打印分箱结果
eval.eval_feature_detail(Info_Value_list,out_path=False)
输入：
Info_Value_list:存储各变量分箱结果(proc_woe_continuous/discrete的返回值）的List.
out_path:指定的分箱结果存储路径，输出为csv文件
输出：
各变量分箱结果的DataFrame。各列分别包含如下信息：
var_name
变量名
split_list
划分区间
sub_total_sample_num
该区间总样本数
positive_sample_num
该区间正样本数
negative_sample_num
该区间负样本数
sub_total_num_percentage
该区间总占比
positive_rate_in_sub_total
该区间正样本占总正样本比例
woe_list
woe
iv_list
该区间iv
iv
该变量iv(各区间iv之和）
输出结果一个示例（截取部分）：
woe转换
得到分箱及woe,iv结果后，对原数据进行woe转换，主要用以下函数
woe_trans(dvar,civ): replace the var value with the given woe value
输入：
dvar: 要转换的变量，Series
civ: proc_woe_discrete或proc_woe_discrete输出的分箱woe结果，自定义的InfoValue类
输出：
var: woe转换后的变量，Series
分箱原理
该包中对变量进行分箱的原理类似于二叉决策树，只是决定如何划分的目标函数是iv值。
1）连续变量分箱
首先简要描述分箱主要思想：
1.初始化数据集D =D0为全量数据。转步骤2
2.对于D，将数据按从小到大排序并按数量等分为10份，记录各划分点。计算不进行仍何划分时的iv0，转步骤3.
3.遍历各划分点，计算利用各点进行二分时的iv。
如果最大iv>iv0*(1+alpha)（用户给定，默认0.01）: 则进行划分，且最大iv对应的即确定为此次划分点。它将D划分为左右两个结点，数据集分别为DL, DR.转步骤4.
否则：停止。
4.分别令D=DL,D=DR,重复步骤2.
为了便于理解，上面简化了一些条件。实际划分时还设计到一些限制条件，如不满足会进行区间合并。
主要限制条件有以下2个：
a.每个bin的数量占比>min_sample(用户给定）
b.每个bin的target取值个数>1，即每个bin必须同时包含正负样本。
2）连续变量分箱
对于离散变量分箱后续补充 to be continued...
