文章目錄

• • 一、相關庫
  • 二、數據讀取
  • 三、數據清洗——刪除無關、重復數據
  • 四、數據清洗——類型轉換
  • • 1、數據集劃分
    • 2、缺失值處理
    • 3、異常值處理
    • 4、離散特征編碼
    • 5、日期特征處理
    • 6、特征組合
  • 五、數據集劃分
  • 六、模型構建
  • 七、模型評估

數據傳送門（與之前的不同）： https://pan.baidu.com/s/1G1b2QJjYkkk7LDfGorbj5Q

目標：數據集是金融數據（非脫敏），要預測貸款用戶是否會逾期。表格中 “status” 是結果標簽：0表示未逾期，1表示逾期。

任務：數據類型轉換和缺失值處理（嘗試不同的填充看效果）以及及其他你能借鑒的數據探索。

一、相關庫

# -*- coding:utf-8 -*- import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from sklearn.svm import SVC from sklearn.tree import DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier import xgboost as xgb import lightgbm as lgb from sklearn.metrics import accuracy_score, precision_score, recall_score from sklearn.metrics import roc_auc_score import matplotlib.pyplot as plt

二、數據讀取

file_path = "data.csv" data = pd.read_csv(file_path, encoding='gbk') print(data.head()) print(data.shape)

結果輸出

Unnamed: 0 custid ... latest_query_day loans_latest_day 0 5 2791858 ... 12.0 18.0 1 10 534047 ... 4.0 2.0 2 12 2849787 ... 2.0 6.0 3 13 1809708 ... 2.0 4.0 4 14 2499829 ... 22.0 120.0[5 rows x 90 columns] (4754, 90)

遇到的問題：

UnicodeDecodeError: 'utf-8' codec can't decode byte 0xbf in position 0: invalid start byte

原因：‘utf-8’不能解碼字節（0xbf），也就是這個字節超出了utf-8的表示范圍了
解決方法：顯式添加編碼方式。親測：encoding=‘gbk’ 或’ISO-8859-1’編碼。

三、數據清洗——刪除無關、重復數據

## 刪除與個人身份相關的列 data.drop(['custid', 'trade_no', 'bank_card_no', 'id_name'], axis=1, inplace=True)## 刪除列中數據均相同的列 X = data.drop(labels='status',axis=1) L = [] for col in X:if len(X[col].unique()) == 1:L.append(col) for col in L:X.drop(col, axis=1, inplace=True)

四、數據清洗——類型轉換

1、數據集劃分

劃分不同數據類型：數值型、非數值型、標簽
使用：Pandas對象有 select_dtypes() 方法可以篩選出特定數據類型的特征
參數：include 包括（默認）；exclude 不包括

X_num = X.select_dtypes(include='number').copy() X_str = X.select_dtypes(exclude='number').copy() y = data['status']

2、缺失值處理

發現缺失值方法：缺失個數、缺失率

# 使用缺失率(可以了解比重)并按照值降序排序 ascending=False X_num_miss = (X_num.isnull().sum() / len(X_num)).sort_values(ascending=False) print(X_num_miss.head()) print('----------' * 5) X_str_miss = (X_str.isnull().sum() / len(X_str)).sort_values(ascending=False) print(X_str_miss.head())

輸出結果

student_feature 0.630627 cross_consume_count_last_1_month 0.089609 latest_one_month_apply 0.063946 query_finance_count 0.063946 latest_six_month_apply 0.063946 dtype: float64 -------------------------------------------------- latest_query_time 0.063946 loans_latest_time 0.062474 reg_preference_for_trad 0.000421 dtype: float64

分析：缺失率最高的特征是student_feature，為 63.0627% > 50% ，其他的特征缺失率都在10%以下。

• 高缺失率特征處理：EM插補、多重插補。
  ==》由于兩種方法比較復雜，這里先將缺失值歸為一類，用0填充。
• 其他特征：平均數、中位數、眾數…

## student_feature特征處理設置為0 X_num.fillna(0, inplace = True)## 其他特征插值: 眾數 X_num.fillna(X_num.mode().iloc[0, :], inplace=True) X_str.fillna(X_str.mode().iloc[0, :], inplace=True)

3、異常值處理

• 箱型圖的四分位距(IQR)

## 異常值處理：箱型圖的四分位距(IQR) def iqr_outlier(x, thre = 1.5):x_cl = x.copy()q25, q75 = x.quantile(q = [0.25, 0.75])iqr = q75 - q25top = q75 + thre * iqrbottom = q25 - thre * iqrx_cl[x_cl > top] = topx_cl[x_cl < bottom] = bottomreturn x_cl X_num_cl = pd.DataFrame() for col in X_num.columns:X_num_cl[col] = iqr_outlier(X_num[col]) X_num = X_num_cl

4、離散特征編碼

• 序號編碼：用于有大小關系的數據
• one-hot編碼：用于無序關系的數據

X_str_oh = pd.get_dummies(X_str['reg_preference_for_trad'])

5、日期特征處理

X_date = pd.DataFrame() X_date['latest_query_time_year'] = pd.to_datetime(X_str['latest_query_time']).dt.year X_date['latest_query_time_month'] = pd.to_datetime(X_str['latest_query_time']).dt.month X_date['latest_query_time_weekday'] = pd.to_datetime(X_str['latest_query_time']).dt.weekday X_date['loans_latest_time_year'] = pd.to_datetime(X_str['loans_latest_time']).dt.year X_date['loans_latest_time_month'] = pd.to_datetime(X_str['loans_latest_time']).dt.month X_date['loans_latest_time_weekday'] = pd.to_datetime(X_str['loans_latest_time']).dt.weekday

6、特征組合

X = pd.concat([X_num, X_str_oh, X_date], axis=1, sort=False) print(X.shape)

五、數據集劃分

## 預處理:標準化 # X_std = StandardScaler().fit(X)## 劃分數據集 X_std_train, X_std_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=2019)

六、模型構建

## 模型1：Logistic Regression lr = LogisticRegression() lr.fit(X_std_train, y_train)## 模型2：Decision Tree dtc = DecisionTreeClassifier(max_depth=8) dtc.fit(X_std_train,y_train)# ## 模型3：SVM # svm = SVC(kernel='linear',probability=True) # svm.fit(X_std_train,y_train)## 模型4：Random Forest rfc = RandomForestClassifier() rfc.fit(X_std_train,y_train)## 模型5：XGBoost xgbc = xgb.XGBClassifier() xgbc.fit(X_std_train,y_train)## 模型6：LightGBM lgbc = lgb.LGBMClassifier() lgbc.fit(X_std_train,y_train)

七、模型評估

## 模型評估 def model_metrics(clf, X_test, y_test):y_test_pred = clf.predict(X_test)y_test_prob = clf.predict_proba(X_test)[:, 1]accuracy = accuracy_score(y_test, y_test_pred)print('The accuracy: ', accuracy)precision = precision_score(y_test, y_test_pred)print('The precision: ', precision)recall = recall_score(y_test, y_test_pred)print('The recall: ', recall)f1_score = recall_score(y_test, y_test_pred)print('The F1 score: ', f1_score)print('----------------------------------')# roc_auc_score = roc_auc_score(y_test, y_test_prob)# print('The AUC of: ', roc_auc_score)model_metrics(lr,X_std_test,y_test) model_metrics(dtc,X_std_test,y_test) model_metrics(rfc,X_std_test,y_test) model_metrics(xgbc,X_std_test,y_test) model_metrics(lgbc,X_std_test,y_test)

總結

以上是生活随笔為你收集整理的金融贷款逾期的模型构建5——数据预处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。