数据科学方法论
数据挖掘实施路线图
案例背景
- 本数据为一家银行的个人金融业务数据集，可以作为银行场景下进行个人客户业务分析和数据挖掘的示例。这份数据中涉及到5300个银行客户的100万笔的交易，而且涉及700份贷款信息与近900张信用卡的数据。通过分析这份数据可以获取与银行服务相关的业务知识。例如，提供增值服务的银行客户经理，希望明确哪些客户有更多的业务需求，而风险管理的业务人员可以及早发现贷款的潜在损失
- 可否根据客户贷款前的属性、状态信息和交易行为预测其贷款违约行为
- 截取自一家银行的真实客户与交易数据
- 涉及客户主记录、帐号、交易、业务和信用卡数据
- 一个账户只能一笔贷款，“loan” 表中记录了客户贷款信息
数据表
根据以往的贷款数据，状态为B和D的为违约客户，A为正常客户，C的最终状态还不明确
表的关系：数据的实体-关系图(ER图)
业务理解
思路整理
扫描二维码关注公众号，回复：
6130741 查看本文章
什么指标有预测能力？
客户为什么不还钱？
有预测价值的变量基本都是衍生变量：
- 一级衍生，比如资产余额
- 二级衍生，比如资产余额的波动率、平均资产余额
- 三级衍生，比如资产余额的变异系数
数据提取
- 相关与因果之间的关系
- 注意构建模型时数据选取的标准
不是所有具有相关关系的数据都能拿来建模，要注意搞清楚因果关系，如上世纪80年代，姚明鞋的尺寸和GDP总量明显正相关，但它们没有因果关系
建立因果关系模型
- 我们分析的变量按照时间变化情况可以分为动态变量和静态变量
- 属性变量（比如性别、是否90后）一般是静态变量，行为、状态和利益变量均属于动态变量
- 动态变量还分为时点变量和区间变量，状态变量（比如当前帐户余额、是否破产）和利益变量（对某产品的诉求）均属于时点变量。行为变量（存款频次、平均帐户余额的增长率）为区间变量
贷款违约预测的取数规则
数据处理代码
# In[ ]:
import pandas as pd
import os
# # 1 数据整理
# ## 1.1导入数据
# In[2]: 读入 csv 文件
os.chdir("D:\pydata\案例")
loanfile = os.listdir()
createVar = locals()
for i in loanfile:
if i.endswith("csv"):
createVar[i.split('.')[0]] = pd.read_csv(i, encoding = 'gbk')
print(i.split('.')[0])
# ## 1.2、生成被解释变量bad_good
# In[3]:
bad_good = {'B':1, 'D':1, 'A':0, 'C': 2}
loans['bad_good'] = loans.status.map(bad_good)
loans.head()
Out[3]:
loan_id account_id date ... payments status bad_good
0 5314 1787 1993-07-05 ... 8033 B 1
1 5316 1801 1993-07-11 ... 4610 A 0
2 6863 9188 1993-07-28 ... 2118 A 0
3 5325 1843 1993-08-03 ... 2939 A 0
4 7240 11013 1993-09-06 ... 4579 A 0
# ## 1.3、借款人的年龄、性别
# In[4]: 左连接
data2 = pd.merge(loans, disp, on = 'account_id', how = 'left')
data2 = pd.merge(data2, clients, on = 'client_id', how = 'left')
data2=data2[data2.type=='所有者']
data2.head()
Out[4]:
loan_id account_id date ... sex birth_date district_id
0 5314 1787 1993-07-05 ... 女 1947-07-22 30
1 5316 1801 1993-07-11 ... 男 1968-07-22 46
2 6863 9188 1993-07-28 ... 男 1936-06-02 45
3 5325 1843 1993-08-03 ... 女 1940-04-20 14
4 7240 11013 1993-09-06 ... 男 1978-09-07 63
# ## 1.4、借款人居住地的经济状况
# In[5]: district 表中的 district_id 为 A1 这一列
data3 = pd.merge(data2, district, left_on = 'district_id', right_on = 'A1', how = 'left')
data3.head()
Out[5]:
loan_id account_id date amount ... A13 A14 A15 a16
0 5314 1787 1993-07-05 96396 ... 3.67 100 15.7 14.8
1 5316 1801 1993-07-11 165960 ... 2.31 117 12.7 11.6
2 6863 9188 1993-07-28 127080 ... 2.89 132 13.3 13.6
3 5325 1843 1993-08-03 105804 ... 1.71 135 18.6 17.7
4 7240 11013 1993-09-06 274740 ... 4.52 110 9.0 8.4
# ## 1.5、贷款前一年内的账户平均余额、余额的标准差、变异系数、平均收入和平均支出的比例
# In[6]: amount 属于 trans 表的
data_4temp1 = pd.merge(loans[['account_id', 'date']],
trans[['account_id','type','amount','balance','date']],
on = 'account_id')
# 重新指定列名
data_4temp1.columns = ['account_id', 'date', 'type', 'amount', 'balance', 't_date']
data_4temp1 = data_4temp1.sort_values(by = ['account_id','t_date'])
data_4temp1['date']=pd.to_datetime(data_4temp1['date'])
data_4temp1['t_date']=pd.to_datetime(data_4temp1['t_date'])
data_4temp1.tail()
Out[6]:
account_id date type amount balance t_date
127263 11362 1996-12-27 借 $56 $51420 1998-12-08
127264 11362 1996-12-27 借 $4,780 $46640 1998-12-10
127265 11362 1996-12-27 借 $5,392 $41248 1998-12-12
127266 11362 1996-12-27 借 $2,880 $38368 1998-12-19
127267 11362 1996-12-27 贷 $163 $38531 1998-12-31
# ## 将对账户余额进行清洗
# In[9]:
data_4temp1['balance2'] = data_4temp1['balance'].map(
lambda x: int(''.join(x[1:].split(','))))
data_4temp1['amount2'] = data_4temp1['amount'].map(
lambda x: int(''.join(x[1:].split(','))))
data_4temp1.head()
Out[7]:
account_id date type ... t_date balance2 amount2
10020 2 1994-01-05 贷 ... 1993-02-26 1100 1100
10021 2 1994-01-05 贷 ... 1993-03-12 21336 20236
10022 2 1994-01-05 贷 ... 1993-03-28 25036 3700
10023 2 1994-01-05 贷 ... 1993-03-31 25050 14
10024 2 1994-01-05 贷 ... 1993-04-12 45286 20236
# ## 根据取数窗口提取交易数据
# In[10]: 取贷款时间和上一次交易时间相隔一年的记录
import datetime
data_4temp2 = data_4temp1[data_4temp1.date>data_4temp1.t_date][
data_4temp1.date<data_4temp1.t_date+datetime.timedelta(days=365)]
data_4temp2.tail()
Out[8]:
account_id date type ... t_date balance2 amount2
127026 11362 1996-12-27 借 ... 1996-12-06 39766 129
127027 11362 1996-12-27 借 ... 1996-12-07 29366 10400
127028 11362 1996-12-27 借 ... 1996-12-07 29036 330
127029 11362 1996-12-27 借 ... 1996-12-08 28980 56
127030 11362 1996-12-27 借 ... 1996-12-10 24200 4780
# ### 1.5.1账户平均余额、余额的标准差、变异系数
# In[11]:
import numpy as np
# 根据 account_id 分组求余额 balance2 的均值和标准差命名为 avg_balance 和 stdev_balance
data_4temp3 = data_4temp2.groupby('account_id')['balance2'].agg([('avg_balance',np.mean), ('stdev_balance',np.std)])
#用 标准差 / 均值 求出变异系数
data_4temp3['cv_balance'] = data_4temp3[['avg_balance','stdev_balance']].apply(lambda x: x[1]/x[0],axis = 1)
data_4temp3.head()
# ### 1.5.2 平均支出和平均收入的比例
# In[12]:
type_dict = {'借':'out','贷':'income'}
data_4temp2['type1'] = data_4temp2.type.map(type_dict)
# amount2 原属于 trans 表
data_4temp4 = data_4temp2.groupby(['account_id','type1'])[['amount2']].sum()
data_4temp4.head()
Out[9]:
amount2
account_id type1
2 income 276514
out 153020
19 income 254255
out 198020
25 income 726479
# In[13]:
data_4temp5 = pd.pivot_table(
data_4temp4, values = 'amount2',
index = 'account_id', columns = 'type1')
data_4temp5.fillna(0, inplace = True)
# 求借款与贷款的比率，也可看作支出收入比，反应消费的程度
data_4temp5['r_out_in'] = data_4temp5[
['out','income']].apply(lambda x: x[0]/x[1], axis = 1)
data_4temp5.head()
Out[10]:
type1 income out r_out_in
account_id
2 276514.0 153020.0 0.553390
19 254255.0 198020.0 0.778824
25 726479.0 629108.0 0.865969
37 386357.0 328541.0 0.850356
38 154300.0 105091.0 0.681082
# In[14]: 右表使用 Index 作 account_id 进行连接
data4 = pd.merge(data3, data_4temp3, left_on='account_id', right_index= True, how = 'left')
data4 = pd.merge(data4, data_4temp5, left_on='account_id', right_index= True, how = 'left')
data4.head()
Out[14]:
loan_id account_id date ... income out r_out_in
0 5314 1787 1993-07-05 ... 20100.0 0.0 0.000000
1 5316 1801 1993-07-11 ... 243576.0 164004.0 0.673318
2 6863 9188 1993-07-28 ... 75146.0 54873.0 0.730219
3 5325 1843 1993-08-03 ... 120310.0 86018.0 0.714970
4 7240 11013 1993-09-06 ... 276327.0 235214.0 0.851216
# ## 1.6、计算贷存比，贷收比
# In[15]:
# 求贷存比，贷款金额与平均余额的比率
data4['r_lb'] = data4[['amount','avg_balance']].apply(lambda x: x[0]/x[1],axis = 1)
# 求贷收比，贷款金额与收入的比率
data4['r_lincome'] = data4[['amount','income']].apply(lambda x: x[0]/x[1],axis = 1)
data4.head()
Out[15]:
loan_id account_id date ... r_out_in r_lb r_lincome
0 5314 1787 1993-07-05 ... 0.000000 7.869061 4.795821
1 5316 1801 1993-07-11 ... 0.673318 3.773893 0.681348
2 6863 9188 1993-07-28 ... 0.730219 4.227398 1.691108
3 5325 1843 1993-08-03 ... 0.714970 2.561987 0.879428
4 7240 11013 1993-09-06 ... 0.851216 5.518998 0.994257
模型构建与评估
数据挖掘模型分类
此案列中，我们的信用评估是主观定义的，排序类模型反应一个人成本与收益的决策行为，而决策类模型反应的是真实情况的
使用逻辑回归建立行为评分卡
逻辑回归预测的是一个人违约的概率，然后以概率从大到小进行排序，概率大的拒绝，概率小的接受
评估指标汇总
对评分卡模型，我们更多用 ROC 曲线和 K-S 曲线，ROC 曲线越偏向左上角及围的右下方面积越大模型表现越好，K-S曲线红蓝线越分离模型表现越好，绿线代表两条曲线的差值，值越大模型表现越好
评分卡模型的评估指标
建模与评测代码
训练
# In[17]:
# status 为 C 的记录不用来训练，而作为预测用
data_model=data4[data4.status!='C']
for_predict=data4[data4.status=='C']
#%%
train = data_model.sample(frac=0.7, random_state=1235).copy()
# 剩下的 30% 的样本
test = data_model[~ data_model.index.isin(train.index)].copy()
print(' 训练集样本量: %i \n 测试集样本量: %i' %(len(train), len(test)))
训练集样本量: 195
测试集样本量: 84
#%%
# 有一种说法是当训练集每一个类别数量都相等时，会提高模型性能，下面注释代码调整 3 中类别数量一致，但在这准确度反而下降了
'''
train_D = train[train['status']=='D']
train_D_1 = train_D[train['account_id']==3189]
for i in range(4):
train = pd.concat([train, train_D])
for i in range(5):
train = pd.concat([train, train_D_1])
train_B = train[train['status']=='B']
train_B_1 = train[train['account_id']==19]
for i in range(5):
train = pd.concat([train, train_B])
for i in range(13):
train = pd.concat([train, train_B_1])
print(' 训练集样本量: %i \n 测试集样本量: %i' %(len(train), len(test)))
train['status'].value_counts()
'''
# In[22]:
# 向前法
def forward_select(data, response):
import statsmodels.api as sm
import statsmodels.formula.api as smf
remaining = set(data.columns)
remaining.remove(response)
selected = []
current_score, best_new_score = float('inf'), float('inf')
while remaining:
aic_with_candidates=[]
for candidate in remaining:
formula = "{} ~ {}".format(
response,' + '.join(selected + [candidate]))
aic = smf.glm(
formula=formula, data=data,
family=sm.families.Binomial(sm.families.links.logit)
).fit().aic
aic_with_candidates.append((aic, candidate))
aic_with_candidates.sort(reverse=True)
best_new_score, best_candidate=aic_with_candidates.pop()
if current_score > best_new_score:
remaining.remove(best_candidate)
selected.append(best_candidate)
current_score = best_new_score
print ('aic is {},continuing!'.format(current_score))
else:
print ('forward selection over!')
break
formula = "{} ~ {} ".format(response,' + '.join(selected))
print('final formula is {}'.format(formula))
model = smf.glm(
formula=formula, data=data,
family=sm.families.Binomial(sm.families.links.logit)
).fit()
return(model)
# In[23]:
candidates = ['bad_good', 'A1', 'GDP', 'A4', 'A10', 'A11', 'A12','amount', 'duration',
'A13', 'A14', 'A15', 'a16', 'avg_balance', 'stdev_balance',
'cv_balance', 'income', 'out', 'r_out_in', 'r_lb', 'r_lincome']
data_for_select = train[candidates]
lg_m1 = forward_select(data=data_for_select, response='bad_good')
lg_m1.summary().tables[1]
aic is 167.43311432504638,continuing!
aic is 135.8243585604184,continuing!
forward selection over!
final formula is bad_good ~ r_lb + cv_balance
# 最后选出两个变量 r_lb 和 cv_balance 对模型结果影响最大，r_lb 反应客户的对钱的欲望，cv_balance 反应客户经济的不稳定性预测
import sklearn.metrics as metrics
import matplotlib.pyplot as plt
fpr, tpr, th = metrics.roc_curve(test.bad_good, lg_m1.predict(test))
plt.figure(figsize=[6, 6])
plt.plot(fpr, tpr, 'b--')
plt.title('ROC curve')
plt.show()
# In[25]:
print('AUC = %.4f' %metrics.auc(fpr, tpr))
AUC = 0.8846# In[28]:
for_predict['prob']=lg_m1.predict(for_predict)
for_predict[['account_id','prob']].head()
Out[22]:
account_id prob
23 1071 0.704914
30 5313 0.852249
38 10079 0.118128
39 5385 0.177591
42 8321 0.024302