins=10): # 基于 base 分箱，统计 compare 的分布偏移 breakpoints = np.percentile(base, np.linspace(0, 100, bins + 1)) breakpoints = np.unique(breakpoints) base_counts = np.histogram(base, bins=breakpoints)[0] / len(base) compare_counts = np.histogram(compare, bins=breakpoints)[0] / len(compare) # 避免除零 base_counts = np.where(base_counts == 0, 1e-6, base_counts) compare_counts = np.where(compare_counts == 0, 1e-6, compare_counts) psi = np.sum((compare_counts - base_counts) * np.log(compare_counts / base_counts)) return psi for col in ['age', 'monthly_income', 'debt_ratio', 'query_3m']: psi_val = calc_psi(train[col].dropna(), test[col].dropna()) print(f"{col} 的 PSI = {psi_val:.4f}")PSI 的计算逻辑是：以训练集的分位点为切分点，分别统计训练集和测试集落在每个区间的比例，再用比例差乘以对数比求和。参数bins=10是经验值，数据量大时可以加到 20。PSI 小于 0.1 说明稳定，0.1 到 0.25 需要关注，大于 0.25 建议在建模时对这个特征做特殊处理，比如只保留粗分箱或直接剔除。
3. 从原始字段到 WOE 分箱：评分卡可解释性的来源
3.1 为什么申请评分卡必须做 WOE 分箱
申请评分卡和普通二分类模型最大的区别是可解释性要求。业务方要能回答「这个客户为什么被拒」，监管也要能审查模型是否使用了歧视性变量。WOE（Weight of Evidence）分箱把连续变量切成若干段，每段用一个 WOE 值替代原始值，WOE 的计算公式是：
WOE = ln(该箱坏样本占比 / 该箱好样本占比)
WOE 越大，说明这个箱里的坏样本比例越高，风险越大。IV（Information Value）则是各箱 WOE 的加权和，用来衡量一个变量的整体区分能力。IV 小于 0.02 基本没用，0.02 到 0.1 弱，0.1 到 0.3 中等，0.3 到 0.5 强，大于 0.5 要警惕过拟合。
分箱的另一个好处是处理缺失值和异常值。月收入缺失可以单独成一箱，月收入 999999 这种异常值也可以归到最高箱，不需要额外做填充。
def calc_woe_iv(df, feature, target, bins=5): # 等频分箱 df = df[[feature, target]].dropna().copy() df['bin'] = pd.qcut(df[feature], q=bins, duplicates='drop') grouped = df.groupby('bin')[target].agg(['count', 'sum']) grouped.columns = ['total', 'bad'] grouped['good'] = grouped['total'] - grouped['bad'] # 防止除零 grouped['bad'] = grouped['bad'].replace(0, 0.5) grouped['good'] = grouped['good'].replace(0, 0.5) grouped['bad_pct'] = grouped['bad'] / grouped['bad'].sum() grouped['good_pct'] = grouped['good'] / grouped['good'].sum() grouped['woe'] = np.log(grouped['bad_pct'] / grouped['good_pct']) grouped['iv'] = (grouped['bad_pct'] - grouped['good_pct']) * grouped['woe'] iv_total = grouped['iv'].sum() return grouped, iv_total for col in ['age', 'monthly_income', 'debt_ratio', 'query_3m', 'history_overdue']: _, iv = calc_woe_iv(train, col, 'label', bins=5) print(f"{col} 的 IV = {iv:.4f}")这段代码用等频分箱把连续变量切成 5 段，然后计算每段的 WOE 和 IV。参数bins=5是起步值，实际项目中会根据 IV 调整，通常 3 到 8 箱比较常见。replace(0, 0.5)是为了避免某个箱里没有坏样本或好样本导致对数无穷大，这是血泪经验——不加这一步，代码会在某些稀疏特征上直接报错。
3.2 分箱单调性检查与手动调整
自动分箱出来的结果不一定单调。比如年龄分箱可能出现「青年风险高、中年风险低、老年风险又高」的 U 型，这种非单调关系在评分卡里很难解释，业务方会质疑「为什么 55 岁比 35 岁风险高」。常见做法是合并相邻箱直到 WOE 单调。
def merge_to_monotonic(grouped): # 按分箱顺序检查 WOE 是否单调，不单调则合并相邻箱 grouped = grouped.reset_index() while True: woe = grouped['woe'].values # 检查是否单调递增或递减 inc = all(woe[i] <= woe[i+1] for i in range(len(woe)-1)) dec = all(woe[i] >= woe[i+1] for i in range(len(woe)-1)) if inc or dec: break # 找到第一个违反单调的位置，合并该箱与下一箱 for i in range(len(woe)-1): if (woe[i] > woe[i+1] and not dec) or (woe[i] < woe[i+1] and not inc): grouped.loc[i, 'total'] += grouped.loc[i+1, 'total'] grouped.loc[i, 'bad'] += grouped.loc[i+1, 'bad'] grouped.loc[i, 'good'] += grouped.loc[i+1, 'good'] grouped = grouped.drop(i+1).reset_index(drop=True) break # 重新计算 WOE grouped['bad_pct'] = grouped['bad'] / grouped['bad'].sum() grouped['good_pct'] = grouped['good'] / grouped['good'].sum() grouped['woe'] = np.log(grouped['bad_pct'] / grouped['good_pct']) return grouped合并逻辑是：只要 WOE 序列不是单调递增也不是单调递减，就找到第一个破坏单调性的相邻对，把它们合并，重新计算 WOE，直到单调为止。这个函数在实际项目里能省掉大量手工调箱的时间。但要注意，合并后箱数可能变得很少，如果少于 3 箱，这个特征的区分度可能已经不够了，需要考虑是否保留。
分箱完成后，把每个特征的 WOE 值映射回原始数据，形成 WOE 矩阵。这个矩阵就是后续逻辑回归的输入。
def apply_woe_mapping(df, feature, grouped): # 根据分箱边界把原始值映射为 WOE df = df.copy() bins = grouped['bin'].cat.categories if hasattr(grouped['bin'], 'cat') else grouped['bin'] # 用 pd.cut 按相同边界切分 df['bin'] = pd.cut(df[feature], bins=bins, duplicates='drop') woe_map = dict(zip(grouped['bin'], grouped['woe'])) df[feature + '_woe'] = df['bin'].map(woe_map).fillna(0) return df映射时要注意：训练集的分箱边界必须保存下来，测试集和线上新样本都用同一套边界。如果每次都用新数据重新分箱，线上分数会漂移。我一般会把分箱边界和 WOE 映射表存成 JSON 或 pickle，和模型文件放在一起。
4. 逻辑回归建模与分数校准：从概率到 0-1000 分
4.1 用 WOE 矩阵训练逻辑回归并检查系数
申请评分卡的主流模型是逻辑回归，不是因为它效果最好，而是因为它可解释、系数方向明确、上线后容易监控。用 WOE 矩阵作为输入，逻辑回归的系数就代表了每个特征对风险的贡献方向。
from sklearn.linear_model import LogisticRegression from sklearn.metrics import roc_auc_score, roc_curve # 假设 woe_cols 是 WOE 特征列名列表 woe_cols = [c for c in train.columns if c.endswith('_woe')] X_train = train[woe_cols].fillna(0) y_train = train['label'] X_test = test[woe_cols].fillna(0) y_test = test['label'] model = LogisticRegression( penalty='l2', C=1.0, class_weight='balanced', max_iter=1000, solver='lbfgs' ) model.fit(X_train, y_train) # 输出系数 coef_df = pd.DataFrame({ 'feature': woe_cols, 'coef': model.coef_[0] }).sort_values('coef') print(coef_df) # 评估 train_pred = model.predict_proba(X_train)[:, 1] test_pred = model.predict_proba(X_test)[:, 1] print(f"训练集 AUC = {roc_auc_score(y_train, train_pred):.4f}") print(f"测试集 AUC = {roc_auc_score(y_test, test_pred):.4f}")参数上，class_weight='balanced'是因为申请评分卡的坏样本率通常很低（5% 到 15%），不加权的话模型会偏向预测好样本。C=1.0是正则化强度的倒数，C 越小正则化越强，如果系数绝对值普遍偏大，可以降到 0.1 试试。max_iter=1000是防止迭代不收敛，WOE 特征之间相关性较高时容易不收敛。
系数检查是评分卡建模的关键一步。所有系数应该为负——WOE 越大代表风险越高，逻辑回归里 WOE 的系数应该为负，这样 WOE 增大时预测为坏的概率也增大。如果某个特征的系数为正，说明它和标签的关系反了，要么是分箱有问题，要么是这个特征在业务上就不该用。
4.2 把概率映射成 0-1000 分的标准做法
逻辑回归输出的是概率，业务方要的是分数。标准做法是用「基点 + 倍数」的线性映射：
score = A - B * ln(odds)
其中 odds = p / (1-p)，p 是坏样本概率。A 和 B 由两个锚点决定：某个基准分数对应某个基准 odds，以及 odds 翻倍时分数下降多少。
import numpy as np # 设定锚点：基准分数 600 对应 odds=1:20（即坏好比 1/20） # 分数每降低 50 分，odds 翻倍 base_score = 600 base_odds = 1 / 20 pdo = 50 # points to double the odds B = pdo / np.log(2) A = base_score + B * np.log(base_odds) def prob_to_score(prob): # prob 是坏样本概率 prob = np.clip(prob, 1e-6, 1 - 1e-6) odds = prob / (1 - prob) score = A - B * np.log(odds) return np.round(score).astype(int) test_scores = prob_to_score(test_pred) print(f"测试集分数范围：{test_scores.min()} - {test_scores.max()}") print(f"测试集分数均值：{test_scores.mean():.1f}")这段代码的逻辑是：先根据锚点算出 A 和 B，再把每个样本的坏概率转成 odds，最后用线性公式得到分数。参数base_score=600、base_odds=1/20、pdo=50是行业常见设定，但不同机构会调整。比如有的机构用 500 分对应 odds=1:50，pdo=40。关键是上线前和业务方确认好这套映射，因为分数阈值直接决定通过率。
分数映射完之后，要做一次分数分布对比：训练集和测试集的分数分布是否接近。如果测试集分数整体偏低，说明新客群风险在上升，可能需要调整通过阈值。
import matplotlib.pyplot as plt plt.figure(figsize=(10, 5)) plt.hist(prob_to_score(train_pred), bins=50, alpha=0.5, label='train', density=True) plt.hist(prob_to_score(test_pred), bins=50, alpha=0.5, label='test', density=True) plt.xlabel('score') plt.ylabel('density') plt.legend() plt.title('Score Distribution: Train vs Test') plt.show()如果两条分布曲线错位明显，先别急着上线，回头检查测试集的时间段是不是客群发生了结构性变化，或者某个特征在测试集上出现了训练集没见过的取值。
5. 避坑与排查：申请评分卡建模中最容易翻车的 5 个地方
5.1 现象：AUC 很高但上线后坏账率没降
原因：随机切分导致数据泄漏。同一时期的样本同时出现在训练和测试里，模型记住了那个时期的客群特征，时间外样本上表现大幅下降。
解决：强制按时间切分，并且用 PSI 检查每个特征在训练集和测试集上的分布差异。PSI 大于 0.25 的特征要么剔除，要么只保留粗分箱。
5.2 现象：某个特征的逻辑回归系数为正
原因：WOE 分箱时把好坏样本比例算反了，或者这个特征本身和标签的关系就是正的（比如「历史逾期次数」越多风险越高，但 WOE 计算时坏样本占比反而下降）。
解决：先检查 WOE 计算公式，确认分子是坏样本占比、分母是好样本占比。如果公式没错，检查这个特征的分箱是否合理，必要时手动调整分箱边界。如果调整后系数仍为正，考虑剔除该特征。
5.3 现象：模型在测试集上 AUC 0.75，但分数分布和训练集错位严重
原因：训练集和测试集的坏样本率差异大，或者某个关键特征在测试集上缺失率高。
解决：先对比两段的坏样本率，如果差异超过 50%，说明客群迁移明显，需要重新审视观察点和表现期的设定。然后检查每个特征在两段的缺失率，缺失率差异大的特征要做特殊处理。
5.4 现象：分箱后某些箱的样本量极少
原因：等频分箱在数据分布不均匀时会切出样本量差异很大的箱，极端情况下某个箱只有几十个样本。
解决：分箱后检查每箱样本量，少于总样本 5% 的箱要和相邻箱合并。合并后重新计算 WOE 和 IV。如果合并后箱数少于 3，考虑这个特征是否值得保留。
5.5 现象：上线后分数整体漂移，通过率异常波动
原因：线上新样本的 WOE 映射和训练时不一致，或者某个特征的取值超出了训练集的分箱边界。
解决：把训练时的分箱边界和 WOE 映射表固化下来，线上用同一套映射。对于超出边界的取值，归到最近的箱，不要重新分箱。同时建立分数监控，每天统计分数分布和通过率，发现漂移及时排查。
6. 进阶技巧：用评分卡做通过率模拟与阈值选择
模型训完、分数映射完，最后一步是选阈值。阈值不是拍脑袋定的，要用通过率模拟来选。做法是：把测试集按分数从高到低排序，设定不同的分数阈值，计算每个阈值下的通过率和通过样本的坏账率，画出一条权衡曲线。
def simulate_threshold(scores, labels, thresholds): results = [] for t in thresholds: approved = scores >= t approval_rate = approved.mean() if approved.sum() == 0: bad_rate = 0 else: bad_rate = labels[approved].mean() results.append({ 'threshold': t, 'approval_rate': approval_rate, 'bad_rate': bad_rate, 'approved_bad_count': labels[approved].sum() }) return pd.DataFrame(results) thresholds = np.arange(400, 800, 20) sim_df = simulate_threshold(test_scores, y_test.values, thresholds) print(sim_df)这段代码的逻辑是：对每个候选阈值，计算通过率（分数大于等于阈值的样本占比）和通过样本的坏账率。业务方通常会给一个目标坏账率，比如「通过样本的坏账率控制在 3% 以内」，然后从模拟结果里找到满足条件的最高阈值，这样通过率最大。
参数上，thresholds的范围要根据实际分数分布调整。如果测试集分数集中在 500 到 700，就从 500 扫到 700，步长 10 或 20。步长太粗会漏掉最优阈值，太细则计算量大但收益有限。
除了通过率模拟，还有一个进阶做法是分段授信。不同分数段给不同额度，分数高的给高额度，分数低的给低额度。这需要把额度也纳入模拟，计算每个分数段的预期损失。预期损失 = 通过率 × 坏账率 × 平均损失金额。这个计算需要业务方提供平均损失金额的估计，通常用历史坏账的平均未还本金来近似。
我自己的习惯是：每次做完评分卡，都会把分箱边界、WOE 映射表、模型系数、分数映射参数、阈值模拟结果这五样东西打包成一个版本目录，目录名带上日期和 AUC。上线后每周跑一次分数分布监控，每月跑一次 PSI 和 AUC 回溯。这套流程跑顺了，评分卡就不是一次性的建模项目，而是一个可以持续迭代的风控组件。希望帮到你。
本文还有配套的精品资源，点击获取
