Ylearn因果推断入门实践——Kaggle银行客户流失

YLearn的因果学习开源项目，它提供了一站式处理因果学习完整流程的开源算法工具包，解决了因果学习中的因果发现、因果量识别、因果效应估计、反事实推断和策略学习等五大关键问题，可以有效帮助客户进一步提升自动化决策的能力。

YLearn覆盖从因果发现、评估到决策一系列模块的端到端开源框架，能够有效降低决策者的使用门槛。

https://github.com/DataCanvasIO/YLearn

YLearn的使用从Why开始。

Why 是一个封装了YLearn中几乎所有功能的API，比如，识别因果效应和给一个训练好的估计器模型打分。它提供给用户一个简单且有效的方式来使用YLearn的包：能够直接传入你仅有的东西，数据到 Why 中并使用它的多个方法，而不是学习多个概念，比如在能够找到藏在你的数据中有趣的信息之前学习调整集合。

Why 被设计成能够执行因果推断的完整流程：给出数据，它首先尝试发现因果图，如果没有提供的话。接着它尝试找到可能作为干预的变量和识别因果效应。在此之后，一个合适的估计器模型将被训练用以估计因果效应。最终，估计对于每一个个体最佳的选项的策略。

1. 概述

本实践案例用一个典型的银行客户流失预测数据集来演示YLearn的一体式API Why的使用。Why涵盖因果学习的整个流程，包括因果发现、因果效应识别、因果效应估计、反事实推理和政策学习。

首先，创建一个Why实例，该实例需要通过调用其方法fit()进行训练。引入了自定义设置（具有定义的干预）和默认设置（通过算法本身发现干预）。执行以下实用程序（如plot_causal_graph()、causal_effect()和whatif()）来分析各种反事实场景。另一个关键方法policy_interpreter()提供了一个定制的解决方案来优化输出。

预测客户流失的目的是为了留住客户，让客户更多的使用信用卡，消费多了，银行的收益也就最大化了。把预测流失，怎么能留住客户的问题，变换为直接目标，让客户更多的消费而银行获利，怎么办呢？本例的策略是提升客户信用卡的级别（提升信用卡级别，透支额度增大，使用费用增加）。

2. 数据集

本案例中使用的数据集是Kaggle银行客户流失数据集的一个子集。它的目的是预测流失的客户。然而，我们使用它来分析产生总交易金额的原因，并提供定制策略以最大化交易金额。数据集包含约1万名客户的信息，其中近20个连续和分类变量代表了用户的特征。我们手动选择10个变量来分析它们的因果关系和因果效应，如下所示：

• 客户一般特征：Customer_Age（年龄）、Gender（性别）、Dependent_count（相关账户数）、Education_Level（受教育程度）、Marital_Status（婚姻状态）、Income_Category（收入分类区间）
• 客户信用卡功能：Months_on_book（账面月数）、card_Category（卡类别/级别）、credit_Limit（信用额度）
• 客户交易金额：Total_Trans_Amt，Total_Trans_Amt是此笔记本中的结果。

数据集地址：https://www.kaggle.com/datasets/syviaw/bankchurners

数据集内容描述如下：

3. 开始第一个YLearn实践

案例开源地址：
https://github.com/DataCanvasIO/YLearn/blob/main/example_usages/case_study_bank.ipynb

数据集地址：
https://github.com/DataCanvasIO/YLearn/blob/main/example_usages/data/BankChurners.csv.zip

3.1. 安装YLearn

由于本案例使用开源最新代码，直接安装的Release 0.1.3（Latest）版本不是最新的，缺少功能，需要手动编译最新源代码进行安装，我已经把安装包上传为资源“YLearn安装包”。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple E:\temp\YLearn-main\dist\ylearn-0.1.3-cp38-cp38-win_amd64.whl

3.2. 开始并获取数据

import numpy as np
import pandas as pd
from matplotlib import pyplot  as plt

from sklearn.model_selection import train_test_split
from ylearn import Why

import warnings
warnings.filterwarnings('ignore')

df = pd.read_csv('data/BankChurners.csv.zip')
cols = ['Customer_Age', 'Gender', 'Dependent_count', 'Education_Level', 'Marital_Status', 'Income_Category', 
        'Months_on_book', 'Card_Category', 'Credit_Limit',  
        'Total_Trans_Amt' 
     ]
data = df[cols]
outcome = 'Total_Trans_Amt'
train_data,test_data=train_test_split(data,test_size=0.3,random_state=123)
data

3.3.明确干预的因果关系

3.3.1. 统计卡片类别

Card_Category是一个分类的、合理的变量。卡片类别和相应的平均交易金额概览如下所示。

card_stat=train_data[['Card_Category','Total_Trans_Amt']].groupby('Card_Category').agg(['mean','min','max',]).sort_values(by=('Total_Trans_Amt','mean'))

card_stat[('Total_Trans_Amt','mean')].plot(kind='bar', title='Mean of Total_Trans_Amt')
card_stat

3.3.2. 了解为什么，treatment=‘Card_Category’

首先，创建一个Why实例。然后使用fit()方法训练模型，该方法定义了treatment=‘Card_Category’。打印的日志显示了已识别结果和使用的标识符的信息。

要可视化因果关系，请使用plot_causal_graph（）获得因果图。

why=Why()
why.fit(train_data,outcome,treatment='Card_Category')

why.plot_causal_graph()

3.3.3. 估计因果影响

有四种类型的卡片类别：蓝色、银色、金色和白金。将蓝色作为控制变量，其余三个作为治疗变量，方法causal_effect（）输出三个因果效应估计。从结果中，我们发现卡片升级会增加个人交易金额。金卡的效果最强。

effect=why.causal_effect(control='Blue',return_detail=True)
effect=effect.loc['Card_Category'].sort_values(by='mean')
details=effect.pop('detail')

plt.figure(figsize=(10, 5))
plt.violinplot(details.tolist(), showmeans=True)
plt.ylabel('Effect distribution')
plt.xticks(range(1,len(effect)+1), details.index.tolist())
plt.plot( [0, ]*(len(effect)+2) )
plt.show()

effect

其中：
causal_effect(test_data=None, treatment=None, treat=None, control=None, target_outcome=None, quantity=‘ATE’, return_detail=False, **kwargs)
估计因果效应。

参数：

• test_data (pandas.DataFrame, optional) – 用于评估因果效应的数据集。如果是None的话则使用fit时的数据集。
• treatment (str or list, optional) – treatment名称或列表。应当是属性 treatment_ 的子集。缺省是属性 **treatment_**的所有元素。
• treat (treatment value or list or ndarray or pandas.Series, default None) – 对于单个离散的treatment，treat应当是treatment所有可能值中的一个；对于多个离散的treatment，treat应当是由每个treatment的值组成的一个列表（list）；对于连续性treatment,treat应当是与test_data行数相同的ndarray或pandas.Series。缺省是None，由Why自行推断。
• control (treatment value or list or ndarray or pandas.Series, default None) – 与treat类似。
• target_outcome (outcome value, optional) – 仅当outcome是离散型是生效。缺省是属性 y_encoder_.classes_ 中的最后一个元素。
• quantity (str, optional, default ‘ATE’, optional) – ‘ATE’ or ‘ITE’, 缺省是 ‘ATE’。
  return_detail (bool, default False) – 是否在返回结果中包括因果效应的详细数据(detail)

返回：
所有治疗的因果效应。当quantity=’ATE’时，返回结果的DataFrame包括如下列:

• mean: 因果效应的均值
• min: 因果效应的最小值
• max: 因果效应的最大值
• detail (当 return_detail=True时 ): 以ndarray表示的因果效应的详细数据。
  当quantity=’ITE’时，返回结果是由个体因果效应组成的DataFrame。

返回类型：
pandas.DataFrame

其中ATE —— Average Treatment Effect(ATE)，平均干预效果：
$ATE=E[Y(W=1)-Y(W=0)]$

3.3.4. 反事实推理

作为决策者，他们想知道如果升级客户的卡类别，估计的增量。Whatif（）提供了进行反事实推理的解决方案。

通过将所有蓝卡升级为银卡、金卡和白金卡，平均Total_Trans_Amt的估计值分别从4231增加到5651、12477和8044。这是一个有希望的改进。然而，我们可能想知道，将所有蓝色升级为金色是否是优化的解决方案。

• 将所有蓝卡升级为银卡

whatif_data= train_data[lambda df: df['Card_Category']=='Blue' ]
out_orig=whatif_data[outcome]

value_sliver=whatif_data['Card_Category'].map(lambda _:'Silver')
out_silver=why.whatif(whatif_data,value_sliver,treatment='Card_Category')

print('Selected customers:', len(whatif_data))
print(f'Mean {outcome} with Blue card:\t{out_orig.mean():.3f}' )
print(f'Mean {outcome} if Silver card:\t{out_silver.mean():.3f}' )

plt.figure(figsize=(8, 5), )
out_orig.hist(label='Blue card',bins=30,alpha=0.7)
out_silver.hist(label='Silver card',bins=30,alpha=0.7)
plt.legend()

• 将所有蓝卡升级为金卡

whatif_data= train_data[lambda df: df['Card_Category']=='Blue' ]
out_orig=whatif_data[outcome]

value_gold=whatif_data['Card_Category'].map(lambda _:'Gold')
out_gold=why.whatif(whatif_data,value_gold,treatment='Card_Category')


print('Selected customers:', len(whatif_data))
print(f'Mean {outcome} with Blue card:\t{out_orig.mean():.3f}' )
print(f'Mean {outcome} if Gold card:\t{out_gold.mean():.3f}' )

plt.figure(figsize=(8, 5), )
out_orig.hist(label='Blue card',bins=30,alpha=0.7)
out_gold.hist(label='Gold card',bins=30,alpha=0.7)
plt.legend()

• 将所有蓝卡升级为铂金卡

whatif_data= train_data[lambda df: df['Card_Category']=='Blue' ]
out_orig=whatif_data[outcome]

value_platinum=whatif_data['Card_Category'].map(lambda _:'Platinum')
out_platinum=why.whatif(whatif_data,value_platinum,treatment='Card_Category')


print('Selected customers:', len(whatif_data))
print(f'Mean {outcome} with Blue card:\t{out_orig.mean():.3f}' )
print(f'Mean {outcome} if Platinum card:\t{out_platinum.mean():.3f}' )

plt.figure(figsize=(8, 5), )
out_orig.hist(label='Blue card',bins=30,alpha=0.7)
out_platinum.hist(label='Platinum card',bins=30,alpha=0.7)
plt.legend()

3.3.5. 策略解释器

YLean还提供了policy_interpreter()方法来搜索优化的解决方案。

pi=why.policy_interpreter(whatif_data,  max_depth=2)
# 获取策略解释器

plt.figure(figsize=(12, 8), )
pi.plot()

基于Credit_Limit和Month_on_book，树整数被分成四个节点。数值数组表示控制变量（蓝色与蓝色）和三种处理（金与蓝色、铂与蓝色、银与蓝色）的因果关系。高值越高表示性能越好。值越高意味着性能越好。查看第一个节点，策略树建议为“Credit_limit<=15231.5”的客户将蓝卡升级为金卡。

• 使用因果政策升级信用卡

whatif_data= train_data[lambda df: df['Card_Category']=='Blue' ]
out_orig=whatif_data[outcome]

value_from_policy=pi.decide(whatif_data)
out_from_policy=why.whatif(whatif_data,value_from_policy,treatment='Card_Category')


print('Selected customers:', len(whatif_data))
print(f'Mean of {outcome} with Blue card:\t{out_orig.mean():.3f}' )
print(f'Mean of {outcome} if apply policy:\t{out_from_policy.mean():.3f}' )

plt.figure(figsize=(8, 5), )
out_orig.hist(label='Blue card',bins=30,alpha=0.7)
out_from_policy.hist(label='Card from policy',bins=30,alpha=0.7)
plt.legend()

3.3.6. 效果比较

whatif_summary=pd.Series({
    'Blue to Silver': out_silver.mean(),
    'Blue to Gold': out_gold.mean(),
    'Blue to Platinum': out_platinum.mean(),
    'Card from Policy': out_from_policy.mean(),
    },name=f'Mean of {outcome}').to_frame()
whatif_summary.plot(kind='bar',legend=False)
whatif_summary

3.3.7. 结论

从比较结果来看，我们的策略获得了最高的交易金额！虽然该策略不考虑成本和风险，但它提供了定制策略，以帮助增加交易金额。

3.4. 因果发现的因果效应

3.4.1. 了解Why treatment=None

本节使用fit()方法的默认设置，这意味着应用因果发现来查找因果关系。

why=Why(random_state=123)
why.fit(train_data,outcome)
why.causal_effect(control=['M','College'])

我们观察到，客户性别和教育水平是影响交易总额的重要因素。这两个特征相当合理。然而，在实践中很难将它们作为干预手段（不能改变客户的性别）。

3.4.2. 估计对训练集数据的因果影响

为了说明方法的使用，我们以“M”（性别）和“大学”（教育程度）作为治疗方法来估计因果效应。

why.causal_effect(control=['M','College'])

3.4.3. 估计对测试数据的因果影响

why.causal_effect(test_data, control=['M','College'])

显示测试数据的因果效应估计。

3.4.4. 结论

由于性别和教育水平是属性特征，因此将其作为治疗手段是不现实的。本节介绍因果发现的含义。此外，来自列车数据和测试数据的估计结果非常相似，这反映了该方法的鲁棒性。

4. 总结

这是我的因果推断入门第一个实践，按开源给的案例学习研究，代码简单内涵丰富，思维也要由相关关系转换到因果关系。

参考：

[1]. 千年灬相思. Microsoft Visual C++ 14.0下载方法. 2022.06
[2]. 肖永威. 大数据因果推理与学习入门综合概述. CSDN博客. 2022.10
[3]. jinzhao. 如何通俗的理解小提琴图. 知乎. 2021.05
[4]. Why: 一个一体化的因果学习API