sas字符变量基于bad_rate分组

最近因为模型拟合的不理想的原因，sas信用评分的内容可能要停更一两周了，因为我还没能进行到模型评分卡这一步就被跨期验证给拍下来了，我做的模型，训练的数据以及测试的数据指标都还不错，跨期验证指标掉的厉害。希望有经验的大神可以在留言区给我点建议，因为你们的建议可以让我少走很多弯路。我现在要重新调整，至于怎么调整的内容，我后面会做一个总结的文章，讲对于指标达不到指标的时候可以有什么方便调整下指标，在这些方法之后还调整不了指标的再回头看变量。

这次分享的代码是字符变量依据bad_rate做的一个分组。之前分享过给予基尼系数，给予iv值的，那么这次就叫基于bad_rate的吧。这次的代码可能会比之前的代码容易理解很多，而这次的代码也是我的partner陈先生写的。不要问我陈先生是谁，这是个秘密。

%macrodatasplit(data,target,group);

proc sql;

create table csm_CASH_MODEL_Train_rank1(

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;

create table csm_CASH_MODEL_Train_rank2(

table_name varchar(100)

,col_name varchar(50)

,rank_name varchar(2000)

,lownumeric                                ,, ,up numeric

,cnt numeric

,rate  numeric

,n1 numeric

,bad_rate  numeric

,woe numeric

,iv numeric

,split_type numeric);

quit;

proc sql;/*获得总记录数、总坏客户数、总好客户数*/

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

:bad_cnt,

:good_cnt

from &data.;

quit;

proc contents/*获取输入数据集的所有变量信息*/

data=&data.

out=CASH_SELECT_MODEL_VALID_V10_CONT

noprint;

run;

data CASH_SELECT_MODEL_VALID_V10_CONT;

set CASH_SELECT_MODEL_VALID_V10_CONT;

where name ^='&target.';

run;

data _null_;

set CASH_SELECT_MODEL_VALID_V10_CONT;

call symput(compress("numobs"),compress(_n_));

run;

%doi=1%to&numobs;

%put&NUMOBS.||&i.;

data _null_;

pointer=&i.;

set CASH_SELECT_MODEL_VALID_V10_CONT POINT=POINTER;

call symput('col_name', NAME);

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

stop;

run;

%if&TYPE.=2%then%do;

proc sql;

create table &col_name.as select

&col_name.

,sum(&target.)/count(1) as bad_rate

,sum(&target.) as &target.

,count(1) as num

from &data.

group by &col_name.;

quit;

%put&col_name;

%put&type;

proc sql;

select count(1) into:valuenum from &col_name;

quit;

%if&valuenum.>&group.%then%do;

proc rank data= &col_name out = data_rank ties = mean groups = &group.descending;

var bad_rate;

ranks group_name;

run;

proc sql;

create table  &data.as

select *,

b.group_name as new_&col_name.

from &data.a

left join data_rank b

ona.&col_name.=b.&col_name.;

quit;

proc sql;

insert into csm_CASH_MODEL_Train_rank1(table_name ,col_name ,rank_name ,low ,up,cnt,rate,n1,bad_rate,woe,iv,split_type)

select"csm_CASH_MODEL_Train_rank","&col_name",group_name ,min(bad_rate) ,max(bad_rate)  ,sum(num)

,sum(num)/&record_cnt

,sum(&target.)

,sum(&target.)/sum(num)

,log((ifn(sum(&target.)=0,0.001,sum(&target.))/&bad_cnt)/((sum(num)-sum(&target.))/&good_cnt))

,(sum(&target.)/&bad_cnt-(sum(num)-sum(&target.))/&good_cnt)*log((ifn(sum(&target.)=0,0.001,sum(&target.))/&bad_cnt)/((sum(num)-sum(&target.))/&good_cnt))

,&group.

from   data_rank

group by group_name;

quit;

%end;

%if&valuenum.<=&group.%then%do;

proc sql;

insert into csm_CASH_MODEL_Train_rank2( table_name ,col_name ,rank_name ,low,up,cnt,rate ,n1 ,bad_rate,woe ,iv ,split_type)

select"csm_CASH_MODEL_Train_rank","&col_name",&col_name.,min(bad_rate) ,max(bad_rate) ,sum(num),sum(num)/&record_cnt

,sum(&target.),sum(&target.)/sum(num)

,log((ifn(sum(&target.)=0,0.001,sum(&target.))/&bad_cnt)/((sum(num)-sum(&target.))/&good_cnt))

,(sum(&target.)/&bad_cnt-(sum(num)-sum(&target.))/&good_cnt)*log((ifn(sum(&target.)=0,0.001,sum(&target.))/&bad_cnt)/((sum(num)-sum(&target.))/&good_cnt))

,&valuenum

from   &col_name.

group by &col_name.;

quit;

%end;

%end;

%end;

data csm_CASH_MODEL_Train_rank1;

set csm_CASH_MODEL_Train_rank1;

rank_name1=put(rank_name,$8.);

drop rank_name;

rename rank_name1=rank_name;

run;

data csm_CASH_MODEL_Train_rank;

set csm_CASH_MODEL_Train_rank1 csm_CASH_MODEL_Train_rank2;

run;

%mend;

关于这个代码的使用呢，就是下面这样子啦。

Data：填入你的数据集，重点来啦，这个数据集也是等下的产出的数据集，所以你突然觉得，惨了，我拿错数据集，那么你就得重新跑下这个数据集，因为经过这个过程他已经被改变了。

Target：因变量

Group;你要分的组数。

还有说下这个代码，因为是针对字符的分组，就意味着要是有点变量的观测情况就只用3种，那怎么分五组呢，譬如性别啊，你活生生的要是把男女分成5组，这就不道德了哈，所以代码中对于观测情况少于你的分组数的就不分组了。

说下结果哈：

变量指标统计表：

产出的表中就有图中的这些指标，low以及up是bad_rate的区间。Cnt是分组统计的人数，n1是坏客户的数量。后面的split_type是分成几组。宏里面设定的5组，所以显示的是5。

码表：

这张表是码表。名字为每个变量的名字，譬如你这个变量叫loan_cnt，那么你找到一个数据叫loan_cnt就是loan_cnt的码表。这个码表不是你等下一个一个按照主表去leftjoin的哈。这个主表只要是想你之后要生成评分或者做数据集验证的时候可以用的。数据分析师培训

最后就是主表：

为什么刚才说码表不是主表连的呢，因为生成的主表里面已经有新的分组，new_开头的就是新生成的变量。便于后面的区分。