Skip to content

hengshu-credit/hscredit

BranchesTags

Repository files navigation

衡枢真信

Python License Version Downloads

▌ hscredit ▌

🔍 鉴真伪 · 📊 斟信用 · ⚖️ 衡风险 · 🎯 枢定策

专为风控策略师、建模工程师打造的一站式信用评分建模平台
分箱 · 编码 · 筛选 · 建模 · 评估 · 报告 —— 全流程覆盖

✨ 为什么选择 hscredit？

你在做的事情 hscredit 帮你做到
分箱调参调到怀疑人生 19 种分箱算法，遗传算法自动寻优
特征筛选没有标准答案 20+ 筛选器，组合筛选 + 阶段化报告
评分卡上线流程冗长 sklearn Pipeline 全链路串联
规则挖掘靠人工经验 4 大规则挖掘器，自动生成可解释规则
报表格式手动调一整天 一键生成专业 Excel 报告
催收策略缺乏量化依据 加权逾期预测，精准预估各期逾期率
python版本兼容很痛苦 支持最新python3.14，环境不折腾，小白好上手

💡 一个库，覆盖风控建模全生命周期。告别 toad / scorecardpy / optbinning / scorecardpipeline 混用的时代——hscredit 全搞定。

🚀 3 分钟安装

# 标准安装
pip install hscredit

# 完整安装（含全部依赖）
pip install hscredit[all]

💡 一行代码上手

最优分箱 —— 遗传算法自动寻优

from hscredit.core.binning import GeneticBinning

# 全局最优分箱，支持单调性约束
binner = GeneticBinning(max_n_bins=5, monotonic=True, target='y')
binner.fit(df)
print(binner.binning_table)

全流程 Pipeline —— sklearn 风格无缝串联

from sklearn.pipeline import Pipeline
from hscredit.core.selectors import IVSelector, VIFSelector
from hscredit.core.encoders import WOEEncoder
from hscredit.core.models.classical import LogisticRegression
from hscredit.core.models.scorecard import ScoreCard

pipeline = Pipeline([
    ('iv_filter', IVSelector(threshold=0.02)),   # 粗筛：IV > 0.02
    ('vif_filter', VIFSelector(threshold=10)),   # 精筛：VIF < 10
    ('woe', WOEEncoder()),                        # WOE 编码
    ('lr', LogisticRegression()),                 # 逻辑回归
    ('scorecard', ScoreCard(pdo=20, base=600)),   # 转换为标准评分卡
])

pipeline.fit(df, y)
scores = pipeline.transform(new_applicants)

规则挖掘 —— 从数据中发现可解释规则

from hscredit.report import SingleFeatureRuleMiner, MultiFeatureRuleMiner, TreeRuleExtractor

# 单特征规则：找出每个变量的最优分箱规则
miner = SingleFeatureRuleMiner(target='ISBAD', method='optimal_iv', max_n_bins=5)
rules = miner.get_top_rules(top_n=10, metric='lift')

# 双特征交叉规则：发现特征组合的联合效应
cross_miner = MultiFeatureRuleMiner(target='ISBAD', method='chi2', max_n_bins=4)
rules = cross_miner.get_cross_rules('age', 'income', top_n=10)

# 树模型规则提取：从 XGBoost/LightGBM 中提取可解释 IF-THEN 规则
extractor = TreeRuleExtractor(algorithm='dt', max_depth=5)
extractor.fit(X_train, y_train)
rules = extractor.extract_rules(top_n=20, metric='confidence')

逾期预测 —— 加权估算各账龄逾期率

from hscredit.report import OverduePredictor

predictor = OverduePredictor(feature='score', target='IS_OVERDUE')
predictor.fit(train_df)  # 支持有无逾期的两种拟合模式

# 按账龄分段预估逾期率
report = predictor.get_report()
print(report)

Pandas 魔法扩展 —— 导入即生效

import hscredit  # 导入即注册 DataFrame 扩展方法

df.summary(y='target')            # 全维度数据摘要
df.save('分箱结果.xlsx', title='年龄分箱')  # 带格式导出 Excel
bin_table.show()                 # 格式化表格输出

一键模型报告

from hscredit.report import auto_model_report

auto_model_report(model, X_test, y_test, save_path='模型报告.xlsx')
# 报告包含：KS / ROC / LIFT / PSI / 分箱表 / 变量系数 / 特征重要性

🧮 算法全家福

🧮 分箱算法 (19 种)
算法 说明
GeneticBinning 遗传算法全局最优分箱，支持单调性约束
OptimalBinning 运筹优化（OR-Tools）分箱，IV/KS 最优
BestIVBinning / BestKSBinning / BestLiftBinning 最优 IV / KS / LIFT 分箱
MDLPBinning 基于最小描述长度原理的信息论分箱
ChiMergeBinning 卡方分箱，相近坏率箱自动合并
CartBinning CART 决策树分箱
MonotonicBinning 强制单调性约束分箱
TreeBinning 决策树引导分箱
QuantileBinning 等频分箱
UniformBinning 等宽分箱
KMeansBinning KMeans 聚类分箱
KernelDensityBinning 核密度估计分箱
SmoothBinning 平滑分箱（减少稀疏箱波动）
TargetBadRateBinning 目标坏样本率分箱
OrBinning OR-Tools 运筹优化分箱
🔍 特征筛选器 (21 种)
筛选器 说明
IVSelector IV 值筛选，最常用的风控特征筛选指标
PSISelector PSI 稳定性筛选，监控特征跨时间稳定性
CorrSelector 相关系数筛选，避免多重共线性
VIFSelector 方差膨胀因子筛选
Chi2Selector 卡方独立性检验筛选
LiftSelector LIFT 提升度筛选
VarianceSelector 方差筛选，剔除无区分度特征
NullSelector 缺失率筛选
ModeSelector 众数频率筛选，剔除单一值主导特征
CardinalitySelector 基数筛选，高基数类别特征处理
ImportanceSelector 模型特征重要性筛选
NullImportanceSelector 零重要性筛选（Permutation）
RFESelector 递归特征消除（RFE）
BorutaSelector Boruta 全相关特征选择
MutualInfoSelector 互信息筛选
FTestSelector F 统计量筛选
StepwiseSelector 逐步回归筛选
SequentialFeatureSelector 序列前向/后向选择
StabilityAwareSelector 稳定性感知筛选
TypeSelector / RegexSelector 按类型/正则表达式筛选
🔤 特征编码器 (9 种)
编码器 说明
WOEEncoder WOE 证据权重编码，评分卡标准编码
TargetEncoder 目标编码，带贝叶斯平滑
CountEncoder 频数编码，高基数友好
OneHotEncoder 独热编码
OrdinalEncoder 有序编码
QuantileEncoder 分位数编码
GBMEncoder GBM 编码
CatBoostEncoder CatBoost 目标编码
CardinalityEncoder 基数编码
⚡ 自定义损失函数 (14 种)
损失函数 说明
FocalLoss Focal Loss，处理类别不平衡
BalancedFocalLoss 平衡版 Focal Loss
AsymmetricFocalLoss 非对称 Focal Loss，误判成本差异化
WeightedLoss 样本权重损失
KSFocusedLoss KS 聚焦损失，直接优化排序能力
RankingLoss 排序损失
RankingAUCLoss AUC-proxy 排序损失
RiskLoss 风险损失，支持坏账率约束
AmountWeightedLoss 金额加权损失
TopKBadCaptureLoss Top-K 坏账捕获损失
ExpectedProfitLoss 期望利润损失

📊 可视化 (45+ 种图表)

类别 图表
分箱分析 bin_plot, bin_trend_plot, batch_bin_trend_plot, bin_overdues_plot
模型评估 roc_plot, pr_plot, lift_plot, gain_plot, ks_plot, calibration_plot
评分分析 score_ks_plot, score_dist_plot, score_bin_plot, score_lift_plot
风控策略 vintage_plot, threshold_analysis_plot, strategy_compare_plot
特征分析 variable_iv_plot, variable_woe_trend_plot, variable_psi_heatmap
稳定性监控 psi_plot, csi_plot, population_drift_monitor, feature_drift_comparison
辅助工具 corr_plot, hist_plot, confusion_matrix_plot, feature_importance_plot 
import hscredit.core.viz as viz

viz.bin_plot(df, 'age', 'y', show_iv=True)    # 分箱 WOE 趋势图
viz.roc_plot(y_true, y_prob)                    # ROC 曲线
viz.vintage_plot(df, '账龄', '逾期金额')          # Vintage 账龄分析

🏗️ 架构概览

hscredit/
├── core/
│   ├── binning/       ← 19 种分箱算法
│   ├── encoders/      ← 9 种特征编码器
│   ├── selectors/     ← 21 种特征筛选器
│   ├── models/
│   │   ├── classical/     # LogisticRegression
│   │   ├── boosting/     # XGBoost / LightGBM / CatBoost / NGBoost
│   │   ├── scorecard/     # ScoreCard, ScoreTransformer
│   │   ├── losses/        # 14 种自定义损失函数
│   │   ├── evaluation/    # 校准、可解释性
│   │   └── tuning/        # 超参调优
│   ├── metrics/       ← 分类 / 回归 / 特征 / 稳定性 / 金融指标
│   ├── viz/           ← 45+ 种可视化图表
│   ├── eda/           ← 数据探索分析
│   ├── rules/         ← 规则引擎 (Rule, RuleClassifier)
│   ├── financial/     ← FV / PV / PMT / NPER / IRR / NPV
│   └── feature_engineering/  # NumExprDerive
├── report/
│   ├── mining/        ← 规则挖掘器
│   ├── overdue_predictor.py  # 加权逾期预测
│   ├── feature_analyzer.py   # 特征分箱统计
│   ├── swap_analysis.py      # 置换风险分析
│   ├── model_report.py       # 模型报告
│   └── population_drift.py   # 群体稳定性监控
├── excel/             ← ExcelWriter 上下文管理器
└── utils/             ← Pandas 扩展 / IO / 日志 / 随机种子

🎓 谁在使用？

  • 🏦 银行风控部策略师与建模工程师
  • 💳 消费金融与互联网贷款团队
  • 🔬 金融科技创业公司
  • 📚 高校金融工程与风险管理研究者
  • 📊 第三方数据与咨询机构

🤝 参与贡献

git clone https://github.com/hscredit/hscredit.git
cd hscredit
pip install -e ".[dev]"

# 运行测试
pytest tests/ -v

💬 交流群 & 公众号

微信公众号：衡枢风控 WeChat Official Account

关注公众号，回复 "入群" 即可加入 hscredit 技术交流群，与业界风控从业者一起交流建模经验。

公众号 ID: hengshucredit-com

📜 许可证

MIT License — 可商用，无任何限制。

🏦 hscredit
鉴真伪 · 斟信用 · 衡风险 · 枢定策
让每个风控人都能用上专业的建模工具

如果这个项目对你有帮助，欢迎点个 ⭐

About

hscredit是为金融风控策略和模型人员提供的工具包，包含从数据探索、特征工程、分箱、编码、筛选到建模和报告生成的全流程解决方案。鉴真伪，斟信用，衡风险，枢定策 —— 衡枢真信，智能风控，一站掌控

hengshucredit.com

Topics

machine-learning risk-analysis risk excel eda report scorecard

Resources

Readme

License

MIT license
Activity
Custom properties

Stars

5 stars

Watchers

1 watching

Forks

2 forks
Report repository

Releases

No releases published

Packages

 
 
 

Contributors

Languages