架构¶

顶层结构¶

SuperModelingFactory/
├── Modeling_Tool/          # 核心建模引擎
│   ├── Core/               # 基础设施：分箱、ODPS、工具、加密、JSON
│   ├── WOE/                # WOE 编码：分箱、变换、绘图、单调合并、统一分箱引擎
│   ├── Feature/            # 特征分析：PSI、IV、相关性、分布
│   ├── Model/              # 模型训练：LR / LightGBM / XGBoost / 后向消元
│   ├── Eval/               # 模型评估：Gains、ROC、KS、对比、流水线
│   ├── Sample/             # 样本管理：切分、分层、拒绝推断、分布适配
│   └── UAT/                # 线上线下一致性校验
├── ExcelMaster/            # Excel 报告引擎
└── Report/                 # 报告模板

模块依赖图¶

flowchart TD
    Core[Core 基础设施]
    WOE[WOE 分箱与编码]
    Adapter[WOE_Adapter 统一协议]
    Feature[Feature PSI / IV / 相关性]
    Model[Model 训练]
    Eval[Eval 评估]
    Sample[Sample 样本]
    UAT[UAT 一致性]
    Excel[ExcelMaster]
    Report[Report]

    Core --> WOE
    Core --> Feature
    Core --> Model
    Core --> Eval
    Core --> Sample
    Core --> UAT
    WOE --> Adapter
    Adapter --> Feature
    Feature --> Model
    Model --> Eval
    Excel --> Report

依赖原则¶

Core 是基础层：分箱、通用工具和基础计算尽量沉在 Core。
WOE_Adapter 是桥接层：WOE_Master 与 MonotoneWOEBinner 的产物格式不同，Feature 层通过 adapter 复用统一接口。
Feature 不直接绑定某个 WOE 引擎：PSI / IV / 相关性工具通过 binning_engine 或 woe_binner 接收已拟合引擎。
顶层 Modeling_Tool/__init__.py 精选统一 API：用户可直接 from Modeling_Tool import ...。
ExcelMaster 独立：只负责 Excel 写入和图表排版。

模块职责¶

Core — 基础设施¶

文件	职责
`Binning_Tool.py`	等频 / 等距 / 卡方 / 决策树分箱
`sample_weight_utils.py`	样本权重解析（`weight_col` / `sample_weight`）与加权聚合
`ODPS_Tool.py`	阿里云 MaxCompute 客户端
`utils.py`	杂项工具、评分、WOE/IV 基础计算
`Model_Registry_Tool.py`	模型 artifact 与 metadata 持久化

WOE — 证据权重编码¶

文件	职责
`WOE_Master.py`	全流程主控：fit → transform → 整体 / 分组 WOE 表
`WOE_Monotone_Binner.py`	贪心单调 WOE 分箱器
`WOE_Adapter.py`	统一 WOE 分箱引擎协议，桥接 Master / Monotone 与 Feature 筛选
`WOE_Tool.py`	单变量 / 多变量 WOE 转换、单调性检验
`WOE_Plot_Tool.py`	单变量 / 双变量绑图、整体 / 分组 WOE 表汇总
`WOE_Report_Builder.py`	WOE 批量图 Excel 报告

Feature — 特征分析¶

文件	职责
`PSI_Tool.py`	PSI 计算，支持通过 `binning_engine` 复用 WOE 分箱
`Feature_Insights.py`	IV / KS 计算、WOE 绘图、相关性过滤
`WOE_Engine_Feature_Patch.py`	给 PSI / IV / Correlation 工具挂载 WOE 引擎兼容路径
`Distribution_Tool.py`	分布偏移检测、KDE / 直方图 / 地毯图

Model — 模型训练¶

文件	职责
`GBM_Tool.py`	LightGBM / XGBoost / CatBoost 统一接口（含样本权重）
`GBM_Search_Tool.py`	GBM 超参搜索
`LRM_Tool.py`	逻辑回归、statsmodels 摘要、逐步选择（含 `weight_col`）
`Backward_Tool.py`	后向变量消元（含训练/验证权重列）

Eval / Sample / UAT¶

模块	职责
`Eval`	Gains、ROC、KS、性能汇总、评估流水线；`weighted_eval_utils.py` 提供加权指标实现
`Sample`	样本切分、分层采样、拒绝推断、分布适配
`UAT`	线上线下分数 / 特征一致性校验

命名规范¶

公开 API 通过 __init__.py 导出。
类名使用 PascalCase，函数名使用 snake_case。
私有成员以 _ 开头，不保证稳定接口。