跳转至

MODELING ANALYSIS RISK SCORE

PyPI Docs Python Downloads CI License

面向人和 AI Agent 的高性能信贷风控工具箱

数据画像 · 分箱评估 · 特征筛选 · 相关性分析 · 模型分交叉 · 规则挖掘

用 Pandas 或 Polars 宽表分析信贷风险，查看图表、查询统计并导出报告。

分析人员用原生图表判断风险，AI Agent 从同一份报告中查询证据。

开始分析 → 查看实战案例 → 面向 AI Agent →
MARS 原生分箱趋势图：固定分箱、样本分布、件数与金额 bad rate、多分区稳定性
Home Credit 外部来源分 EXT_SOURCE_2，直接导出自 MARS 分箱报告，APPLY_DATE 为模拟日期。点击查看高清图。
分箱与稳定性实战 → · 打开交互式报告 →

把分析结果变成可以继续使用的证据

MARS 使用 Polars 计算，接受 Pandas 或 Polars 宽表。你可以检查数据质量， 评估分箱后的风险，筛选特征，分析相关性并挖掘规则。报告保留统计结果， 供你按特征、标签、客群和时间比较，查看图表，并导出 HTML、Excel 或高清图片。

外部 AI Agent 通过公共报告接口查询同一份结果。表目录、指标口径、特征业务元数据和 计算状态会随报告保存。Agent 可以在新会话中继续查询，通过证据引用核对回答， 也可以调用你选择的模型库和实验工具。

从工作任务开始

PROFILE数据能直接用吗？检查缺失与特殊值、标签覆盖、字段结构和分布变化。数据画像 → BIN / EVALUATE特征有区分度，而且稳定吗？固定分箱边界，用原生图比较各分区的分布和风险，查看多目标指标。分箱与风险评估 → SELECT为什么保留这个，删除另一个？查看候选、筛选步骤和保留／删除的实际理由。特征筛选 → CORRELATION哪些特征提供了重复信息？分别查看原始值（raw）和 WOE 的相关系数，判断相关方向与冗余。相关性分析 → SCORE CROSS两项外部来源分如何共同区分风险？固定两项分数的分段，比较交叉格子的风险梯度和组合条件。模型分交叉 → RULE MINING · EXPERIMENTAL规则在独立样本上表现如何？查看候选规则的来源、筛选理由、覆盖范围和独立验证结果。规则挖掘 →

七个实战案例与完整下载 · 保存后继续查询 · 交付给人和 Agent

当前案例使用 Home Credit 两张 application 表共 356,255 条申请；原始特征与标签来自比赛，APPLY_DATE 为模拟日期。五分区与无标签含义见输入方案。图表和查询读取同一批保存报告。

基于 MARS，构建你的 Agent

MARS 负责计算并提供分析证据。你负责组织 Agent 的操作步骤，选择训练工具，并制定业务决策流程。

场景 可复用能力 可以形成的结果
建模 Agent 数据质量、分箱评估、特征筛选、相关性、风险评估 选出候选特征，查看淘汰理由，将评估结果交给自选训练工具
监控与归因 Agent 分组画像、缺失和分布变化、固定分箱风险趋势、稳定性 定位变化人群与特征，提出待验证的归因假设
规则分析 Agent 候选规则、命中评估、发现审计、独立验证 审查候选规则的风险、覆盖范围和独立验证结果
报告分析 Agent 表目录、业务元数据、分页、快照、证据引用 在新会话继续查询，通过证据引用核对回答

你需要自行实现这些 Agent 工作流。MARS 也提供可选的内置 Agent， 它同样使用公共报告接口。查看外部 Agent 指南 · 规则证据与 Agent

计算一次，持续使用

先按 Home Credit 输入指南准备三个 CSV，放入 examples/home-credit-2018/data/raw_data/。在仓库根目录运行 python docs/snippets/readme_quickstart.py，即可生成图表、HTML 和快照。 单独复制代码时，将准备脚本放在代码所在目录，并按指南准备数据路径。 随后可以在另一个进程加载快照，查询同一份结果。

from home_credit_data import prepare_home_credit_data

from mars.analysis import profile_risk

inputs = prepare_home_credit_data()
report = profile_risk(
    inputs.df, target="TARGET", features=["EXT_SOURCE_2", "EXT_SOURCE_3"],
    benchmark_df=inputs.benchmark_df, group_col="dataset_flag", time_col="APPLY_DATE",
    amount_col="AMT_CREDIT", method="quantile", n_bins=4,
    feature_metadata=inputs.feature_metadata, business_context=inputs.business_context,
).report
report.save_risk_trend_images(
    "risk_charts", features="EXT_SOURCE_2", target="TARGET", image_format="png", dpi=300,
)
report.write_html("risk_report.html", chart_embed_mode="inline")
report.save("risk_report.marsreport")
print(report.query_page("summary", features="EXT_SOURCE_2", limit=1)["data"])

from mars.reporting import load_report

restored = load_report("risk_report.marsreport")
description = restored.describe()
page = restored.query_page("summary", limit=10)
context_json = restored.to_ai_context(tables=["summary"], max_chars=16000)

加载后得到 ReportSnapshot，其中包含已保存的统计结果和元数据。 查询无需原始宽表或内置 Agent 会话；调用 restored.show_table("summary", limit=10) 可查看汇总表。

业务信息随结果保留保存已提供的标签定义、单位和来源，记录实际参数，标明未知信息。
按需读取分析证据先筛选行、选择列并分页，再生成限制字符数的 JSON。
跨会话继续分析加载快照后，仍可查询表目录和统计结果，核对报告身份与证据引用。

JSON 摘要可以粘贴到对话框，max_chars 按字符计数，不按 token 计数。 具备 Python 或工具调用能力的 Agent 可以加载 .marsreport，继续查询已有统计。 需要新增分析维度或查看原始记录时，必须读取原数据重新计算。

当前迭代方向

Analysis、Feature、Reporting 为 Stable；Rule、Monitoring、Modeling、Pipeline、Scoring、Agent 为 Experimental。 这些标记说明接口成熟度。

当前重点是提高分析的计算速度、减少内存占用，并改进人工查看和外部 Agent 查询报告的体验。 监控、建模（包含 Pipeline）、评分卡暂时停止功能迭代。我们保留现有功能和文档， 处理必要修复，并在核心接口变化时直接修改这三个下游模块的调用代码。 核心代码不为它们增加兼容别名或冗余计算。 你可以结合编程型 AI、MARS 分析报告和自选模型工具，构建适合业务的流程。

稳定性与适配原则 · 建模／Pipeline · 监控 · 评分卡

MARS 0.0.28 已发布到 PyPI，使用以下命令安装固定版本。

pip install mars-risk==0.0.28

main 开发使用源码：

pip install "git+https://github.com/leeesq/mars-risk.git"

安装与可选依赖 · API Reference · 历史 LightGBM 示例 · GitHub · MIT License