金融特征计算平台

Posted 2022-11-24 yueguanghaidao

金融特征计算平台

前段时间一直在做内部的特征平台，这不还有部门发的PR稿-滴滴金服风控升级：上线特征计算平台 已沉淀5000+特征，也算是给自己的交代了，今天主要
介绍一下该计算平台，以及沉淀下来的东西。

背景

金融的核心是风控，风控的核心是数据与特征。如何让数仓人员加工出来的特征可视化，分级管理？在成千上万的特征里，模型人员如何能找到高价值、预测性强的特征？找到了特征，如何方便的提取特征？

以上就是我们当初遇到的痛点，特征计算平台主要也就是解决下面几个问题

• 特征分级管理
• 特征价值计算、分布计算
• 特征提取平台

功能

首先看下面向用户的特征侦查效果，达到了特征分级管理、特征可搜索、特征价值度、分箱明细

我们可以看下芝麻信用分的分箱结果(一次样本)

样本提取功能中，用户上传样本用户、选择需要的特征，创建提取任务，如下

样本提取关键是标签不能泄露，用户提供的样本会提供当时时间的列，需要从近一年的数据中查找，计算压力还是蛮大的，需要做优化，这个后面会提到。

细节

IV值计算

评分卡领域使用最多的衡量变量预测能力的指标一般都用IV值(Information Value) ，即信息价值(信息量)。
计算IV值，需要先对变量进行分箱，大家使用最多的还是最优分箱，这个资料也挺多，大家可以搜索一下。
我用Spark写了一个简洁版本(https://github.com/Skycrab/spark-ext，仅供参考

• 连续变量暴力计算IV最优解(单调、数量是否合适、区间是否显著)
• 离散变量合并(数量过少合并、不显著合并)

def continuous(spark: SparkSession, df: DataFrame): Unit = 
    val df2= spark.sql("select * from woe where last_7_days_online_num is null")
    df2.show(2,false)

    // 连续性变量
    val woeBinning = new WoeBinning()
      .setInputCol("last_7_days_online_num")
      .setOutputCol("last_7_days_online_num_woe")
      .setLabelCol("is_bad")
      .setContinuous(true)

    val woeModel = woeBinning.fit(df)
    val result = woeModel.transform(df)
    println(woeModel.labelWoeIv.label.toList)
    println(woeModel.labelWoeIv.woeIvGroup)
    result.show()
  

spring-boot-rest

后端使用的spring-boot rest框架，熟悉我的都清楚，我之前写了好几年的Python,但自从来了大数据领域，现在主力开发语言都是Java/Scala了，可以说我已经叛变了，^_。语言只是工具，也建议大家不要把自己绑定在一个语言，一个平台上，跳出来看看，世界多姿多彩。

我把一些好的实践抽出来了，大家可以参考https://github.com/Skycrab/fairy

• swagger Api支持
• application/problem+json响应
• Mdc TraceId支持
• Boot Admin支持
• 未完待续…

样本提取

我们的样本提取是通过Spark实现的，用户提交任务后，会拼装成SQL，让Spark去执行。这边的难点就是数据量太大，用户提取近1000+个特征，底层可能涉及几十张表，每张表需要过滤近一年的数据，基本算是千亿级别了。

其实SQL倒是都很简单，如

select
  t1.uid,
  t1.is_bad, --is_bad
  t2.last_6_month_lifeservice_no1_second_category,
  t3.last_1_year_no1_first_category
from
(
  select
    date_add(sq_date,-if(pmod(datediff(sq_date,'1919-12-28'),7)=0,7,pmod(datediff(sq_date,'1919-12-28'),7))) as last_week_align, --上周日
    uid,
    sq_date, --sq_date
    is_bad --is_bad
  from test_data0315c
)t1
left outer join
(
  select
    concat_ws('-',year,month,day) as align_date,
    uid, --inner uid
    last_6_month_lifeservice_no1_second_category, --最近六个月生活服务下最常用二级位置类
    ....
  from t1
  where concat_ws('-',year,month,day) between '2018-04-05' and '2019-04-04'
  and date_format(concat_ws('-', year, month, day), 'u')=7
)t2
on (t1.uid=t2.uid and t1.last_week_align=t2.align_date)
left outer join
(
  select
    concat_ws('-',year,month,day) as align_date,
    uid, --inner uid
    last_1_year_no1_first_category, --最近一年第一常用位置一级类型
    ...
  from t2
  where concat_ws('-',year,month,day) between '2018-04-05' and '2019-04-04'
  and date_format(concat_ws('-', year, month, day), 'u')=7
)t3
on (t1.uid=t3.uid and t1.last_week_align=t3.align_date)

其实我们可以看到，所有的样本都来自于第一张样本表，只要把第一张表下推到下面所有的表，通过map join即可以优化，改写后的SQL如下

set spark.sql.autoBroadcastJoinThreshold=52428800
cache table cta
as
  select
    date_add(sq_date,-if(pmod(datediff(sq_date,'1919-12-28'),7)=0,7,pmod(datediff(sq_date,'1919-12-28'),7))) as last_week_align, --上周日
    uid,
    sq_date, --sq_date
    is_bad --is_bad
  from test_data0315c

select
  t1.uid,
  t1.is_bad, --is_bad
  t2.last_6_month_lifeservice_no1_second_category,
  t3.last_1_year_no1_first_category
from
(cta)t1
left outer join
(
  select
    concat_ws('-',year,month,day) as align_date,
    uid, --inner uid
    last_6_month_lifeservice_no1_second_category, --最近六个月生活服务下最常用二级位置类
    ....
  from t1
  where concat_ws('-',year,month,day) between '2018-04-05' and '2019-04-04' b 
  inner join cta a on(b.uid=a.uid and concat_ws('-',year,month,day)=a.last_week_align)
  and date_format(concat_ws('-', year, month, day), 'u')=7
)t2
on (t1.uid=t2.uid and t1.last_week_align=t2.align_date)
left outer join
(
  select
    concat_ws('-',year,month,day) as align_date,
    uid, --inner uid
    last_1_year_no1_first_category, --最近一年第一常用位置一级类型
    ...
  from t2
  where concat_ws('-',year,month,day) between '2018-04-05' and '2019-04-04' b 
  inner join cta a on(b.uid=a.uid and concat_ws('-',year,month,day)=a.last_week_align)
  and date_format(concat_ws('-', year, month, day), 'u')=7
)t3
on (t1.uid=t3.uid and t1.last_week_align=t3.align_date)

展望

最近很多的数据中台、AI中台，真正落地还比较困难，新事物的认可都是需要时间的。也希望我们能借助中台力量，让金融插上无限想象的翅膀。