策略触发率是信贷风控日常工作中经常使用的一个指标。但在实际的业务当中，一笔申请进件往往触发不止一个审批规则。因此当统计单独每一条策略的触发率时，将会不可避免的导致整个样本的策略触发率之和不为100%。这篇文章就带你一起扒一扒
权重加持，如何提升策略触发率的含金量。
#完整Python代码文章留言“666”获取
让我们通过下面这个例子来直观理解这个问题：
从上文的例子中可以发现，因为触发了多条规则的申请在统计每一条规则触发的时候都会计入触发一次，导致了最终的触发率之和不为100%。不难发现，这个触发率之和是受到样本（用来分析的所有申请进件）中规则触发条数影响的。
如果能够保证样本的策略触发率的取值范围在[0,1]，那么就可以更加直观的表现出一条策略对样本审批结果的影响。为实现策略触发率的取值范围在[0,1]这一目标，可以考虑对每条申请触发的策略进行计数(n)，并对每笔申请所触发的规则赋予等权重(1/n)。继续使用上文的例子举例：
通过计算含权重的策略触发率，可以将策略触发率的取值范围限制在[0,1]。也使得这个指标更加直观：还是以上文的例子为例，如果是不含权重的触发率，策略A和策略B的触发率均是60%，但在含权重的策略触发率中，可以明显的看出策略A对样本整体的影响大于策略B（37%>30%）。
可以认为，含权重策略触发率是一个更为直观的单一策略触发率口径。
接下来，简要介绍一下如何使用Python代码实现含权重策略触发率的计算。这一方法主要是针对决策引擎输出的触发策略名字符串进行处理。
1.定义一个函数将指定字符串按分隔符进行拆分：
