想起刚入门风控时，天天对变量进行WOE变换，很多书籍和文章都讲得很详细，公式和例子都有，但他们很少直接回答:
- 为啥要用WOE？
- 不用WOE不行吗？
- WOE有啥神奇功效？ 本文试图根据自己理解回答。
在风控用到的数据里，我们会用到两种变量：
- Numerical Variable，数值变量。例如逾期金额，天数。
- Categorical Variable，类别变量。例如客户职业。
在制作评分卡过程中，我们还需要把数值变量变成类别变量，例如客户年龄段，我们可以划分为[20及以下],[21-30],[31-40],[41-50],[51-60],[61-70],[70以上]七个类别，这时候我们就把数值变成了类别。这种把数值变成类别的技巧叫做分箱（binning）。
但是当把所有变量都变成类别后，这时候你也许有这个疑惑：怎么去训练一个模型呢？例如逻辑回归，只能用数值作为特征输入。怎么把类别变成数值呢？
你此刻想到的可能是one-hot encoding，但还是有问题，对于逻辑回归来说，one-hot encoding输出的矩阵太稀疏了，很难让逻辑回归有很好的效果。
这时候，我们可以试试把类别或者分箱转化成响应的数值（怎么又转回数值了？等下解答你）。这个分数必须和必须有这个特性：分数越大，代表这个变量给bad label的贡献度越大，这个贡献度，视运算符号不同，可以是正向，也可以是负向，但我们期望它们之间有个线性关系。
我们需要引入WOE编码。
一、什么是WOE
我相信在看到这篇文章时，你已经看过很多关于WOE的讲解，但为了照顾第一次研究WOE的朋友，我还是详细解释下。
WOE全称是Weight of Evidence，即证据权重，也叫作自变量的一种编码。
WOE的公式定义如下：
其中i为某个特征的第i个分箱。Bad_i为在i个分箱的bad label数量，Bad_T为总共的bad label数量。例如下面举个例子,
计算可以得到
现在我们观察bad rate 和 WOE的关系，WOE越大，bad rate越高，也就是说，通过WOE变换，特征值不仅仅代表一个分类，还代表了这个分类的权重。这就回答了问题”WOE编码为啥有效“。
二、什么情况下用WOE
当然，你会有疑问：“类别变量我能理解要WOE，但对于连续变量，通过分箱变成类别变量，又通过WOE去“模拟”连续变量，这不是舍近求远吗？那我为啥不直接用原始的数值变量？
哈哈哈很聪明嘛，没被我绕进去。答案是当然可以，而且很多情况下并不会比WOE效果差。但binning WOE能解决一个问题，就是可以把非线性的特征转化为线性。
例如在风控场景里，我们可能用到客户的年龄做特征。我们知道肯定不是年龄越大风险越高，或者年龄越大风险越低，一定是有个年龄段的风险是比其他年龄段高些。我们拿Give Me Some Credit(https://link.zhihu.com/?target=https://www.kaggle.com/c/GiveMeSomeCredit/data)的数据做个分析，在数据里有个年龄字段，我们来看看年龄（age）和违约率（SeriousDlqin2yrs）的关系
可以看到年龄和违约率并不是线性相关的。我们知道，逻辑回归的方程是：
逻辑回归拿年龄做变量，例如
是年龄，训练后
是固定权重值，如果
是正值，那么年龄越高，
的值越大，最后分数
值也越大，但从上图可以看出实际不是这样的。
为了解决这个非线性的问题，我们用WOE代替年龄段，根据WOE的计算过程，我们可以知道WOE值越高的分类，违约率越高，这样就可以把非线性映射转换成线性映射。下图已经把年龄换成了WOE，可以看到WOE和违约率是线性。
总结：WOE可以把相对于bad rate显现非线性的特征转换为线性的，这对于广义线性模型(Generalized linear model、简称GLM，我们用的线性回归，逻辑回归都算GLM)来说非常有必要。
三、WOE还有什么好处
除了可以把非线性的特征转换成线性的，WOE好处还有：
- 对波动不敏感。遇到异常数据亦能平稳表现。例如有个人年龄为20，不小心按键盘时按成了200，也不会产生10倍的波动。
- 容易操作。这是对业务人员说的，用模型计算出评分卡后，给任何不懂技术的人都能算出一个客户的风险值。
其他问题：
Q：特征有null值怎么办？
A：两种策略。1.预先fillna。2.null值单独一箱
四、总结
- WOE越大，bad rate越高，也就是说，通过WOE变换，特征值不仅仅代表一个分类，还代表了这个分类的权重。这就回答了问题”WOE编码为啥有效“。
- WOE可以把相对于bad rate显现非线性的特征转换为线性的，这对于广义线性模型(Generalized linear model、简称GLM，我们用的线性回归，逻辑回归都算GLM)来说非常有必要。
