摘要：
信用评定等级划分之后需要对评级的划分做出评价，分析这样的评级划分结果是否具有实用价值，即分析样本分布的稳定程度。样本分布稳定，则信用评定等级划分结果的实用价值就高。样本稳定指数大于0.10，即认为训练样本和测试样本分布上发生了轻微的改变；样本稳定指数大于0.25，认为训练样本和测试样本分布上发生了比较明显的改变，应该警惕。
信用评定等级划分之后需要对评级的划分做出评价，分析这样的评级划分结果是否具有实用价值，即分析样本分布的稳定程度。样本分布稳定，则信用评定等级划分结果的实用价值就高。采用样本稳定指数（ PSI ）检验样本分布的稳定程度，若训练样本和测试样本在分布上表现一致，样本稳定指数的取值就会接近于零，信用评级划分结果的可靠性就会很高；若训练样本和测试样本在分布上差异很大，样本稳定指数的取值就会变大，信用评级划分结果的可靠性就会很低。样本稳定指数大于 0.10 ，即认为训练样本和测试样本分布上发生了轻微的改变；样本稳定指数大于 0.25 ，认为训练样本和测试样本分布上发生了比较明显的改变，应该警惕。
K 代表信用等级数，pi1代表训练样本在第 i 个信用等级上的违约概率，pi2代表测试样本在第 i 个信用等级上的违约概率。
importnumpy as np y1_train_prob = np.array([0.1,0.7,0.7,0.3,0.5,0.8]) y1_pred_prob = np.array([0.1,0.4,0.1]) def psi(y1_train_prob,y1_pred_prob,k=8,eps=1e-10): """param y1_train_prob:训练数据预测1的概率 param y1_pred_prob: 预测数据预测1的概率 param k: 等级个数 param eps:数值稳定系数 return :psi """ y1_train_prob =np.sort(y1_train_prob) y1_pred_prob =np.sort(y1_pred_prob) len_train =len(y1_train_prob) len_pred =len(y1_pred_prob) num_K_train = [] #训练样本每个信用等级的计数占比 num_K_test = [] #预测样本每个信用等级的计数占比i =0 while i<=1: temp1 = len(y1_train_prob[y1_train_prob<(i+1/k)])-len(y1_train_prob[y1_train_prob<i]) num_K_train.append(temp1/len_train)
temp2 = len(y1_pred_prob[y1_pred_prob<(i+1/k)])-len(y1_pred_prob[y1_pred_prob<i]) num_K_test.append(temp2/len_pred) i= i+1/k Sum = 0.0 #存储psi值 for i inrange(k): left = num_K_train[i]-num_K_test[i] right = (num_K_train[i]+eps)/(num_K_test[i]+eps) Sum = Sum + left*np.log(right) return round(Sum,3) psi(y1_train_prob,y1_pred_prob,k=10)