银行客户信用风险评估项目
要求：
补全并调试每部分代码，在代码后面附输出结果截图。
说明：
4.5-4.10特征分布，做法相同（第一次）
4.11-4.14连续型数据特征分布，做法相同（第一次）
4.15-4.36 离散型数据和连续型数据的缺失值处理（第二次）
4.37-4.38 数字编码和One-Hot编码（第二次）
5.1-5.7 新增评估指标计算（第三次）
6.1-6.12 风控模型：逻辑回归和随机森林（第三次：逻辑回归；第四次：随机森林）
7.1-7.10 风险评估模型效果评估方法（第四次）
数据集描述：
3.2 从data.csv文件中读取客户数据.
3.3 对数据进行格式转换
import pandas as pd
data= pd.read_csv('data.csv',encoding='gbk')
data = pd.DataFrame(data)
data.head()
输出结果截图：
4.1 数据探索分析
4.2 查看数据前五行
import pandas as pd
# 使用head()函数查看数据前五行
data_5 = _data.head(5)__
print(data_5)
输出结果截图：
4.3 查看数据集的基本情况
data.info()
4.4 查看数据的基本统计信息
import pandas as pd
# 使用describe()函数查看数据整体的基本统计信息
data_des = _ data.describe()___
print(data_des)
输出结果截图：
4.5 是否违约（Default）特征分析
import pandas as pd
import matplotlib.pyplot as plt
fig = plt.figure(figsize=(8,6))
# 绘制柱状图，查看违约关系的取值分布情况
data['Default'].value_counts(dropna=False).plot(kind='bar',rot=40)
# 在柱形上方显示计数
counts = data['Default'].value_counts(dropna=False).values
for index, item in zip([0,1,2], counts):
plt.text(index, item, item, ha="center", va= "bottom", fontsize=12)
# 设置柱形名称
plt.xticks([0,1,2],['未违约','违约','NaN'])
# 设置x、y轴标签
plt.xlabel('是否违约')
plt.ylabel('客户数量')
# 设置标题以及字体大小
plt.title('违约与未违约数量分布图',size=13)
# 设置中文显示
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
plt.show()
4.6 城市级别（CityId）特征分布
4.6 城市级别（CityId）特征分布
import seaborn as sns
import matplotlib.pyplot as plt
import pandas as pd
data= pd.read_csv('data.csv',encoding='gbk')
data = pd.DataFrame(data)
fig,[ax1,ax2] = plt.subplots(1,2,figsize=(16,6))
# 对CityId列的类别设定顺序
data['CityId'] = data['CityId'].astype('category')
data['CityId'] = data['CityId'].cat.set_categories(['一线城市','二线城市','其它'],ordered=True)
# 绘制柱状图，查看不同城市级别在不同是否违约的取值分布情况
sns.countplot(x='CityId',hue='Default',data=data,ax=ax1)
# 将具体的计数值显示在柱形上方
counts=data['Default'].groupby(data['CityId']).value_counts().values
count1 = counts[[0, 2, 4]]
count2 = counts[[1, 3, 5]]
for index, item1, item2 in zip([0,1,2], count1, count2):
ax1.text(index-0.2, item1 + 0.05, '%.0f' % item1, ha="center", va= "bottom",fontsize=12)
ax1.text(index+0.2, item2 + 0.05, '%.0f' % item2, ha="center", va= "bottom",fontsize=12)
# 绘制柱状图查看违约率分布
cityid_rate = data.groupby('CityId')['Default'].sum() / data.groupby('CityId')['Default'].count()
sns.barplot(x=[0,1,2],y=cityid_rate.values,ax=ax2)
# 将具体的计数值显示在柱形上方
for index, item in zip([0,1,2], cityid_rate):
ax2.text(index, item, '%.3f' % item, ha="center", va= "bottom",fontsize=12)
#设置柱形名称
ax1.set_xticklabels(['一线城市','二线城市','其它'])
ax2.set_xticklabels(['一线城市','二线城市','其它'])
# 设置图例名称
ax1.legend(labels=['未违约','违约'])
# 设置标题以及字体大小
ax1.set_title('不同城市级别下不同违约情况数量分布柱状图',size=13)
ax1.set_title('不同城市级别违约率分布柱状图',size=13)
# 设置x,y轴标签
ax1.set_xlabel('CityId')
ax1.set_ylabel('客户人数')
ax2.set_xlabel('CityId')
ax2.set_ylabel('违约率')
#显示汉语标注
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
plt.show()
4.7 文化程度（education）特征分布
import seaborn as sns
import matplotlib.pyplot as plt
fig,[ax1,ax2] = plt.subplots(1,2,figsize=(16,6))
# 对education列的类别设定顺序
data['education'] = data['education'].astype('category')
data['education'] = data['education'].cat.set_categories(['小学', '初中', '高中', '本科以上'],ordered=True)
# 绘制柱状图，查看不同文化程度(education)在不同是否违约(Default)的取值分布情况
sns.countplot(x='education',hue='Default',data=data,ax=ax1)
# 将具体的计数值显示在柱形上方
counts=data['Default'].groupby(data['education']).value_counts().values
count1 = counts[[0, 2, 4,6]]
count2 = counts[[1, 3, 5,7]]
for index, item1, item2 in zip([0,1,2,3], count1, count2):
ax1.text(index-0.2, item1 + 0.05, '%.0f' % item1, ha="center", va= "bottom",fontsize=12)
ax1.text(index+0.2, item2 + 0.05, '%.0f' % item2, ha="center", va= "bottom",fontsize=12)
# 绘制柱状图查看违约率分布
education_rate = data.groupby('education')['Default'].sum() / data.groupby('education')['Default'].count()
sns.barplot(x=[0,1,2,3],y=education_rate.values,ax=ax2)
# 将具体的计数值显示在柱形上方
for index, item in zip([0,1,2,3], education_rate):
ax2.text(index, item, '%.2f' % item, ha="center", va= "bottom",fontsize=12)
#设置柱形名称
ax1.set_xticklabels(['本科以上','高中','初中','小学'])
ax2.set_xticklabels(['本科以上','高中','初中','小学'])
# 设置图例名称
ax1.legend(labels=['未违约','违约'])
# 设置标题以及字体大小
ax1.set_title('不同文化程度下不同违约情况数量分布柱状图',size=13)
ax1.set_title('不同城市级别违约率分布柱状图',size=13)
# 设置x,y轴标签
ax1.set_xlabel('education')
ax1.set_ylabel('客户人数')
ax2.set_xlabel('education')
ax2.set_ylabel('违约率')
#显示汉语标注
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
plt.show()
4.8 三要素（threeVerify）特征分布
import seaborn as sns
import matplotlib.pyplot as plt
fig,[ax1,ax2] = plt.subplots(1,2,figsize=(16,6))
# 对threeVerify列的类别设定顺序
data['threeVerify'] = data['threeVerify'].astype('category')
data['threeVerify'] = data['threeVerify'].cat.set_categories(['一致','不一致'],ordered=True)
# 绘制柱状图，查看不同三要素验证情况(threeVerify)在不同是否违约(Default)的取值分布情况
sns.countplot(x='threeVerify',hue='Default',data=data,ax=ax1)
# 将具体的计数值显示在柱形上方
counts=data['Default'].groupby(data['threeVerify']).value_counts().values
count1 = counts[[0, 2]]
count2 = counts[[1, 3]]
for index, item1, item2 in zip([0,1,2,3], count1, count2):
ax1.text(index-0.2, item1 + 0.05, '%.0f' % item1, ha="center", va= "bottom",fontsize=12)
ax1.text(index+0.2, item2 + 0.05, '%.0f' % item2, ha="center", va= "bottom",fontsize=12)
# 绘制柱状图查看违约率分布
threeVerify_rate = data.groupby('threeVerify')['Default'].sum() / data.groupby('threeVerify')['Default'].count()
sns.barplot(x=[0,1],y=threeVerify_rate.values,ax=ax2)
# 将具体的计数值显示在柱形上方
for index, item in zip([0,1], threeVerify_rate):
ax2.text(index, item, '%.2f' % item, ha="center", va= "bottom",fontsize=12)
#设置柱形名称
ax1.set_xticklabels(['一致','不一致'])
ax2.set_xticklabels(['一致','不一致'])
# 设置图例名称
ax1.legend(labels=['未违约','违约'])
# 设置标题以及字体大小
ax1.set_title('不同三要素下不同是否违约情况数量分布柱状图',size=13)
ax1.set_title('不同城市级别违约率分布柱状图',size=13)
# 设置x,y轴标签
ax1.set_xlabel('threeVerify')
ax1.set_ylabel('客户人数')
ax2.set_xlabel('threeVerify')
ax2.set_ylabel('违约率')
#显示汉语标注
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
plt.show()
4.9 婚姻状况（maritalStatus）特征分布
import seaborn as sns
import matplotlib.pyplot as plt
fig,[ax1,ax2] = plt.subplots(1,2,figsize=(16,6))
# 对maritalStatus列的类别设定顺序
data['maritalStatus'] = data['maritalStatus'].astype('category')
data['maritalStatus'] = data['maritalStatus'].cat.set_categories(['未婚','已婚'],ordered=True)
# 绘制柱状图，查看不同婚姻状况在不同违约情况的取值分布
sns.countplot(x='maritalStatus',hue='Default',data=data,ax=ax1)
# 将具体的计数值显示在柱形上方
counts=data['Default'].groupby(data['maritalStatus']).value_counts().values
count1 = counts[[0, 2]]
count2 = counts[[1, 3]]
for index, item1, item2 in zip([0,1,2,3], count1, count2):
ax1.text(index-0.2, item1 + 0.05, '%.0f' % item1, ha="center", va= "bottom",fontsize=12)
ax1.text(index+0.2, item2 + 0.05, '%.0f' % item2, ha="center", va= "bottom",fontsize=12)
# 绘制柱状图查看违约率分布
maritalStatus_rate = data.groupby('maritalStatus')['Default'].sum() / data.groupby('maritalStatus')['Default'].count()
sns.barplot(x=[0,1],y=maritalStatus_rate.values,ax=ax2)
# 将具体的计数值显示在柱形上方
for index, item in zip([0,1], maritalStatus_rate):
ax2.text(index, item, '%.2f' % item, ha="center", va= "bottom",fontsize=12)
#设置柱形名称
ax1.set_xticklabels(['未婚','已婚'])
ax2.set_xticklabels(['未婚','已婚'])
# 设置图例名称
ax1.legend(labels=['未违约','违约'])
# 设置标题以及字体大小
ax1.set_title('不同婚姻状况在不同违约情况数量分布柱状图',size=13)
ax1.set_title('不同婚姻状况违约率分布柱状图',size=13)
# 设置x,y轴标签
ax1.set_xlabel('maritalStatus')
ax1.set_ylabel('客户人数')
ax2.set_xlabel('maritalStatus')
ax2.set_ylabel('违约率')
#显示汉语标注
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
plt.show()
4.10 在网时长（netLength）特征分布
import seaborn as sns
import matplotlib.pyplot as plt
fig,[ax1,ax2] = plt.subplots(1,2,figsize=(16,6))
# 对netLength列的类别设定顺序
data['netLength'] = data['netLength'].astype('category')
data['netLength'] = data['netLength'].cat.set_categories(['0-6个月','6-12个月','12-24个月','24个月以上','无效'],ordered=True)
# 绘制柱状图，查看不同在网时长在不同违约情况的取值分布
sns.countplot(x='netLength',hue='Default',data=data,ax=ax1)
# 将具体的计数值显示在柱形上方
counts=data['Default'].groupby(data['netLength']).value_counts().values
count1 = counts[[0,2,4,6,8]]
count2 = counts[[1,3,5,7,9]]
# 将具体的计数值显示在柱形上方
for index, item1, item2 in zip([0,1,2,3,4], count1, count2):
ax1.text(index-0.2, item1 + 0.05, '%.0f' % item1, ha="center", va= "bottom",fontsize=12)
ax1.text(index+0.2, item2 + 0.05, '%.0f' % item2, ha="center", va= "bottom",fontsize=12)
# 绘制柱状图查看违约率分布
netLength_rate = data.groupby('netLength')['Default'].sum() / data.groupby('netLength')['Default'].count()
sns.barplot(x=[0,1,2,3,4],y=netLength_rate.values,ax=ax2)
# 将具体的计数值显示在柱形上方
for index, item in zip([0,1,2,3,4], netLength_rate):
ax2.text(index, item, '%.2f' % item, ha="center", va= "bottom",fontsize=12)
#设置柱形名称
ax1.set_xticklabels(['0-6个月','6-12个月','12-24个月','24个月以上','无效'])
ax2.set_xticklabels(['0-6个月','6-12个月','12-24个月','24个月以上','无效'])
# 设置图例名称
ax1.legend(labels=['未违约','违约'])
# 设置标题以及字体大小
ax1.set_title('不同在网时长在不同违约情况数量分布柱状图',size=13)
ax1.set_title('不同在网时长违约率分布柱状图',size=13)
# 设置x,y轴标签
ax1.set_xlabel('netLength')
ax1.set_ylabel('客户人数')
ax2.set_xlabel('netLength')
ax2.set_ylabel('违约率')
#显示汉语标注
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
plt.show()
4.11 总消费金额（transTotalAmt）的分布
import seaborn as sns
import matplotlib.pyplot as plt
# 建立画布ax1和ax2,及设置图像大小，设置subplots()函数中参数为(1,2)表示两画图呈一行两列
fig, [ax1,ax2] = plt.subplots(1, 2, figsize=(16, 5))
# 在画布ax1中画出总消费金额的核密度图
sns.kdeplot(data['transTotalAmt'],shade=False,ax=ax1)
# 在画布ax2中画出总消费笔数和总消费金额的回归关系图
sns.regplot(x='transTotalAmt',y='transTotalAmt',data=data,ax=ax2)
4.12 年龄和开卡时长分布
import seaborn as sns
import matplotlib.pyplot as plt
# 建立画布ax1和ax2,及设置图像大小，设置subplots()函数中参数为(1,2)表示一行两列
fig,[ax1,ax2] = plt.subplots(1,2,figsize=(16,6))
# 在画布ax1中绘制年龄的直方图，颜色为红色
sns.distplot(data['age'],ax=ax1,color='red')
# 在画布ax2中绘制开卡时长的直方图，颜色为默认值
sns.distplot(data['card_age'],ax=ax2)
# 在画布ax1、ax2中设置标题
ax1.set_title('年龄的直方图',size=13)
ax2.set_title('开卡时长的直方图',size=13)
# 显示汉语标注
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
4.13 总取现金额（cashTotalAmt）的分布
import seaborn as sns
import matplotlib.pyplot as plt
# 建立画布ax1和ax2,及设置图像大小，设置subplots()函数中参数为(1,2)表示两画图呈一行两列
fig, [ax1,ax2] = plt.subplots(1, 2, figsize=(16, 5))
# 在画布ax1中画出总取现金额的核密度图
sns.kdeplot(data['cashTotalAmt'],shade=False,ax=ax1)
# 在画布ax2中画出总取现笔数和总取现金额的回归关系图
sns.regplot(x='cashTotalCnt',y='cashTotalAmt',data=data,ax=ax2)
4.14 网上消费金额（onlineTransAmt）的分布
import seaborn as sns
import matplotlib.pyplot as plt
# 建立画布ax1和ax2,及设置图像大小，设置subplots()函数中参数为(1,2)表示两画图呈一行两列
fig, [ax1,ax2] = plt.subplots(1, 2, figsize=(16, 5))
# 在画布ax1中画出网上消费金额的核密度估计曲线
sns.kdeplot(data['onlineTransAmt'],shade=False,ax=ax1)
# 在画布ax2中画出网上消费笔数和网上消费金额的回归关系图
sns.regplot(x='onlineTransCnt',y='onlineTransAmt',data=data,ax=ax2)
4.15 查看存在缺失值的特征
# 计算特征缺失值个数
na_counts =data.isnull().sum()
# 将na_counts取大于0的部分进行降序排序
missing_value = na_counts[na_counts > 0].sort_values(axis=0,ascending=False)
# 查看存在缺失值的特征
print(missing_value)
4.16 离散型特征的缺失值处理
#实训平台的数据经过处理 在这个地方可以直接对数据进行缺失值的处理,但是在jupyter导入数据之后对数据有一个转换过程,所以直接对数据进行缺失值的处理是会报错,通过Series.cat.add_categories 可以对数据添加一个新的类,进而达到对数据缺失值的处理这个目的
import pandas as pd
# 缺失值处理
data.dropna(subset=['Default'],inplace=True)
#filling_columns=['sex','maritalStatus','threeVerify','idVerify','education']
#for column in filling_columns:
#data[column] = data[column].cat.add_categories('未知')
#data[column].fillna('未知',inplace=True)
#data['sex'] = data['sex'].cat.add_categories('未知')
data['sex'].fillna('未知', inplace =True)
#data['maritalStatus'] = data['maritalStatus'].cat.add_categories('未知')
data['maritalStatus'].fillna('未知', inplace =True)
#data['threeVerify'] = data['threeVerify'].cat.add_categories('未知')
data['threeVerify'].fillna('未知', inplace =True)
#data['idVerify'] = data['idVerify'].cat.add_categories('未知')
data['idVerify'].fillna('未知', inplace =True)
#data['education'] = data['education'].cat.add_categories('未知')
data['education'].fillna('未知', inplace =True)
# 查看存在缺失值的特征
na_counts = data.isnull().sum()
missing_value = na_counts[na_counts > 0].sort_values(ascending = False)
print(missing_value)
4.17 离散型特征的异常值处理
import pandas as pd
# 异常值处理，将isCrime值为“2”的地方改为“0”。
data['isCrime']=data['isCrime'].replace(2,0)
# 查看处理后的数据情况
print(data['isCrime'].value_counts())
4.18 查看连续性特征的取值
# 所有连续型特征列名已保存在continuous_columns中
continuous_columns = ['age','cashTotalAmt','cashTotalCnt','monthCardLargeAmt','onlineTransAmt','onlineTransCnt','publicPayAmt','publicPayCnt','transTotalAmt','transTotalCnt','transCnt_non_null_months','transAmt_mean','transAmt_non_null_months','cashCnt_mean','cashCnt_non_null_months','cashAmt_mean','cashAmt_non_null_months','card_age']
# 查看数据各连续型特征的最小值
data_con_min = data[continuous_columns].min()
print(data_con_min)
4.19 网上消费金额（onlineTransAmt）异常值检测
# 从原始数据中筛选出网上消费金额小于0时，网上消费金额和网上消费笔数这两列
online_trans =data[data['onlineTransAmt']<0][['onlineTransAmt','onlineTransCnt']]
print(online_trans).
4.20 网上消费金额（onlineTransAmt）异常值处理
# 将网上消费笔数为0时的网上消费金额皆修改为0
data.loc[data['onlineTransCnt']==0,'onlineTransAmt']=0
# 查看修正后网上消费笔数为0时，网上消费金额与网上消费笔数
online_after = data[data["onlineTransCnt"] == 0 ][["onlineTransAmt","onlineTransCnt"]]
print(online_after)
4.21 网上消费金额（onlineTransAmt）盒图绘制
import seaborn as sns
import matplotlib.pyplot as plt
fig,ax = plt.subplots(figsize=(8,6))
# 绘制盒图查看网上消费金额数据分布
sns.boxplot(x=data['onlineTransAmt'],orient='v')
plt.title('onlineTransAmt distribution')
4.22 网上消费金额（onlineTransAmt）异常值处理
# 筛选出网上消费金额在2千万以下的数据样本,更新data
data = data[data['onlineTransAmt']<2.0e+07]
print(data.head())
4.23 公共事业缴费金额（publicPayAmt）异常值检测
# 从原始数据中筛选出公共事业缴费金额小于0时，公共事业缴费笔数和公共事业缴费金额这两列
public_pay =data[data['publicPayAmt']<0][['publicPayCnt','publicPayAmt']]
print(public_pay)
4.24 公共事业缴费金额（publicPayAmt）异常值处理
# 将公共事业缴费笔数为0时的公共事业缴费金额皆修改为0（直接在原始数据上进行修改）
data.loc[data['publicPayCnt']==0,'publicPayAmt']=0
# 查看修正后的，公共事业缴费笔数为0时的公共事业缴费金额与公共事业缴费笔数
public_after = data[data["publicPayCnt"] == 0][["publicPayAmt","publicPayCnt"]]
print(public_after)
4.25 公共事业缴费金额（publicPayAmt）盒图绘制
import seaborn as sns
import matplotlib.pyplot as plt
fig,ax = plt.subplots(figsize=(8,6))
# 绘制盒图查看公共事业缴费金额数据分布。
sns.boxplot(x=data['publicPayAmt'],orient='v')
plt.title('publicPayAmt distribution')
4.26 公共事业缴费金额（publicPayAmt）异常值处理
# 筛选出公共事业缴费金额小于-400万的样本数据
public_pay = data[data['publicPayAmt']<-4.0e+06]
print(public_pay[['publicPayCnt','publicPayAmt']])
4.27 总消费金额（transTotalAmt）异常值检测
# 从原始数据中筛选出总消费笔数等于0时，总消费笔数，总消费金额这两列
transTotal = transTotal =data[data['transTotalAmt']==0][['transTotalCnt','transTotalAmt']]
print(transTotal)
4.28 总消费金额（transTotalAmt）盒图绘制
import seaborn as sns
import matplotlib.pyplot as plt
fig,ax = plt.subplots(figsize=(8,6))
# 绘制盒图，查看总消费金额数据分布。
sns.boxplot(x=data['transTotalAmt'],orient='v')
plt.title('transTotalAmt distribution')
4.29 总消费金额（transTotalAmt）异常值处理
# 筛选出总消费金额大于1000万的样本数据
transTotal = data[data['transTotalAmt']>10000000]
print(transTotal[['transTotalAmt','transTotalCnt','onlineTransAmt','onlineTransCnt','monthCardLargeAmt']])
4.30 总取现金额（cashTotalAmt）异常值检测
# 筛选出总取现笔数为0时，总取现笔数，总取现金额这两列
cashTotal =data[data['cashTotalAmt']==0][['cashTotalCnt','cashTotalAmt']]
print(cashTotal)
4.31 总取现金额（cashTotalAmt）盒图绘制
import seaborn as sns
import matplotlib.pyplot as plt
fig,ax = plt.subplots(figsize=(8,6))
# 绘制盒图，查看总取现金额数据分布。
sns.boxplot(x=data['cashTotalAmt'],orient='v')
plt.title('cashTotalAmt distribution')
4.32 总取现金额（cashTotalAmt）异常值处理
# 筛选出总取现金额大于50万的样本数据。
cashTotal = data[data['cashTotalAmt']>500000]
print(cashTotal)
4.33 月最大消费金额（monthCardLargeAmt）盒图绘制
import seaborn as sns
import matplotlib.pyplot as plt
fig,ax = plt.subplots(figsize=(8,6))
# 绘制盒图，查看月最大消费金额数据分布
sns.boxplot(x=data['monthCardLargeAmt'],orient='v')
plt.title('monthCardLargeAmt distribution')
4.34 月最大消费金额（monthCardLargeAmt）异常值处理
# 筛选出月最大消费金额大于200万的数据
monthCard = data[data['monthCardLargeAmt']>2000000]
print(monthCard)
4.35 总消费笔数（transTotalCnt）盒图绘制
import seaborn as sns
import matplotlib.pyplot as plt
fig,ax = plt.subplots(figsize=(8,6))
# 绘制盒图，查看总消费笔数数据分布
sns.boxplot(x=data['transTotalCnt'],orient='v')
plt.title('transTotalCnt distribution')
4.36 总消费笔数（transTotalCnt）异常值处理
# 从data中筛选总消费笔数小于6000的值，赋值给data
data = data[data['transTotalCnt']<6000]
print(data.head())
4.37 数字编码
import numpy as np
import pandas as pd
data["maritalStatus"] = data["maritalStatus"].map({"未知":0,"未婚":1,"已婚":2})
data['education']=data["education"].map({"未知":0,"小学":1,"初中":2,"高中":3,"本科以上":4})
data['idVerify']=data["idVerify"].map({"未知":0,"一致":1,"不一致":2})
data['threeVerify']=data["threeVerify"].map({"未知":0,"小学":1,"初中":2,"高中":3,"本科以上":4})
data["netLength"] = data["netLength"].map({"无效":0,"0-6个月":1,"6-12个月":2,"12-24个月":3,"24个月以上":4})
data["sex"] =data["sex"].map({"未知":0,"男":1,"女":2})
data["CityId"] =data["CityId"].map({"一线城市":1,"二线城市":2,"其他":3})
print(data.head())
4.38 One-Hot编码
import numpy as np
import pandas as pd
data = pd.get_dummies(data=data,columns=['maritalStatus','education','idVerify','threeVerify','Han','netLength','sex','CityId'],prefix_sep='_')
print(data.columns)
5.1 建立信用评估指标体系
5.2 年消费总额指标计算
# 计算客户年消费总额。
trans_total =data["transCnt_mean"]*data["transAmt_mean"]
# 将计算结果保留到小数点后六位。
trans_total =round(trans_total,6)
# 将结果加在data数据集中的最后一列，并将此列命名为trans_total。
data['trans_total'] =trans_total
print(data['trans_total'].head(20))
5.3 年取现总额指标计算
# 计算客户年取现总额。
total_withdraw =data["cashCnt_mean"]*data["cashCnt_mean"]
# 将计算结果保留到小数点后六位。
total_withdraw =round(total_withdraw,6)
# 将结果加在data数据集的最后一列，并将此列命名为total_withdraw。
data['total_withdraw'] =total_withdraw
print(data['total_withdraw'].head(20))
5.4 平均每笔取现金额指标计算
import numpy as np
# 计算客户的平均每笔取现金额。
avg_per_withdraw =data["cashTotalAmt"]/data["cashTotalCnt"]
# 将所有的inf和NaN变为0。
avg_per_withdraw=avg_per_withdraw.replace({np.nan:0,np.inf:0})
# 将计算结果保留到小数点后六位。
avg_per_withdraw =round(avg_per_withdraw,6)
# 将结果加在data数据集的最后一列，并将此列命名为avg_per_withdraw。
data['avg_per_withdraw'] =avg_per_withdraw
print(data['avg_per_withdraw'].head(20))
5.5 网上平均每笔消费额指标计算
import numpy as np
# 请计算客户的网上平均每笔消费额。
avg_per_online_spend =data["onlineTransAmt"]/data["onlineTransCnt"]
# 将所有的inf和NaN变为0。
avg_per_online_spend=avg_per_online_spend.replace({np.nan:0,np.inf:0})
# 将计算结果保留到小数点后六位。
avg_per_online_spend =round(avg_per_online_spend,6)
# 将结果加在data数据集的最后一列，并将此列命名为avg_per_online_spend。
data['avg_per_online_spend'] =avg_per_online_spend
print(data['avg_per_online_spend'].head(20))
5.6 公共事业平均每笔缴费额指标计算
import numpy as np
# 请计算客户的公共事业平均每笔缴费额。
avg_per_public_spend =data["publicPayAmt"]/data["publicPayCnt"]
# 将所有的inf和NaN变为0。
avg_per_public_spend=avg_per_public_spend.replace({np.nan:0,np.inf:0})
# 将计算结果保留到小数点后六位。
avg_per_public_spend =round(avg_per_public_spend,6)
# 将结果加在data数据集的最后一列，并将此列命名为avg_per_public_spend。
data['avg_per_public_spend'] =avg_per_public_spend
print(data['avg_per_public_spend'].head(20))
5.7 不良记录指标计算
#请计算客户的不良记录分数。
bad_record =data['inCourt']+data['isCrime']+data['isBlackList']
#将计算结果加在data数据集的最后一列，并将此列命名为bad_record。
data['bad_record'] =bad_record
print(data['bad_record'].head(20))
6.1 构建风控模型流程
6.2 分层采样简介
6.3 训练集和测试集划分
from sklearn.model_selection import train_test_split
# 筛选data中的Default列的值，赋予变量y
y = data['Default'].values
# 筛选除去Default列的其他列的值，赋予变量x
x = data.drop(['Default'], axis=1).values
# 使用train_test_split方法，将x,y划分训练集和测试集
x_train, x_test, y_train, y_test = train_test_split(x,y,test_size=0.2,random_state=33,stratify=y)
# 查看划分后的x_train与x_test的长度
len_x_train = len(x_train)
len_x_test = len(x_test)
print('x_train length: %d, x_test length: %d'%(len_x_train,len_x_test))
# 查看分层采样后的训练集中违约客户人数的占比
train_ratio = y_train.sum()/len(y_train)
print(train_ratio)
# 查看分层采样后的测试集中违约客户人数的占比
test_ratio = y_test.sum()/len(y_test)
print(test_ratio)
6.4 使用逻辑回归建立风险评估模型
from sklearn.linear_model import LogisticRegression
# 调用模型，新建模型对象
lr =LogisticRegression()
# 带入训练集x_train, y_train进行训练
lr.fit(x_train, y_train)
# 对训练好的lr模型调用predict方法,带入测试集x_test进行预测
y_predict = lr.predict(x_test)
# 查看模型预测结果
print(y_predict[:10])
print(len(y_predict))
6.5 逻辑回归风控模型效果评估
from sklearn.metrics import roc_auc_score
y_predict_proba = lr.predict_proba(x_test)
# 查看概率估计前十行
print(y_predict_proba[:10])
# 取目标分数为正类(1)的概率估计
y_predict = y_predict_proba[:,1]
# 利用roc_auc_score查看模型效果
test_auc = roc_auc_score(y_test,y_predict)
print('逻辑回归模型 test_auc:',test_auc)
6.6 逻辑回归参数调优
from sklearn.metrics import roc_auc_score
from sklearn.linear_model import LogisticRegression
# 建立一个LogisticRegression对象，命名为lr
lr =LogisticRegression(penalty='l2',C=0.6,class_weight='balanced')
# 对lr对象调用fit方法，带入训练集x_train, y_train进行训练
lr.fit(x_train, y_train)
# 对训练好的lr模型调用predict_proba方法
y_predict =lr.predict_proba(x_test)[:,1]
# 调用roc_auc_score方法
test_auc = roc_auc_score(y_test,y_predict)
print('逻辑回归模型test auc:')
print(test_auc)
6.7 使用标准化提升逻辑回归模型效果
continuous_columns = ['age','cashTotalAmt','cashTotalCnt','monthCardLargeAmt','onlineTransAmt','onlineTransCnt','publicPayAmt','publicPayCnt','transTotalAmt','transTotalCnt','transCnt_non_null_months','transAmt_mean','transAmt_non_null_months','cashCnt_mean','cashCnt_non_null_months','cashAmt_mean','cashAmt_non_null_months','card_age', 'trans_total','total_withdraw', 'avg_per_withdraw','avg_per_online_spend', 'avg_per_public_spend', 'bad_record','transCnt_mean','noTransWeekPre']
# 对data中所有连续型的列进行Z-score标准化
data[continuous_columns]=data[continuous_columns].apply(lambda x:(x-x.mean())/x.std())
# 查看标准化后的数据的均值和标准差，以cashAmt_mean为例
print('cashAmt_mean标准化后的均值：',data['cashAmt_mean'].mean())
print('cashAmt_mean标准化后的标准差：',data['cashAmt_mean'].std())
# 查看标准化后对模型的效果提升
y = data['Default'].values
x = data.drop(['Default'], axis=1).values
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2,random_state = 33,stratify=y)
from sklearn.metrics import roc_auc_score
from sklearn.linear_model import LogisticRegression
lr = LogisticRegression(penalty='l2',C=0.6,class_weight='balanced')
lr.fit(x_train, y_train)
# 查看模型预测结果
y_predict = lr.predict_proba(x_test)[:,1]
auc_score =roc_auc_score(y_test,y_predict)
print('score:',auc_score)
6.8 使用离散化提升逻辑回归模型效果
continuous_columns = ['age','cashTotalAmt','cashTotalCnt','monthCardLargeAmt','onlineTransAmt','onlineTransCnt','publicPayAmt','publicPayCnt','transTotalAmt','transTotalCnt','transCnt_non_null_months','transAmt_mean','transAmt_non_null_months','cashCnt_mean','cashCnt_non_null_months','cashAmt_mean','cashAmt_non_null_months','card_age', 'trans_total','total_withdraw', 'avg_per_withdraw','avg_per_online_spend', 'avg_per_public_spend', 'bad_record','transCnt_mean','noTransWeekPre']
# 对data中数值连续型的列进行等频离散化，将每一列都离散为5个组。
data[continuous_columns]=data[continuous_columns].apply(lambda x:pd.qcut(x,q=5,duplicates='drop'))
# 查看离散化后的数据
print(data.head())
# 查看离散化后对模型的效果提升
# 先对各离散组进行One-Hot处理
data=pd.get_dummies(data)
y = data['Default'].values
x = data.drop(['Default'], axis=1).values
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2,random_state = 33,stratify=y)
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score
lr = LogisticRegression(penalty='l2',C=0.6,class_weight='balanced')
lr.fit(x_train, y_train)
# 查看模型预测结果
y_predict = lr.predict_proba(x_test)[:,1]
score_auc = roc_auc_score(y_test,y_predict)
print('score:',score_auc)
6.9 使用随机森林建立风险评估模型
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score
rf_clf = RandomForestClassifier()
rf_clf.fit(x_train,y_train)
y_predict = rf_clf.predict_proba(x_test)[:,1]
# 查看模型效果
test_auc = roc_auc_score(y_test,y_predict)
print ("AUC Score (Test): %f" % test_auc)
6.10 随机森林决策树数目参数调优
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score
# 尝试设置参数n_estimators
rf_clf1 = RandomForestClassifier(n_estimators=100,random_state=33)
rf_clf1.fit(x_train, y_train)
y_predict1 = rf_clf1.predict_proba(x_test)[:,1]
# 查看模型效果
test_auc = roc_auc_score(y_test,y_predict1)
print ("AUC Score (Test): %f" % test_auc)
6.11 随机森林参数调优
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score
import matplotlib.pyplot as plt
# 定义存储AUC分数的数组
scores_train=[]
scores_test=[]
# 定义存储n_estimators取值的数组
estimators=[]
# 设置n_estimators在100-210中每隔20取一个数值
for i in range(100,210,20):
estimators.append(i)
rf = RandomForestClassifier(n_estimators=i, random_state=12)
rf.fit(x_train,y_train)
y_predict = rf.predict_proba(x_test)[:,1]
scores_test.append(roc_auc_score(y_test,y_predict))
# 查看我们使用的n_estimators取值
print("estimators =", estimators)
# 查看以上模型中在测试集最好的评分
print("best_scores_test =",max(scores_test))
# 画出n_estimators与AUC的图形
fig,ax = plt.subplots()
# 设置x y坐标名称
ax.set_xlabel('estimators')
ax.set_ylabel('AUC分数')
plt.plot(estimators,scores_test, label='测试集')
#显示汉语标注
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['font.family']=['sans-serif']
# 设置图例
plt.legend(loc="lower right")
plt.show()
6.12 使用网格搜索进行随机森林参数调优
from sklearn.model_selection import GridSearchCV
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import roc_auc_score
rf = RandomForestClassifier()
# 设置需要调试的参数
tuned_parameters ={'n_estimators':[180,190],'max_depth':[8,10]}
# 调用网格搜索函数
rf_clf =GridSearchCV(rf,tuned_parameters,scoring='roc_auc',n_jobs=2,cv=5)
rf_clf.fit(x_train, y_train)
y_predict =rf_clf.predict_proba(x_test)[:,1]
test_auc = roc_auc_score(y_test,y_predict)
print ('随机森林模型test AUC:')
print (test_auc)
7.1 风险评估模型效果评价方法
7.2 利用ROC_AUC评估逻辑回归模型准确性
#用metrics.roc_curve()求出 fpr, tpr, threshold
from sklearn.metrics import roc_curve, auc
fpr, tpr, threshold = roc_curve(y_test,y_predict)
#用metrics.auc求出roc_auc的值
roc_auc = auc(fpr,tpr)
#将图片大小设为8:6
fig,ax = plt.subplots(figsize=(8,6))
#将plt.plot里的内容填写完整
plt.plot(fpr, tpr, label = 'AUC = %0.2f' % roc_auc)
#将图例显示在右下方
plt.legend(loc = 'lower right')
#画出一条红色对角虚线
plt.plot([0, 1], [0, 1],'r--')
#设置横纵坐标轴范围
plt.xlim([-0.01, 1.01])
plt.ylim([-0.01, 1.01])
#设置横纵名称以及图形名称
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.title('Receiver Operating Characteristic Curve')
plt.show()
7.3 利用ROC_AUC评估随机森林模型准确性
#用metrics.roc_curve()求出 fpr, tpr, threshold
from sklearn.metrics import roc_curve, auc
fpr, tpr, threshold =roc_curve(y_test,y_predict)
#用metrics.auc求出roc_auc的值
roc_auc =auc(fpr,tpr)
#将图片大小设为8:6
fig,ax = plt.subplots(figsize=(8,6))
#将plt.plot里的内容填写完整
plt.plot(fpr,tpr, label = 'AUC = %0.2f' % roc_auc)
#将图例显示在右下方
plt.legend(loc = 'lower right')
#画出一条红色对角虚线
plt.plot([0, 1], [0, 1],'r--')
#设置横纵坐标轴范围
plt.xlim([-0.01, 1.01])
plt.ylim([-0.01, 1.01])
#设置横纵名称以及图形名称
plt.ylabel('True Positive Rate')
plt.xlabel('False Positive Rate')
plt.title('Receiver Operating Characteristic Curve')
plt.show()
7.4 利用KS值评估逻辑回归模型准确性
#用metric.roc_curve()求出 fpr, tpr, threshold
from sklearn.metrics import roc_curve
fpr, tpr, threshold = roc_curve(y_test, y_predict)
#求出KS值和相应的阈值
ks = max(abs(tpr-fpr))
thre =threshold[abs(tpr-fpr).argmax()]
ks = round(ks*100, 2)
thre = round(thre, 2)
print('KS值：', ks, '%', '阈值：', thre)
#将图片大小设为8:6
fig = plt.figure(figsize=(8,6))
#将plt.plot里的内容填写完整
plt.plot(threshold[::-1],tpr[::-1] , lw=1, alpha=1,label='真正率TPR')
plt.plot(threshold[::-1],fpr[::-1], lw=1, alpha=1,label='假正率FPR')
#画出KS值的直线
ks_tpr = tpr[abs(tpr-fpr).argmax()]
ks_fpr = fpr[abs(tpr-fpr).argmax()]
x1 = [thre, thre]
x2 = [ks_fpr, ks_tpr]
plt.plot(x1, x2)
#设置横纵名称以及图例
plt.xlabel('阈值')
plt.ylabel('真正率TPR/假正率FPR')
plt.title('KS曲线', fontsize=15)
plt.legend(loc="upper right")
plt.grid(axis='x')
# 在图上标注ks值
plt.annotate('KS值', xy=(0.18, 0.45), xytext=(0.25, 0.43),
fontsize=20,arrowprops=dict(facecolor='green', shrink=0.01))
7.5 利用KS值评估随机森林模型准确性
#用metric.roc_curve()求出 fpr, tpr, threshold
from sklearn.metrics import roc_curve
fpr, tpr, threshold = roc_curve(y_test, y_predict)
#求出KS值和相应的阈值
ks = max(abs(tpr-fpr))
thre =threshold[abs(tpr-fpr).argmax()]
ks = round(ks*100, 2)
thre = round(thre, 2)
print('KS值：', ks, '%', '阈值：', thre)
#将图片大小设为8:6
fig = plt.figure(figsize=(8,6))
#将plt.plot里的内容填写完整
plt.plot(threshold[::-1],tpr[::-1] , lw=1, alpha=1,label='真正率TPR')
plt.plot(threshold[::-1],fpr[::-1], lw=1, alpha=1,label='假正率FPR')
#画出KS值的直线
ks_tpr = tpr[abs(tpr-fpr).argmax()]
ks_fpr = fpr[abs(tpr-fpr).argmax()]
x1 = [thre, thre]
x2 = [ks_fpr, ks_tpr]
plt.plot(x1, x2)
#设置横纵名称以及图例
plt.xlabel('阈值')
plt.ylabel('真正率TPR/假正率FPR')
plt.title('KS曲线', fontsize=15)
plt.legend(loc="upper right")
plt.grid(axis='x')
# 在图上标注ks值
plt.annotate('KS值', xy=(0.26, 0.45), xytext=(0.30, 0.43),
fontsize=20,arrowprops=dict(facecolor='green', shrink=0.01))
7.6 利用PSI评估逻辑回归模型稳定性
## 训练集预测概率
y_train_probs = lr.predict_proba(x_train)[:,1]
## 测试集预测概率
y_test_probs = lr.predict_proba(x_test)[:,1]
def psi(y_train_probs, y_test_probs):
## 设定每组的分点
bins = np.arange(0, 1.1, 0.1)
## 将训练集预测概率分组
y_train_probs_cut = pd.cut(y_train_probs, bins=bins, labels=False)
## 计算预期占比
expect_prop = (pd.Series(y_train_probs_cut).value_counts()/len(y_train_probs)).sort_index()
## 将测试集预测概率分组
y_test_probs_cut = pd.cut(y_test_probs, bins=bins, labels=False)
## 计算实际占比
actual_prop = (pd.Series(y_test_probs_cut).value_counts()/len(y_test_probs)).sort_index()
## 计算PSI
psi =((actual_prop-expect_prop)*np.log(actual_prop/expect_prop)).sum()
return psi, expect_prop, actual_prop
## 运行函数得到psi、预期占比和实际占比
psi, expect_prop, actual_prop = psi(_____, _____)
print('psi=',psi)
## 创建(12, 8)的绘图框
fig = plt.figure(figsize=(12, 8))
## 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
## 绘制条形图
plt.bar(expect_prop.index + 0.2, expect_prop, width=0.4, label='预期占比')
plt.bar(actual_prop.index - 0.2, actual_prop, width=0.4, label='实际占比')
plt.legend()
## 设置轴标签
plt.xlabel('概率分组', fontsize=12)
plt.ylabel('样本占比', fontsize=12)
## 设置轴刻度
plt.xticks([0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
['0-0.1', '0.1-0.2', '0.2-0.3', '0.3-0.4', '0.4-0.5', '0.5-0.6', '0.6-0.7', '0.7-0.8', '0.8-0.9', '0.9-1'])
## 设置图标题
plt.title('预期占比与实际占比对比条形图', fontsize=15)
## 在图上添加文字
for index, item1, item2 in zip(range(10), expect_prop.values, actual_prop.values):
plt.text(index+0.2, item1 + 0.01, '%.3f' % item1, ha="center", va= "bottom",fontsize=10)
plt.text(index-0.2, item2 + 0.01, '%.3f' % item2, ha="center", va= "bottom",fontsize=10)
7.7 利用PSI评估随机森林模型稳定性
## 训练集预测概率
y_train_probs = rf_clf.predict_proba(x_train)[:,1]
## 测试集预测概率
y_test_probs = rf_clf.predict_proba(x_test)[:,1]
def psi(y_train_probs, y_test_probs):
## 设定每组的分点
bins = np.arange(0, 1.1, 0.1)
## 将训练集预测概率分组
y_train_probs_cut = pd.cut(y_train_probs, bins=bins, labels=False)
## 计算预期占比
expect_prop = (pd.Series(y_train_probs_cut).value_counts()/len(y_train_probs)).sort_index()
## 将测试集预测概率分组
y_test_probs_cut = pd.cut(y_test_probs, bins=bins, labels=False)
## 计算实际占比
actual_prop = (pd.Series(y_test_probs_cut).value_counts()/len(y_test_probs)).sort_index()
## 计算PSI
psi =((actual_prop-expect_prop)*np.log(actual_prop/expect_prop)).sum()
return psi, expect_prop, actual_prop
## 运行函数得到psi、预期占比和实际占比
psi, expect_prop, actual_prop = psi(y_train_probs,y_test_probs)
print('psi=', round(psi, 3))
## 创建(12, 8)的绘图框
fig = plt.figure(figsize=(12, 8))
## 设置中文字体
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False
## 绘制条形图
plt.bar(expect_prop.index + 0.2, expect_prop, width=0.4, label='预期占比')
plt.bar(actual_prop.index - 0.2, actual_prop, width=0.4, label='实际占比')
plt.legend()
## 设置轴标签
plt.xlabel('概率分组', fontsize=12)
plt.ylabel('样本占比', fontsize=12)
## 设置轴刻度
plt.xticks([0, 1, 2, 3, 4, 5, 6, 7, 8, 9],
['0-0.1', '0.1-0.2', '0.2-0.3', '0.3-0.4', '0.4-0.5', '0.5-0.6', '0.6-0.7', '0.7-0.8', '0.8-0.9', '0.9-1'])
## 设置图标题
plt.title('预期占比与实际占比对比条形图', fontsize=15)
## 在图上添加文字
for index, item1, item2 in zip(range(10), expect_prop.values, actual_prop.values):
plt.text(index+0.2, item1 + 0.01, '%.3f' % item1, ha="center", va= "bottom",fontsize=10)
plt.text(index-0.2, item2 + 0.01, '%.3f' % item2, ha="center", va= "bottom",fontsize=10)
7.8 计算逻辑回归的指标重要性
from sklearn.linear_model import LogisticRegression
lr_clf = LogisticRegression(penalty='l2',C = 0.6, random_state=55)
lr_clf.fit(x_train, y_train)
# 查看逻辑回归各项指标系数
coefficient = lr_clf.coef_
# 取出指标系数，并对其求绝对值
importance = abs(coefficient)
# 通过图形的方式直观展现前八名的重要指标
index=data.drop('Default', axis=1).columns
feature_importance = pd.DataFrame(importance.T, index=index).sort_values(by=0, ascending=True)
# # 查看指标重要度
print(feature_importance)
# 水平条形图绘制
feature_importance.tail(8).plot(kind='barh', title='Feature Importances', figsize=(8, 6), legend=False)
plt.show()
7.9 计算随机森林的指标重要性
from sklearn.ensemble import RandomForestClassifier
rf = RandomForestClassifier(n_estimators = 150, criterion = 'entropy', max_depth = 5, min_samples_split = 2, random_state=12)
rf.fit(x_train, y_train)
# 查看随机森林各项指标系数
importance =rf.feature_importances_
# 通过图形的方式直观展现前八名的重要指标
index=data.drop('Default', axis=1).columns
feature_importance = pd.DataFrame(importance.T, index=index).sort_values(by=0, ascending=True)
# # 查看指标重要度
print(feature_importance)
# 水平条形图绘制
feature_importance.tail(8).plot(kind='barh', title='Feature Importances', figsize=(8, 6), legend=False)
plt.show()
