用这个，你至少要大概明白 WOE 编码是个啥。这里只会帮你写代码，避免你重复造轮子，不负责讲解 WOE 原理。而且这里只有 WOE 编码，没有其他的。
对于离散型特征和连续型特征均实现了以下 3 种 WOE 编码：
-
基于最大分箱数的卡方分箱法
-
基于阈值的卡方分箱法
-
基于最大分箱数的坏样本率差异最大化分箱法
由于没有一个指导阈值来决定多大的坏样本率差值是符合条件的，基于坏样本率差异最大化的分箱方法的停止条件只有最大分箱数。
区别在于分箱过程中 bin 的原则不同以及停止条件不同。
支持按需定制：
-
最大样本数
-
bin 内最少样本数
-
（每个）特殊值单独作为一个 bin
-
缺失值单独作为一个 bin
-
单调性及 U 型
直接看 Examples 吧。
bin 的合并原则有：
-
比较每两个相邻 bin 的卡方值，然后将具有最小卡方值的相邻两个 bin 合并。用于方法 1 和 2。
-
比较每两个相邻 bin 的坏样本率，然后将具有最小坏样本率的相邻两个 bin 合并。用于方法 3。
分箱通常有 4 个条件需要满足：
-
所有相邻 bin 的卡方值大于阈值
confidence（方法 1）或 bin 个数小于等于max_bins（方法 2 和方法 3）； -
每个 bin 的坏样本率
bad_rate不为 0 或 1； -
每个 bin 内的样本比例大于阈值
bin_pct_threshold（通常为 5%）； -
bin 的坏样本率
bad_rate满足单调性或者 U 型（根据业务情况而定，适用于连续型特征以及离散有序特征）。
当然，会有一些例外。
-
在实际使用中，你可能不希望某个（些）值（称之为特殊值）组成的 bin 参与合并。此时，你只需要在
special_value_list指定就行了。（每个）特殊值组成的 bin 不参与正常分箱操作，最后会和正常分箱产生的 bin 来一起计算 WOE 和 IV。 -
如果你的特征中含有缺失值（别太多吧），而且你希望缺失值单独作为一个 bin，只在最后参与计算 WOE 和 IV。那么你需要指定一个值暂时代替缺失值就可以了（
imputation_value=xxx）。尤其需要注意的是imputation_value不要和特征中的其他值相同（建议从业务角度找一个绝不可能出现在特征中的值），而且imputation_value的类型要与特征的类型相同。
对于不同的特征有不同的初始化分箱方法：
-
连续型特征。每个 unique 值作为一个 bin 来初始化，然后将坏样本数（率）连续为 0 或 1 的 bin 合并，再对照分箱要求做后续处理。
-
离散无序型特征。先以每个 unique 值作为一个 bin 来初始化，以坏样本率
bad_rate对每个 bin 编码后当作连续型特征处理，再对照分箱要求做后续处理。 -
离散有序型特征。每个特征取值当作一个 bin，然后按照特征取值的期望顺序
value_order_dict对每个 bin 进行排序，再根据要求处理。在处理过程中，始终维持有序性。
在分箱的过程需要一直合并相邻的 bin 来满足以上 4 个条件：
-
不满足条件 1。比较每两个相邻组的卡方值，然后将具有最小卡方值的相邻两个 bin 合并（方法 1 和 2）；比较每两个相邻 bin 的坏样本率差值，然后将具有最小坏样本率差值的相邻两个 bin合并（方法 3）。
-
不满足条件 2。定位到不满足条件 2 的 bin，在与其相邻的两个 bin 中，选择一个 bin 与之合并，选择的依据是相邻 2 个 bin 之间的卡方值（方法 1 和 2）/坏样本率差值（方法 3）更小。
-
不满足条件 3。定位到不满足条件 3 的 bin，在与其相邻的两个 bin 中，选择一个 bin 与之合并，选择的依据是相邻 2 个 bin 之间的卡方值（方法 1 和 2）/坏样本率差值（方法 3）更小。
-
不满足条件 4。比较每两个相邻组的卡方值，然后将具有最小卡方值的相邻两个 bin 合并（方法 1 和 2）；比较每两个相邻 bin 的坏样本率差值，然后将具有最小坏样本率差值的相邻两个 bin合并（方法 3）。
为什么分箱的条件为什么是这个顺序（1 -> 2 -> 3 -> 4）？
为了更快地满足所有所有条件。
-
满足条件 1 的过程中，条件 2、3、4 可能也会满足；
-
显然，bin 的合并会改变单调性，所以条件 4 放在最后面；
-
满足条件 2 的过程中，bin 内样本总数必然增加（可能不变）。
其他：
-
在计算 WOE 时，加入了 1 个
regularization（默认为 1），防止计算出错； -
WOE 计算是
ln(bad/good)。
说明： pandas 1.0 前后还是有区别的，建议 1.0 之后的版本。这里基于 1.0.4 开发的。
更加详细的例子
保持文件结构不变：
>>> import sys
>>>
>>> sys.path.append("your_path/woe-encoder")然后
>>> from woe_encoder import CategoryWOEEncoder
>>> from woe_encoder import ContinuousWOEEncoder一次只能处理一个特征。 而且，不管使用哪种分箱方法都需要指定 col_name 和 target_col_name 这两个参数。
CategoryWOEEncoder 和 ContinuousWOEEncoder 中实现的功能差不多。使用方法和 sklearn 一样，这里 transform 会多一个以 _woe 为后缀的新列。
用 CategoryWOEEncoder 来试试吧。
# 加载数据
>>> from sklearn.datasets import load_boston
>>>
>>> bunch = load_boston()
>>> data = pd.DataFrame(bunch.data, columns=bunch.feature_names)
>>> y = bunch.target > 22.5
>>> data['y'] = y
>>> category_feature = 'RAD'>>> # 基于阈值的卡方分箱法
>>> encoder = CategoryWOEEncoder(
... col_name=category_feature,
... target_col_name='y',
... bin_pct_threshold=0.05, # default, 每个 bin 的最少样本数
... woe_method='chi2', # default, 基于卡方的分箱
... min_chi2_flag=True, # default, 按照卡方阈值停止
... confidence=3.841, # default, 卡方阈值
... )
>>> encoder.fit(data)
>>> encoder.bin_result_ # 分箱结果的展示
>>> encoder.iv_ # 分箱的评估指标——IV 值
>>> data_transformed = encoder.transform(data) # 多一列 category_feature+'_woe'>>> # 基于最大分箱数的卡方分箱法
>>> encoder = CategoryWOEEncoder(
... col_name=category_feature,
... target_col_name='y',
... max_bins=10, # default
... bin_pct_threshold=0.05, # default, 每个 bin 的最少样本数
... woe_method='chi2', # default, 基于卡方的分箱
... min_chi2_flag=False, # default, 按照卡方阈值停止
... )
>>> data_transformed = encoder.fit_transform(data)设置 woe_method='bad_rate' 来使用基于最大分箱数的坏样本率差异最大化分箱方法。
>>> # 基于最大分箱数的坏样本率差异最大化分箱方法
>>> encoder = CategoryWOEEncoder(
... col_name=category_feature,
... target_col_name='y',
... max_bins=10, # default
... bin_pct_threshold=0.05, # default, 每个 bin 的最少样本数
... woe_method='bad_rate', # 基于坏样本率差异最大化的分箱
... )
>>> data_transformed = encoder.fit_transform(data)>>> # 特征中有多个需要特殊对待的值
>>> encoder = CategoryWOEEncoder(
... col_name=category_feature,
... target_col_name='y',
... max_bins=10, # default
... bin_pct_threshold=0.05, # default, 每个 bin 的最少样本数
... woe_method='chi2',
... min_chi2_flag=False,
... special_value_list=[2., 3.], # 不管几个都得是列表
... # special_value_list=[2.],
... )
>>> data_transformed = encoder.fit_transform(data)>>> data[category_feature] = data[category_feature].where(
... data[category_feature] != 1., np.nan)
>>>
>>> # 特征中有缺失值
>>> encoder = CategoryWOEEncoder(
... col_name=category_feature,
... target_col_name='y',
... max_bins=10, # default
... bin_pct_threshold=0.05, # default, 每个 bin 的最少样本数
... woe_method='chi2',
... min_chi2_flag=False,
... imputation_value=100, # 类型要与特征相同
... )
>>> data_transformed = encoder.fit_transform(data)>>> # 特征既含有需要特殊处理的值，也含有缺失值
>>> encoder = CategoryWOEEncoder(
... col_name=category_feature,
... target_col_name='y',
... max_bins=10, # default, 最大分箱数
... bin_pct_threshold=0.05, # default, 每个 bin 的最少样本
... woe_method='chi2',
... min_chi2_flag=False,
... special_value_list=[2., 3.],
... imputation_value=100. # 给定缺失的填充值
... )
>>> data_transformed = encoder.fit_transform(data)对特征 WOE 编码后，绘制各个特征以及 IV 值。
>>> col_ivs = { # just for illustration
... 'feat_1': 0.01,
... 'feat_2': 0.05,
... 'feat_3': 0.25,
... 'feat_4': 0.44,
... 'feat_5': 0.62}
>>> from woe_encoder import plot_ivs
>>> plot_ivs(col_ivs, figsize=(6, 4.2))结果如下：
