sas信用評(píng)分之手動(dòng)對(duì)數(shù)值變量分組

上周內(nèi)容已經(jīng)有了預(yù)告，就是除了我之前發(fā)表的最優(yōu)分段，我自認(rèn)為比較實(shí)際的分段方法這個(gè)方法我是借鑒了別人的經(jīng)驗(yàn)已經(jīng)根據(jù)自己的業(yè)務(wù)經(jīng)驗(yàn)做的手工分組，相對(duì)于之前的最優(yōu)分組來說，就是因?yàn)槭侵饔^去手動(dòng)去分組，所以可能分的組別可能更貼近業(yè)務(wù)，對(duì)于模型后續(xù)的穩(wěn)定性或者跨期驗(yàn)證效果會(huì)好一些，但是我這不是打臉，就是最優(yōu)分段就是沒用的哈。最優(yōu)分段在什么下可以使用呢，譬如戶籍地這種情況很多的變量，你對(duì)于分組沒有絲毫的頭緒，那么可以就扔進(jìn)最優(yōu)分組去自動(dòng)分組。但是這里切記一點(diǎn)，當(dāng)數(shù)據(jù)較少的時(shí)候，什么叫數(shù)據(jù)較少，就是少于20000的時(shí)候。切記設(shè)置最少的一組至少都要100個(gè)人，不然就過擬合啦。這樣子的分組，會(huì)讓模型不穩(wěn)定。
    那么進(jìn)入正題。之前已經(jīng)貼過等量分組的代碼。也有人在留言區(qū)說proc rank的過程也可以分組。等量等寬分組的方法很多，我也是按照我的經(jīng)驗(yàn)去寫。但是因?yàn)槲抑懊恐芏紩?huì)貼代碼，要是這周沒貼，會(huì)不會(huì)有些人，你這么說，又沒給代碼我還得自己寫代碼，那這篇文章豈不是白寫了嗎。好吧，介于我這篇文章能有用，我還是貼代碼。貼的是數(shù)值的等距分組，因?yàn)樯现艿哪瞧恼碌拇a（頓時(shí)有種自己在寫R包的感覺。不要罵我臭不要臉）：
options compress=yes;

%macro data_split(schema,table_name,N,Y,column);

proc sql;

create table &schema..&table_name._rank(

table_name   varchar(100)

,col_name  varchar(50)

,rank_name numeric

,low                           numeric

,up numeric

,cnt  numeric

,rate   numeric

,n1   numeric

,bad_rate    numeric

,woe   numeric

,iv  numeric

,split_type  numeric

);

quit;

proc sql;/*獲得總記錄數(shù)、總壞客戶數(shù)、總好客戶數(shù)*/

select count(*),SUM(&Y),count(*)-SUM(&Y) into :record_cnt,

:bad_cnt,

:good_cnt

from   &schema..&table_name;

quit;


/*2-----不指定分箱的變量,取所有連續(xù)變量*/


%if &column = %str() %then

%do;

proc contents /*獲取輸入數(shù)據(jù)集的所有變量信息*/

data=&schema..&table_name

out=work.&table_name._CONT

noprint;

run;


data work.&table_name._CONT;

set work.&table_name._CONT;

where  NAME<>"&Y." AND NAME<>"APPL_ID";

run;/*不包含Y值*/


data _null_;/*獲取輸入數(shù)據(jù)集中的變量個(gè)數(shù)，并定義宏變量*/

call symput('NUMOBS',put(NUMOBS, 12.));

stop;

set work.&table_name._CONT nobs=NUMOBS ;

run;

%do I=1 %TO &NUMOBS.;/*循環(huán)獲取變量表里面的變量*/

%put &NUMOBS.||&I.;

data _null_;

pointer=&I.;

set work.&table_name._CONT POINT=POINTER;

call symput('col_name', NAME);

call symput('TYPE', put(TYPE, 1.));

stop;

run;

/*僅對(duì)數(shù)值變量進(jìn)行逐個(gè)處理*/

%if &TYPE.=1 %then %do;

proc rank data= &schema..&table_name(keep = &col_name &Y) out = data_rank ties = low groups = &N;

var &col_name;

ranks new_rank;

run;


proc sql;

insert into &schema..&table_name._rank(

table_name

,col_name

,rank_name

,low

,up

,cnt

,rate

,n1

,bad_rate

,woe

,iv

,split_type)

select "&table_name"

,"&col_name"

,new_rank

,min(&col_name)

,max(&col_name)

,count(1)

,count(1)/&record_cnt

,sum(&Y)

,sum(&Y)/count(1)

,log((ifn(sum(&Y)=0,0.001,sum(&Y))/&bad_cnt)/((count(1)-sum(&Y))/&good_cnt))

,(sum(&Y)/&bad_cnt-(count(1)-sum(&Y))/&good_cnt)*log((ifn(sum(&Y)=0,0.001,sum(&Y))/&bad_cnt)/((count(1)-sum(&Y))/&good_cnt))

,&N

from   data_rank

group by new_rank;

quit;/*將分組的結(jié)果插入rank表，并計(jì)算每個(gè)變量每個(gè)分組的壞客戶數(shù)、壞客戶占比、WOE、IV*/

%end;

%end;

%end;

%else

%do;

proc rank data= &schema..&table_name(keep = &column &Y) out = data_rank ties=mean groups = &N;

var &column;

ranks new_rank;

run;

proc sql ;

insert into &schema..&table_name._rank(

table_name

,col_name

,rank_name

,low

,up

,cnt

,rate

,n1

,bad_rate

,woe

,iv

,split_type

)

select "&schema..&table_name"

,"&column"

,new_rank

,min(&column)

,max(&column)

,count(1)

,count(1)/&record_cnt

,sum(&Y)

,sum(&Y)/count(1)

,log((ifn(sum(&Y)=0,0.001,sum(&Y))/&bad_cnt)/((count(1)-sum(&Y)))/&good_cnt))

,(sum(&Y)/&bad_cnt-(count(1)-sum(&Y))/&good_cnt)*log((ifn(sum(&Y)=0,0.001,sum(&Y))/&bad_cnt)/((count(1)-sum(&Y)))/&good_cnt))

,&N

from  data_rank

group by new_rank;

quit;

%end;

/*4.將具體分組表轉(zhuǎn)化成用于生成excel數(shù)據(jù)源的格式*/

data &schema..&table_name._rank;

set &schema..&table_name._rank;

if low=" " then low=-1000;

ARRAY var

rank_name

up

;

DO OVER var ;

IF var="" THEN var=-999;

END;

run;


proc sort data=&schema..&table_name._rank;

by col_name;

run;


data &schema..&table_name._rank;

set &schema..&table_name._rank;

by col_name;

clus+1;

if first.col_name then clus=1;

run;


data &schema..&table_name._rank;

set &schema..&table_name._rank;

by col_name;

retain t;

if _n_>1 then low=t;

t=up;

run;


data &schema..&table_name._rank;

set &schema..&table_name._rank;

if clus=1 and rank_name=-999 then low=-1000;

if clus=1 and rank_name=0 then low=-0.1;

if clus=2 and low=-999 then low=-0.1;

run;


proc sql noprint;

create table &schema..&table_name._rank as

(

select t1.table_name,t1.col_name,t1.rank_name,t1.low,case when t2.clus is not null then 10e8 else t1.up end as up

,t1.cnt,t1.rate,t1.n1,t1.bad_rate,t1.woe,t1.iv,t1.split_type,t1.clus

from &schema..&table_name._rank as t1

left join

(

select col_name,max(clus) as clus from &schema..&table_name._rank

group by col_name )as t2

on t1.col_name=t2.col_name

and t1.clus=t2.clus

);

run;/*將最大分組的上限設(shè)置成10e8*/


data &schema..&table_name._rank;

set &schema..&table_name._rank;

testname=compress("("||low||","||up||"]",'');

run;/*將上下限進(jìn)行合并，生成各分組的取值范圍并去掉了中間的空格*/


/*取類似于excel變量分組的數(shù)據(jù)源*/

proc sql noprint;

create table &schema..&table_name._rank_excel as

(

select * from

(select t1.col_name as col_name1,t1.col_name as col_name2,'' as testname,'' as clus,'' as n,'' as n1

from &schema..&table_name._rank as t1

where clus=1)

union all

(select t2.col_name as col_name2,'' as col_name2,t2.testname,t2.clus,t2.cnt as n,t2.n1

from &schema..&table_name._rank as t2)

)

;

quit;

proc sql noprint;

create table &schema..&table_name._iv as

(select col_name,sum(iv) as iv from &schema..&table_name._rank

group by col_name)

;

quit;

proc sort data=&schema..&table_name._iv;

by descending iv ;

quit;

%mend data_split;

關(guān)于這段代碼中用到的proc rank可以看之前的這篇文章：proc rank過程。

還是老樣子，講解一下怎么代碼怎么用。

data_split(schema,table_name,N,Y,column);

schema：填入你的數(shù)據(jù)集的邏輯庫。

table_name：填入你的數(shù)據(jù)集，不帶邏輯庫名。

N:你要分幾組。

Y：因變量。

Column：這個(gè)參數(shù)就讓他空就可以了。我是寫多了，但是又忘記改回來。

就是你填入這幾項(xiàng)就可以了按以下這個(gè)順序：

%data_split(邏輯庫,表名,分箱數(shù),因變量);

到這里我都是在講代碼，現(xiàn)在來講手動(dòng)分組的內(nèi)容。首先代碼跑出來有幾張表，最重要就是這樣表“你的表名__rank”的這種表是重點(diǎn)。

這是我分10組粗分類的情況。我會(huì)將這張表導(dǎo)出成excel.
然后以這個(gè)變量為例哈。
這里注意一件事。就是low=-1000 up=-999代表就是空值，在最優(yōu)分組中?？罩祵⒊蔀閱为?dú)的一組，但是我們手動(dòng)分組中就不這么做了，我們會(huì)將空值放在跟一組與其woe相近的組別在一起。除非真的空值的woe值真的特別突出，那么就單獨(dú)成為一組，這種情況你就自己判斷哈，隨機(jī)應(yīng)變哈，發(fā)揮你的腦回路的時(shí)候到了。
  回到excel的內(nèi)容：

這部分很繁瑣的原因是，譬如我現(xiàn)在有100多個(gè)變量是iv值是可以達(dá)到我的要求的話，那么就是我要手動(dòng)分100多個(gè)變量的，說實(shí)話我覺得這樣子我挺白癡，但是我又覺得是有用的變量，分組的問題本來就重要，那就白癡我也要親自分段。無非就多花幾個(gè)小時(shí)在搞這個(gè)事情。導(dǎo)出excel后，為了讓變量的分成可以清晰一些，我會(huì)利用色階讓我好判斷一些。

其實(shí)這個(gè)變量是比較好分層的。按照色階的顏色，我們就把細(xì)分類給分出來了。這里為什么對(duì)bad_rate和woe都標(biāo)了色階，是因?yàn)楫?dāng)我在判斷分組時(shí)候會(huì)以woe為主，bad_rate為輔去分組。

其實(shí)對(duì)于我個(gè)人建模，分為五組，我還是覺得有點(diǎn)多了。但是介于這個(gè)變量woe分層情況，所以這樣子看也可以接受。我剛才說了對(duì)于null的組別，是可以跟別的組在一起的，但是這里他特立獨(dú)行的一個(gè)顏色，我也沒辦法把他跟別的組放一起。講到空值還有一個(gè)問題，就是在連續(xù)變量等量分組時(shí)候，空值會(huì)被變成獨(dú)立的一組，那么這時(shí)候，假設(shè)如果你的變量null不是很多，而且你可以用你別的組別填充的話，建議填充。因?yàn)榧僭O(shè)你的數(shù)據(jù)大概有20000，但是null可能就30個(gè)，這種占比其實(shí)是很小，你為這30個(gè)特地設(shè)了一個(gè)分組，你要是覺得可以那也就可以吧，具體聽你的領(lǐng)導(dǎo)的哈。

回到分組的問題，你分好組之后再回去更新到主表中去算woe。這部分代碼我就不貼了，要是你覺得你沒有思路，實(shí)在寫不出來，你可以找我要。還是那句話。自己工作自己的作業(yè)自己做，你寫了整個(gè)代碼的架構(gòu)，你報(bào)錯(cuò)我可以幫你改，但是你什么都沒寫，直接說你不會(huì)寫，我是不會(huì)幫你，請粉絲們理解