在金融領域中，我們的y值和預測得到的違約概率剛好是兩個分布未知的兩個分布。好的信用風控模型一般從準確性、穩定性和可解釋性來評估模型。

一般來說。好人樣本的分布同壞人樣本的分布應該是有很大不同的，KS正好是有效性指標中的區分能力指標：KS用于模型風險區分能力進行評估，KS指標衡量的是好壞樣本累計分布之間的差值。

好壞樣本累計差異越大，KS指標越大，那么模型的風險區分能力越強。

1、crosstab實現，計算ks的核心就是好壞人的累積概率分布，我們采用pandas.crosstab函數來計算累積概率分布。

2、roc_curve實現，sklearn庫中的roc_curve函數計算roc和auc時，計算過程中已經得到好壞人的累積概率分布，同時我們利用sklearn.metrics.roc_curve來計算ks值

3、ks_2samp實現，調用stats.ks_2samp()函數來計算。鏈接scipy.stats.ks_2samp¶為ks_2samp()實現源碼，這里實現了詳細過程

4、直接調用stats.ks_2samp()計算ks

import pandas as pd import numpy as npfrom sklearn.metrics import roc_curvefrom scipy.stats import ks_2samp def ks_calc_cross(data,pred,y_label): ’’’ 功能: 計算KS值，輸出對應分割點和累計分布函數曲線圖 輸入值: data: 二維數組或dataframe，包括模型得分和真實的標簽 pred: 一維數組或series，代表模型得分（一般為預測正類的概率） y_label: 一維數組或series，代表真實的標簽（{0,1}或{-1,1}） 輸出值: ’ks’: KS值，’crossdens’: 好壞客戶累積概率分布以及其差值gap ’’’ crossfreq = pd.crosstab(data[pred[0]],data[y_label[0]]) crossdens = crossfreq.cumsum(axis=0) / crossfreq.sum() crossdens[’gap’] = abs(crossdens[0] - crossdens[1]) ks = crossdens[crossdens[’gap’] == crossdens[’gap’].max()] return ks,crossdens def ks_calc_auc(data,pred,y_label): ’’’ 功能: 計算KS值，輸出對應分割點和累計分布函數曲線圖 輸入值: data: 二維數組或dataframe，包括模型得分和真實的標簽 pred: 一維數組或series，代表模型得分（一般為預測正類的概率） y_label: 一維數組或series，代表真實的標簽（{0,1}或{-1,1}） 輸出值: ’ks’: KS值 ’’’ fpr,tpr,thresholds= roc_curve(data[y_label[0]],data[pred[0]]) ks = max(tpr-fpr) return ks def ks_calc_2samp(data,pred,y_label): ’’’ 功能: 計算KS值，輸出對應分割點和累計分布函數曲線圖 輸入值: data: 二維數組或dataframe，包括模型得分和真實的標簽 pred: 一維數組或series，代表模型得分（一般為預測正類的概率） y_label: 一維數組或series，代表真實的標簽（{0,1}或{-1,1}） 輸出值: ’ks’: KS值，’cdf_df’: 好壞客戶累積概率分布以及其差值gap ’’’ Bad = data.loc[data[y_label[0]]==1,pred[0]] Good = data.loc[data[y_label[0]]==0, pred[0]] data1 = Bad.values data2 = Good.values n1 = data1.shape[0] n2 = data2.shape[0] data1 = np.sort(data1) data2 = np.sort(data2) data_all = np.concatenate([data1,data2]) cdf1 = np.searchsorted(data1,data_all,side=’right’)/(1.0*n1) cdf2 = (np.searchsorted(data2,data_all,side=’right’))/(1.0*n2) ks = np.max(np.absolute(cdf1-cdf2)) cdf1_df = pd.DataFrame(cdf1) cdf2_df = pd.DataFrame(cdf2) cdf_df = pd.concat([cdf1_df,cdf2_df],axis = 1) cdf_df.columns = [’cdf_Bad’,’cdf_Good’] cdf_df[’gap’] = cdf_df[’cdf_Bad’]-cdf_df[’cdf_Good’] return ks,cdf_df data = {’y_label’:[1,1,1,1,1,1,0,0,0,0,0,0], ’pred’:[0.5,0.6,0.7,0.6,0.6,0.8,0.4,0.2,0.1,0.4,0.3,0.9]} data = pd.DataFrame(data)ks1,crossdens=ks_calc_cross(data,[’pred’], [’y_label’]) ks2=ks_calc_auc(data,[’pred’], [’y_label’]) ks3=ks_calc_2samp(data,[’pred’], [’y_label’]) get_ks = lambda y_pred,y_true: ks_2samp(y_pred[y_true==1], y_pred[y_true!=1]).statisticks4=get_ks(data[’pred’],data[’y_label’])print(’KS1:’,ks1[’gap’].values)print(’KS2:’,ks2)print(’KS3:’,ks3[0])print(’KS4:’,ks4)

輸出結果：

KS1: [ 0.83333333]KS2: 0.833333333333KS3: 0.833333333333KS4: 0.833333333333

當數據中存在NAN數據時，有一些問題需要注意！

例如，我們在原數據中增加了y_label=0，pred=np.nan這樣一組數據

data = {’y_label’:[1,1,1,1,1,1,0,0,0,0,0,0,0],’pred’:[0.5,0.6,0.7,0.6,0.6,0.8,0.4,0.2,0.1,0.4,0.3,0.9,np.nan]}

此時執行

ks1,crossdens=ks_calc_cross(data,[’pred’], [’y_label’])

輸出結果

KS1: [ 0.83333333]

執行

ks2=ks_calc_auc(data,[’pred’], [’y_label’])

將會報以下錯誤

ValueError: Input contains NaN, infinity or a value too large for dtype(’float64’).

執行

ks3=ks_calc_2samp(data,[’pred’], [’y_label’])

輸出結果

KS3: 0.714285714286

執行

ks4=get_ks(data[’pred’],data[’y_label’])

輸出結果

KS4: 0.714285714286

我們從上述結果中可以看出

三種方法計算得到的ks值均不相同。

ks_calc_cross計算時忽略了NAN，計算得到了數據正確的概率分布，計算的ks與我們手算的ks相同

ks_calc_auc函數由于內置函數無法處理NAN值，直接報錯了，所以如果需要ks_calc_auc計算ks值時，需要提前去除NAN值。

ks_calc_2samp計算得到的ks因為searchsorted()函數（有興趣的同學可以自己模擬數據看下這個函數），會將Nan值默認排序為最大值，從而改變了數據的原始累積分布概率，導致計算得到的ks和真實的ks有誤差。

總結

在實際情況下，我們一般計算違約概率的ks值，這時是不存在NAN值的。所以以上三種方法計算ks值均可。但是當我們計算單變量的ks值時，有時數據質量不好，存在NAN值時，繼續采用ks_calc_auc和ks_calc_2samp就會存在問題。

解決辦法有兩個

1. 提前去除數據中的NAN值

2. 直接采用ks_calc_cross計算。

以上這篇利用Python計算KS的實例詳解就是小編分享給大家的全部內容了，希望能給大家一個參考，也希望大家多多支持好吧啦網。