Yihuier

一会儿轻松解决信用评分卡建模

基于 Scorecard--Function 重构的面向对象版本。

特性

• 面向对象设计 - 统一的 Yihuier 类管理数据和状态
• 完整建模流程 - EDA → 数据处理 → 分箱 → 变量选择 → 模型评估 → 评分卡实现 → 监控
• 特征工程 - 交叉特征、数学变换、缺失指示符、批量交叉（带 IV 预筛）
• 模块化架构 - 9个独立模块，职责清晰
• 类型提示 - 完整的类型注解，更好的IDE支持
• 可选 optbinning 分箱 - pip install yihuier[optimal] 后可用 method='optbinning'，强制 WOE 单调、求解器更优（真实数据上 IV 均值 +10%、单调变量 50/93 vs 自研 1/93），原生方法不受影响

快速开始

安装

# 使用 pip
pip install yihuier

# 或使用 uv
uv pip install yihuier

可选依赖

不安装 [optimal] 也能正常使用所有原生分箱方法（ChiMerge / 等频 / 等距 / 自定义）。

基础使用

import pandas as pd
from yihuier import Yihuier

# 加载数据
data = pd.read_csv('data.csv')
yh = Yihuier(data, target='dlq_flag')

# 数据预处理
data_clean = yh.dp_module.delete_missing_var(threshold=0.15)

# 变量分箱
bin_df, iv_value = yh.binning_module.binning_num(
    col_list=['v1', 'v2', 'v3'],
    max_bin=5,
    method='ChiMerge'
)

# WOE转换
woe_df = yh.binning_module.woe_df_concat()
data_woe = yh.binning_module.woe_transform()

# 变量选择
xg_imp, xg_rank, xg_cols = yh.var_select_module.select_xgboost(
    col_list=data_woe.drop(['dlq_flag'], axis=1).columns.tolist(),
    imp_num=10
)

# 模型训练
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
model.fit(data_woe[xg_cols], data_woe['dlq_flag'])

# 模型评估
y_pred = model.predict_proba(x_test)[:, 1]
yh.me_module.plot_roc(y_test, y_pred)
yh.me_module.plot_model_ks(y_test, y_pred)

模块概览

📚 完整文档

• 在线文档 - VitePress 部署的完整文档网站
• 快速开始 - 5分钟快速上手
• API 参考 - 完整的 API 文档
• 最佳实践 - 行业最佳实践指南
• 示例集合 - 常用场景代码示例

开发

# 克隆项目
git clone https://github.com/ency/yihuier.git
cd yihuier

# 安装开发依赖
uv pip install -e ".[dev]"

# 运行测试
pytest tests/ -v

# 代码格式化
ruff format yihuier/
ruff check yihuier/

许可证

MIT License

致谢

• 原项目: Scorecard--Function
• 相关文章: 知乎专栏