Lending Club 数据做数据分析&评分卡
生活随笔
收集整理的這篇文章主要介紹了
Lending Club 数据做数据分析&评分卡
小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.
一 ：項目目的
研究Lending Club 貸款的風(fēng)險特征，并提出建模方案。
二：數(shù)據(jù)獲取
數(shù)據(jù)集來自Lending Club平臺發(fā)生借貸的業(yè)務(wù)數(shù)據(jù)，2017年第一季度，具體數(shù)據(jù)集可以從Lending Club官網(wǎng)下載,需要先用郵箱注冊一個賬號。
三：數(shù)據(jù)探索
1.導(dǎo)入需要用到的工具
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
plt.style.use('ggplot') #風(fēng)格設(shè)置
import seaborn as sns
sns.set_style('whitegrid')
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')
plt.rcParams['font.sans-serif'] = ['SimHei'] # 指定默認(rèn)字體
plt.rcParams['axes.unicode_minus'] = False # 解決保存圖像是負(fù)號'-'顯示為方塊的問題
2.導(dǎo)入數(shù)據(jù)
data=pd.read_csv("LoanStats3d_securev1.csv",encoding='latin-1',skiprows = 1)
data.head()
各個變量的解釋也可以在Lending Club 官網(wǎng)找到，直接下載是EXCEL格式的
#看一下目標(biāo)特征 data.loan_status.value_counts()
Fully Paid 307831 Charged Off 77884 Current 33584 Late (31-120 days) 1006 In Grace Period 436 Late (16-30 days) 287 Default 67 Name: loan_status, dtype: int64
Fully Paid:已結(jié)清 ,Charged Off：壞賬 ,Current：當(dāng)前已還款 , Late (31-120 days)：預(yù)期30-120天
#In Grace Period ：已逾期但在寬限期類 , Default：逾期超過90天
#參考：https://help.bitbond.com/article/20-the-10-loan-status-variants-explained·
從結(jié)果看出 我們的正反案列存在嚴(yán)重的正反案列不均衡問題，后續(xù)建模需要處理以下
3.先把標(biāo)簽處理一下
#封裝一個替換函數(shù) def coding(col, codeDict):
colCoded = pd.Series(col, copy=True)#創(chuàng)建一個和loan_status一樣的 Series for key, value in codeDict.items():#返回可遍歷的(鍵, 值) 元組數(shù)組 colCoded.replace(key, value, inplace=True)#替換原有數(shù)據(jù) return colCoded
##把貸款狀態(tài)LoanStatus編碼為違約=1, 正常=0:
dict1={'Current':0,'Fully Paid':0,'Charged Off':1,'Late (31-120 days)':1,'Late (16-30 days)':1,'In Grace Period':1,"Default":1}data["loan_status_class"]=coding(data["loan_status"],dict1)
data.loan_status_class.value_counts()
0 341415 1 79680 Name: loan_status_class, dtype: int64
3.處理缺失值
#查看缺失值
for i in data.columns:
miss=data[i].isnull().sum()
print(i," ",miss)
截圖不完整
發(fā)現(xiàn)很多變量全為空，這種數(shù)據(jù)對我們沒有任何價值，先處理掉這些無用數(shù)據(jù)。
#刪除缺失別列0.8以上的列 half_count = len(data)*0.8 # 設(shè)定閥值 data = data.dropna(thresh = half_count, axis = 1 ) #若某一列數(shù)據(jù)缺失的數(shù)量超過閥值就會被刪除 data.shape
#data = data.drop(['desc', 'url'，'id'], axis = 1) #刪除了一些無用列（421095, 93）
#剩下93 列
4.數(shù)據(jù)描述
由于數(shù)據(jù)特征較多，這里篩選一些變量做描述
col=["loan_amnt","term","int_rate","grade","emp_length","annual_inc","verification_status","loan_status","purpose","dti","delinq_2yrs","inq_last_6mths",'open_acc',"pub_rec","revol_bal","total_acc","total_rev_hi_lim","addr_state","home_ownership","emp_title","loan_status_class"] df=data[col]
df.columns=["申請額度","借款期限","利率","評級","工作年限","年收入","收入來源是否核實(shí)","借款狀態(tài)","借款目的","負(fù)債率","近兩年逾期30天以上的次數(shù)","近6個月征信查詢次數(shù)","未結(jié)清借款數(shù)","負(fù)面記錄","未結(jié)清借款總額","剩余信用額度","總授信額度","所在地","住房狀態(tài)","職位","分類"]
#描述分類屬性依據(jù)好壞樣本的分布情況
cla=["借款期限","評級","工作年限","收入來源是否核實(shí)","借款目的","住房狀態(tài)"]
for i in cla:
pvt=pd.pivot_table(df[["分類",i]],index=i,columns="分類",aggfunc=len)
pvt.plot(kind="bar")
由圖可知：
1.（左上）大部分人選擇36期貸款，少部分選擇60期，但是60期逾期百分比明顯高于36期，并且高達(dá)37%,借款時間越長，風(fēng)險越大。
2.（右上）LC自評等級，這個評級與利息相關(guān)的，隨著評級下降風(fēng)險越來越高，利息越來越高，我們可以認(rèn)為相應(yīng)的逾期率較大，本圖也反饋了LC 評級的優(yōu)異性能
3.（左下）值得注意的是，工作年限10年以上的借款人相對較多，這與我們的一般認(rèn)知不符合，除此以外工作1-9年的人群隨著工作年限加長，借款需求相對減少，可能是收入相對穩(wěn)定了，
（題外話：如果這個假設(shè)成立，為什么我自己工作年限越長，就越窮呢，是因?yàn)槟芰γ矗姨y了=。=）
4.（右下）收入來源是否經(jīng)過核實(shí)，大部分是經(jīng)過核實(shí)的，并且經(jīng)過核實(shí)的違約概率相對較低
5.借款目的 債務(wù)整合，家具裝修，還信用卡，三類最多（還是比較誠實(shí)，這也側(cè)面說明 這個特征可能用處不大）
6.住房狀態(tài)上 按揭 與租房 最多，相對的 租房違約率較高 （符合一般家庭情況）
對數(shù)值型數(shù)據(jù)進(jìn)行描述
cel=[i for i in df1.columns if df1[i].dtypes =="float"]
for i ,j in enumerate(cel):
plt.figure(figsize=(8,5*len(cel)))
plt.subplot(len(cel),1,i+1)
sns.distplot(df1[j][df1.分類==0],color="b")
sns.distplot(df1[j][df1.分類==1],color="r")
由圖可知：
1.（左上）借款額度呈正太分布，稍有一點(diǎn)左偏，表明業(yè)務(wù)多集中在中小額度上面，且額度越高逾期率相對有所增加。
2.（右上）年收入集中在15萬以內(nèi)，個別極高收入達(dá)到400萬。
3.（左下）負(fù)債率呈現(xiàn)正太分布，多集中在40%以內(nèi)
4.（右下）近兩年逾期30天以上的次數(shù)，說明即使一次逾期記錄也沒有，客戶也是可能逾期的
由圖可知：
1.征信查詢，查的越多越容易逾期
2.沒有負(fù)面記錄也是會逾期的，但是有負(fù)面記錄的人逾期率要高得多。
用詞云圖看看，申請地與職位的頻率
text=["職位","所在地"]
str_list=["",""]
for i,j in enumerate(text):
for k in df1[j].values:
str_list[i]+=str(k) + " "
print(str_list)
#分別設(shè)置了背景顏色，寬度，與高度
from wordcloud import WordCloud
wordcloud=WordCloud(background_color="white",width=1000, height=860, margin=2).generate(str_list[0])
plt.imshow(wordcloud)
plt.axis("off")
wordcloud=WordCloud(background_color="white",width=1000, height=860, margin=2).generate(str_list[1])
plt.imshow(wordcloud)
plt.axis("off")
#在制作詞云圖時，文本之間提前預(yù)留空格，作圖時間會非常快，相當(dāng)于自己提前分詞
1.借款人 職務(wù) 大多是公司職員，
2.借款人主要集中在，加利福利亞，紐約 德克薩斯州（該公司中部在加州）
探索借款用途與利率之間的關(guān)系
df['int_rate_num'] = df['int_rate'].str.rstrip("%").astype("float")# 刪除 利率后面的百分號，并且轉(zhuǎn)換成 浮點(diǎn)型數(shù)據(jù)
sns.boxplot(y="purpose",x="int_rate_num",data=df)
借款用途為 small_business 的借款利率最高
探索探索利率 收入 工作年限 和借款狀態(tài)之間的關(guān)系
#替換數(shù)據(jù)的第二種方法
mapping_dict = {
"emp_length": {
"10+ years": 10,
"9 years": 9,
"8 years": 8,
"7 years": 7,
"6 years": 6,
"5 years": 5,
"4 years": 4,
"3 years": 3,
"2 years": 2,
"1 year": 1,
"< 1 year": 0,
"n/a": 0
}
}
df = df.replace(mapping_dict) #轉(zhuǎn)換
df["annual_inc"]=df["annual_inc"].astype("float") #把收入中odjest 轉(zhuǎn)換成float
sns.pairplot(df, vars=["int_rate_num","annual_inc", "emp_length"],hue="loan_status_class", diag_kind="kde" ,kind="reg", size = 3)
可理解為 工作年限越長，收入越高違約情況相對較低，相應(yīng)的享受更低的利息
簡單看看相關(guān)性
sns.heatmap(df1.corr())
除去對角線以外顏色越淺相關(guān)信息越高
5.建模準(zhǔn)備工作
1.查看缺失值具體情況，并決定填充策略
#查看缺失值情況并決定哪些需要刪除
data_defect=[i for i in data.columns if (data[i].isnull().sum())/data.shape[0] != 0]
for i in data_defect:
defect=data[i].isnull().sum()/data.shape[0]
print( i , defect)
data=data.drop(["mths_since_recent_bc","mths_since_recent_inq"],axis=1)
#眾數(shù)填充
fil=["emp_title","emp_length","title","dti","num_rev_accts","num_tl_120dpd_2m","percent_bc_gt_75"]
from scipy.stats import mode # 計算眾數(shù)模塊
for i in fil:
data[i][data[i].isnull()]=mode(data[i][data[i].notnull()])[0][0]
#再看看缺失值情況
objectcolumns=[i for i in data.columns if data[i].dtype=="object"]
data[objectcolumns].isnull().sum().sort_values(ascending=False)
data[objectcolumns].head()
#發(fā)現(xiàn) int_rate 與revol_util 實(shí)際數(shù)數(shù)值，但是含有% 被識別為字符，借款周期需要處理，工齡需要處理
data.int_rate= data.int_rate.str.rstrip('%').astype('float')
data.revol_util= data.revol_util.str.rstrip('%').astype('float')#刪除末尾指定字符，并轉(zhuǎn)化成數(shù)值
data["term"]=data["term"].str.rstrip("months").astype("float")
objectcolumns=[i for i in data.columns if data[i].dtypes=="object"]
data[objectcolumns].isnull().sum().sort_values()
#數(shù)據(jù)過濾
var = data[objectcolumns].columns for v in var: print(' Frequency count for variable {0}'.format(v)) print(data[v].value_counts()) data[objectcolumns].shape
drop_list=["sub_grade","title","zip_code","last_pymnt_d","last_credit_pull_d"] data.drop(drop_list,axis=1,inplace=True)
#創(chuàng)建一個vacancy 類型，填充缺失值
objectcolumns=[i for i in data.columns if data[i].dtype=="object"]
data[objectcolumns]=data[objectcolumns].fillna("vacanct")
import missingno as msno # 缺失值可視化 msno.matrix(data[objectcolumns])
#查看float數(shù)據(jù)類型缺失情況 floatcolumns=[i for i in data.columns if data[i].dtype=="float"] data[floatcolumns].isnull().sum().sort_values(ascending=False)
對于數(shù)值型數(shù)據(jù)我們先采用均值填補(bǔ)
from sklearn.preprocessing import Imputer imp = Imputer(missing_values=np.nan , strategy='mean',copy=False, axis=0) imp=imp.fit(data[floatcolumns]) data[floatcolumns]=imp.transform(data[floatcolumns])
極端值這里暫時不做處理，因?yàn)槭亲鲈u分卡，后續(xù)會做分箱操作
對object數(shù)據(jù)再次進(jìn)行數(shù)據(jù)過濾，看看是否需要篩選
objectColumns = [i for i in data.columns if data[i].dtype=="object"]
var = data[objectColumns].columns
for v in var:
print('
Frequency count for variable {0}'.format(v))
print(data[v].value_counts())
data_drop=data[["sub_grade","pymnt_plan","title","last_pymnt_d","last_pymnt_d","last_credit_pull_d","application_type","hardship_flag",
"debt_settlement_flag"]]
data=data.drop(data_drop,axis=1)
2.特征抽象
這里我們優(yōu)先使用類別標(biāo)簽，暫時不用啞變量，后續(xù)看模型效果也可以嘗試啞變量
data_list={
"grade":{"A":1,"B":2,"C":3,"D":4,"E":5,"F":6,"G":7},
"emp_length":{"10+ years":11,"2 years":2,"< 1 year":0,"3 years":3,"1 year":1,"5 years":5,"4 years":6,"vacanct":0,
"8 years":8,"7 years":7,"6 years":6,"9 years":9 },
"home_ownership":{"MORTGAGE":1,"RENT":2,"OWN":3,"ANY":4 },
"verification_status":{"Source Verified":1,"Verified":2,"Not Verified":3},
"loan_status":{'Current':0,'Fully Paid':0,'Charged Off':1,'Late (31-120 days)':1,'Late (16-30 days)':1,'In Grace Period':1,"Default":1},
"purpose":{"debt_consolidation":1,"credit_card":2,"home_improvement":3,"other":4,"major_purchase":5,"medical":6,"car":7,
"small_business":8,"moving":9,"vacation":10,"house":11,"renewable_energy":12,"wedding":13,"educational":14},
"initial_list_status":{"w":1,"f":2},
"term":{36.0:1,60.0:2}
}
data=data.replace(data_list)#映射
n_columns = ["home_ownership","verification_status","purpose","application_type"] dummy_df = pd.get_dummies(data[n_columns])# 用get_dummies進(jìn)行one hot編碼 loans = pd.concat([data, dummy_df], axis=1) #當(dāng)axis = 1的時候，concat就是行對齊，然后將不同列名稱的兩張表合并 data = data.drop(n_columns, axis=1) #清除原來的分類變量
啞變量編碼
同值信息處理
from scipy.stats import mode
equ_fea=[]
for i in data1.columns:
mode_value=mode(data1[i])[0][0]
mode_rate=mode(data1[i])[1][0]/data1.shape[0]
if mode_rate >0.9:
equ_fea.append([i,mode_value,mode_rate])
dt=pd.DataFrame(equ_fea,columns=["name","value","equi"])
dt.sort_values(by="equi")
再剔除信息泄露屬性
drop_data_leakage=data[["recoveries","last_pymnt_amnt","funded_amnt","funded_amnt_inv","total_pymnt","total_pymnt_inv","total_rec_prncp",
"total_rec_int"]]
a=data.drop(drop_data_leakage,axis=1,inplace=True)
特征衍生
#我們呢把'annual_inc'年收入/12 得到客戶月收入，然后在用"installment" 除以月收入得到得到每月還款與月收入的比，值越大客戶還款壓力越大 data["installment_feat"]=data["installment"] / (data["annual_inc"]/12) #把時序變量變成月份值，用借款發(fā)放時間 - 首次使用信用卡時間，作為一個新變量，表示信用歷史 a=(data["issue_d"]-data["earliest_cr_line"])/30 data["cre_hist"]=a data.drop(["issue_d","earliest_cr_line"],axis=1,inplace=True)
data.to_csv("2017q1_2.csv",index=False)
連續(xù)變量分箱：
分箱方法包括有監(jiān)督的 卡方分箱 KS分箱和決策樹分箱，無監(jiān)督的 等寬 等頻等分箱
一開始打算采用卡方分箱，但是有的數(shù)據(jù)莫名其妙出錯，要么就跑一晚上沒有反應(yīng)，以為是正太分布的問題，半天也沒有解決，最后改用決策樹分箱。
def Chi2(df, total_col, bad_col,overallRate):
'''
#此函數(shù)計算卡方值
:df dataFrame
:total_col 每個值得總數(shù)量
:bad_col 每個值的壞數(shù)據(jù)數(shù)量
:overallRate 壞數(shù)據(jù)的占比
: return 卡方值
'''
df2=df.copy()
df2['expected']=df[total_col].apply(lambda x: x*overallRate)
combined=zip(df2['expected'], df2[bad_col])
chi=[(i[0]-i[1])**2/i[0] for i in combined]
chi2=sum(chi)
return chi2
#最大分箱數(shù)分箱
def ChiMerge_MaxInterval_Original(df, col, target,max_interval=5):
'''
: df dataframe
: col 要被分項的特征
： target 目標(biāo)值 0,1 值 1 為反 0 為正
: max_interval 最大箱數(shù)
：return 箱體
'''
colLevels=set(df[col])
colLevels=sorted(list(colLevels))
N_distinct=len(colLevels)
if N_distinct <= max_interval:
print ("the row is cann't be less than interval numbers")
return colLevels[:-1]
else:
total=df.groupby([col])[target].count()
total=pd.DataFrame({'total':total})
bad=df.groupby([col])[target].sum()
bad=pd.DataFrame({'bad':bad})
regroup=total.merge(bad, left_index=True, right_index=True, how='left')
regroup.reset_index(level=0, inplace=True)
N=sum(regroup['total'])
B=sum(regroup['bad'])
overallRate=B*1.0/N
groupIntervals=[[i] for i in colLevels]
groupNum=len(groupIntervals)
while(len(groupIntervals)>max_interval):
chisqList=[]
for interval in groupIntervals:
df2=regroup.loc[regroup[col].isin(interval)]
chisq=Chi2(df2,'total','bad',overallRate)
chisqList.append(chisq)
min_position=chisqList.index(min(chisqList))
if min_position==0:
combinedPosition=1
elif min_position==groupNum-1:
combinedPosition=min_position-1
else:
if chisqList[min_position-1]<=chisqList[min_position + 1]:
combinedPosition=min_position-1
else:
combinedPosition=min_position+1
#合并箱體
groupIntervals[min_position]=groupIntervals[min_position]+groupIntervals[combinedPosition]
groupIntervals.remove(groupIntervals[combinedPosition])
groupNum=len(groupIntervals)
groupIntervals=[sorted(i) for i in groupIntervals]
print (groupIntervals)
cutOffPoints=[i[-1] for i in groupIntervals[:-1]]
return cutOffPoints
#返回最佳切分點(diǎn)array
卡方分箱代碼
import numpy as np from scipy.stats import kstest kstest(b, 'norm') #正太分布檢驗(yàn) p值大于0.05 表示符合正太分布
正態(tài)性檢驗(yàn)代碼
#先切分下需要分箱的數(shù)據(jù) x_data=data["open_acc"] x1_data=x_data[:,np.newaxis] #sklearn要求x，至少是二維數(shù)據(jù)，所以需要增加一維，np.newaxis 的位置決定了增加維度的位置 x1_data
#做單變量決策樹
from sklearn.tree import DecisionTreeClassifier model = DecisionTreeClassifier( max_depth=3,min_samples_leaf=21054).fit(x1_data,data["loan_status"])
#顯示圖形 from sklearn import tree import graphviz dot_data = tree.export_graphviz(model, out_file=None) graphviz.Source(dot_data)
略過圖形展示
#通過決策樹得到所有切分點(diǎn)，并轉(zhuǎn)換成字典
num_box=["loan_amnt","int_rate","dti","fico_range_low","installment","annual_inc","fico_range_high","open_acc"]
cut_list=[
[4012,5987,7012,9012,10012,19987,20012,23987,28112],
[6.905,8.045,10.565,11.76,12.49,13.665,15.88,17.915,19.94],
[7.445,10.075,12.625,14.855,20.195,21.795,25.135,30.115,34.275],
[667.5,677,683,687,692,697,707,727,747],
[161,197,251,503,602,880],
[42800,55101,65732,85085,104499,120287,150486],
[671.5,686.5,691.5,701.5,711.5,731.5,751.5],
[5.5,7.5,8.5,10.5,17.5,22.5]]
cut_dict={}
for i in range(len(num_box)):
cut_dict[num_box[i]]=cut_list[i]
#采用pd.cut()劃分?jǐn)?shù)據(jù)
def box_col_to_df(to_box,col,num_b):#數(shù)據(jù)集 需要轉(zhuǎn)換的數(shù)據(jù)列 切割點(diǎn)LISI
bins=[-100.0]+num_b+[1000000000.0] #因?yàn)閜d.cun()是封閉的，這里把bins的上下區(qū)間擴(kuò)大
to_box[col]=pd.cut(to_box[col],bins=bins,include_lowest=True,labels=range(len(bins)-1))
box_col_to_df(data,"open_acc",cut_dict["open_acc"])
完成后的數(shù)據(jù)如下
用隨機(jī)森林對變量重要程度排序
已經(jīng)提前切分了 X與 y
from sklearn.ensemble import RandomForestClassifier clf=RandomForestClassifier().fit(x,y)
一開始這里出現(xiàn)錯誤，顯示 x存在 空值或者無窮大
#找到無窮值 inf_list= np.isinf(data).sum().tolist()#把每一列的無窮值個數(shù)加起來 sum(inf_list)#如果sum(nan_inf) 為0，則不存在無窮值；如果不為0，則存在。
#定位無窮值 abnormal_index = [ [inf_list.index(i)] for i in inf_list if i != 0 ]#遍歷列表，找到所有非0值的索引。 print(data.columns[abnormal_index])
只有2個，所以刪除相應(yīng)行就可以了
再跑一次隨機(jī)森林
然后輸出變量重要程度
#輸出變量重要程度排序
importance = clf.feature_importances_
indices = np.argsort(importance)[::-1]
features = x.columns
name=[]
degree=[]
for f in range(x.shape[1]):
name.append(features[f])
degree.append(importance[indices[f]])
zy=pd.DataFrame({"name":name,"degree":degree})
print(zy)
先截取前15個變量看效果
degree_list=df.loc[:15,"name"] df=data[degree_list]
計算woe值與IV值
#封裝woe與IV值計算函數(shù)
def Calcwoe(data,col,target):
total=data.groupby([col])[target].count()
total=pd.DataFrame({"total":total})
bad=data.groupby([col])[target].sum()
bad=pd.DataFrame({"bad":bad})
regroup=total.merge(bad,left_index=True,right_index=True,how="left")
regroup.reset_index(level=0,inplace=True)
n=sum(regroup["total"])
b=sum(regroup["bad"])
regroup["good"]=regroup["total"]-regroup["bad"]
g=n-b
regroup["bad_pcnt"]=regroup["bad"].map(lambda x: x*1.0/b)
regroup["good_pcnt"]=regroup["good"].map(lambda x : x*1.0/g)
regroup["woe"]=regroup.apply(lambda x: np.log(x.good_pcnt*1.0/x.bad_pcnt),axis=1)
woe_dict=regroup[[col,"woe"]].set_index(col).to_dict()
IV=regroup.apply(lambda x:(x.good_pcnt-x.bad_pcnt)*np.log(x.good_pcnt*1.0/x.bad_pcnt),axis=1)
IV_SUM=sum(IV)
return {"woe":woe_dict,"IV_SUM":IV_SUM,"IV":IV}
計算IV值
df=data.copy()
woe_dist={}
IV_list=[]
for i in df.columns:
iv_dict=Calcwoe(df,i,"loan_status")
IV_list.append(iv_dict["IV_SUM"])
woe_dist[i]=iv_dist["woe"]
DF_IV=pd.DataFrame({"iv_name":df.columns.values,"IV":IV_list})
DF_IV.sort_values(by="IV",ascending=False)
iv值出現(xiàn)（無窮大）表明 特征中的某些屬性缺失 某一類樣本，這種情況下需要從新分箱，合并屬性
再次查看IV值
計算IV值
df=data.copy()
woe_dist={}
IV_list=[]
for i in df.columns:
iv_dict=Calcwoe(df,i,"loan_status")
IV_list.append(iv_dict["IV_SUM"])
woe_dist[i]=iv_dist["woe"]
DF_IV=pd.DataFrame({"iv_name":df.columns.values,"IV":IV_list})
DF_IV.sort_values(by="IV",ascending=False)
之后可以保留IV值大于0.015變量，也可以保留大于0.02的變量，看實(shí)際情況
下面利VIF（方差膨脹系數(shù)）檢驗(yàn)多重共線性，既用其他特征擬合這一特征，如果解釋性很強(qiáng)，說明他們存在共線性
#利用VIF（方差膨脹系數(shù)）檢驗(yàn)多重共線性
from statsmodels.stats.outliers_influence import variance_inflation_factor as VIF
VIF_ls=[]
n=df.columns
for i in range(len(n)):
VIF_ls.append([n[i],int(VIF(df.values,i))])
df_vif=pd.DataFrame(VIF_ls,columns=["name","vif"])
print(df_vif)
#利用協(xié)方差計算線性相關(guān)性 cor=data[num_box].corr() cor.iloc[:,:]=np.tril(cor.values,k=-1) cor=cor.stack() cor[np.abs(cor)>0.7]
# VIF 大于 10 cor 大于0.7 變量之間存在相關(guān)性 這里我們逐一刪除，如當(dāng)刪除 installment 之后，vif小于10，那么installment和 loan_amnt
#選擇iv值大的哪一個
df.drop("fico_range_high",axis=1,inplace=True )
df.drop("installment",axis=1,inplace=True)
df.drop("grade",axis=1,inplace=True)
valid_feas=DF_IV[DF_IV.IV > 0.015].iv_name.tolist() valid_feas
df=df[valid_feas]
df.head()
#用熱力圖看看相關(guān)性
colormap = plt.cm.viridis
plt.figure(figsize=(12,12))
plt.title('Pearson Correlation of Features', y=1.05, size=15)
sns.heatmap(df.corr(),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True)
解決樣本不均衡問題，方法有，過采樣，和欠采樣，以及有放回隨機(jī)抽樣等方法，本次采用過采樣平衡正反樣本。
#利用過采樣方法，解決樣本不均衡問題
#劃分x和y
x_list=list(df.columns)
x_list.remove("loan_status") #再x_list中剔除 loan_status 變量
x=df[x_list]
y=df["loan_status"]
n_sample=y.shape[0]
n_pos_sample=y[y==0].shape[0]
n_neg_sample=y[y==1].shape[0]
print("樣本個數(shù):{},正樣本占比:{:.2%},負(fù)樣本占比:{:.2%}".format(n_sample,
n_pos_sample/n_sample,
n_neg_sample/n_sample))
from imblearn.over_sampling import SMOTE # 導(dǎo)入SMOTE算法模塊
# 處理不平衡數(shù)據(jù)
sm = SMOTE(random_state=42) # 處理過采樣的方法
x, y = sm.fit_sample(x, y)
print('通過SMOTE方法平衡正負(fù)樣本后')
n_sample = y.shape[0]
n_pos_sample = y[y == 0].shape[0]
n_neg_sample = y[y == 1].shape[0]
print('樣本個數(shù)：{}; 正樣本占{:.2%}; 負(fù)樣本占{:.2%}'.format(n_sample,
n_pos_sample / n_sample,
n_neg_sample / n_sample))
df.to_csv("2017q1_df.csv",index=False)
# 用woe編碼替換原屬性值，這樣可以讓系數(shù)正則化
for i in range(len(x.columns)):
x[x.columns[i]].replace(woe_dict[x.columns[i]],inplace=True)
開始訓(xùn)練模型
#x增加一列全為1，得到方程截距 import statsmodels.api as sm x1=sm.add_constant(x_train)
x_train,x_text,y_train,y_test=train_test_split(x1,y,test_size=0.2,random_state=1991)# 切分比列為2-8，切分，并設(shè)置隨機(jī)數(shù)種子
#利用交叉驗(yàn)證和網(wǎng)格搜索 from sklearn.model_selection import GridSearchCV #網(wǎng)格搜索 from sklearn.linear_model import LogisticRegression # 邏輯回歸 from sklearn.model_selection import train_test_split # 測試集與訓(xùn)練集劃分
#構(gòu)建網(wǎng)格參數(shù)組合
param_test1={"C":[0.01,0.1,1.0,10.0,20.0,30.0,100.0,200.0,300.0,1000.0], #正則化系數(shù)
"penalty":["l1","l2"] #正則化參數(shù)
"max_iter":[100,200,300,400,500]} #算法收斂的最大迭代次數(shù)
gsearch1=GridSearchCV(LogisticRegression(),param_grid=param_test1,cv=10)
gsearch1.fit(x_train,y_train) #訓(xùn)練模型
gsearch1.best_params_, gsearch1.best_score_ #查看評分最高的參數(shù)組合與最佳評分
gsearch1.best_estimator_ # 最佳參數(shù)分類器
利用網(wǎng)格搜索得到的最佳參數(shù)訓(xùn)練模型
from sklearn.linear_model import LogisticRegression flt= LogisticRegression(penalty='l2',C=0.01) flt.fit(x_train,y_train)
用驗(yàn)證集查看模型效果
auc=roc_auc_score(flt.predict(x_text),y_test)
fpr,tpr,thre=roc_curve(flt.predict(x_text),y_test)
ks=max(tpr-fpr)
print("auc:{} ks:{}".format(auc,ks))
#查看準(zhǔn)確率
from sklearn.metrics import accuracy_score
print("準(zhǔn)確率:{:.4%}".format(accuracy_score(flt.predict(x_text),y_test)))
flt.coef_ #查看系數(shù)
ks值大于0.3說明是一個基本能用的模型
輸出評分卡：
#輸出評分卡
#假設(shè)比率為1/20 時 分值是500，比率每翻倍一次的20分
B=20/np.log(2)
A=500+B*np.log(1/20)
basescore=round(A-B*flt.coef_[0][0],0) #基準(zhǔn)分四舍五入取整
scorecard={}
for i,j in enumerate(x.columns):
woe=woe_dict[j]["woe"]
interval=[]
scores=[]
for key,value in woe.items():
score=round(-(value*flt.coef_[0][i+1]*B))
scores.append(score)
interval.append(key)
data=(pd.DataFrame({"interval":interval,"scores":scores})).set_index("interval").to_dict()
scorecard[j]=data
print(scorecard)
整理之后得到評分卡。
得到評分卡之后我們通常需要計算出最佳的分?jǐn)?shù)切割點(diǎn)，可以用ROC曲線，找到拐點(diǎn)的值，帶入評分卡方程就是我們的最佳切割分?jǐn)?shù)
也可以利用，卡方分箱，或者決策樹，將評分分箱，計算每一箱的逾期率，根據(jù)業(yè)務(wù)情況選擇切割分?jǐn)?shù)。
總結(jié)
1.每一種方法沒有好壞的區(qū)分，只有適合與不適合，更多時候我們需要都用一邊，才知道某一種算法適合什么數(shù)據(jù)。
2.制作模型本身是一個不斷迭代尋找最優(yōu)的過程，當(dāng)我們構(gòu)建出一個模型之后如果效果不理想，那么需要我們從數(shù)據(jù)清洗開始從新來做，比如缺失 值填充是用均值還是眾數(shù)？分類變量使用 標(biāo)簽法，還是做啞變量呢，這些我們都要一一嘗試不斷迭代，得到我們的最終模型。
3.變量選擇 很重要，人們常說數(shù)據(jù)決定的模型的頂點(diǎn)，而算法用于逼近頂點(diǎn)，可見再特征選擇上我們要盡量的貼合業(yè)務(wù)實(shí)際情況，要想得到好的模 型最終還是要在數(shù)據(jù)上下功夫，這說明數(shù)據(jù)清洗與準(zhǔn)備過程，再整個建模流程中是比較重要的。
參考：
https://zhuanlan.zhihu.com/p/39780207
https://blog.csdn.net/zs15321583801/article/details/89485951
總結(jié)
以上是生活随笔為你收集整理的Lending Club 数据做数据分析&评分卡的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： C语言基础知识总结
- 下一篇： JavaScript实现随机点名器的方法