信贷违约风险评估预测-kaggle项目

海星？海欣！

已于 2022-07-25 22:50:20 修改

阅读量2.3k

点赞数 5

分类专栏： python - 实战项目文章标签： python pandas 数据挖掘

于 2022-07-05 19:33:09 首次发布

本文链接：https://blog.csdn.net/Sun123234/article/details/125617753

版权

python - 实战项目专栏收录该内容

17 篇文章 7 订阅

订阅专栏

kaggle原案例
目标：为了确保贷款的安全性，需要对客户的信用或者还款能力进行评估

数据导入并预览

import pandas as pd
df = pd.read_csv(
    "https://labfile.oss.aliyuncs.com/courses/1363/HomeCredit.csv")
df.head()

df.describe()
df.shape
df.columns

数据可视化分析

查看贷款金额的分布情况

import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings("ignore")
%matplotlib inline

plt.figure(figsize=(12, 5))
plt.title("Distribution of AMT_CREDIT")
ax = sns.distplot(df["AMT_CREDIT"])  # 画出数据分布图

#同样的，查看收入情况的分布情况
plt.figure(figsize=(12, 5))
plt.title("Distribution of AMT_INCOME_TOTAL")
# 画出数据分布图
ax = sns.distplot(df["AMT_INCOME_TOTAL"].dropna())

#如果贷款的对象是货物的话，看一下这些货物的价格分布。
plt.figure(figsize=(12,5))
plt.title('Distribution of AMT_GOODS_PRICE')
ax = sns.distplot(df['AMT_GOODS_PRICE'].dropna())

import plotly.offline as offline
import plotly.graph_objs as go
import plotly.offline as py
from plotly.offline import init_notebook_mode, iplot
init_notebook_mode(connected=True)
offline.init_notebook_mode()

查看陪同人员情况

temp = df["NAME_TYPE_SUITE"].value_counts()
# 画出柱状图
trace = [go.Bar(x=temp.index, y=(temp / temp.sum())*100,)]
# 设置图的字体颜色等
layout = go.Layout(
    title="Who accompanied client when applying for the  application in % ",
    xaxis=dict(title='Name of type of the Suite',
               tickfont=dict(size=14, color='rgb(107, 107, 107)')),
    yaxis=dict(title='Count of Name of type of the Suite in %',
               titlefont=dict(size=16, color='rgb(107, 107, 107)'),
               tickfont=dict(size=14, color='rgb(107, 107, 107)'))
)

fig = go.Figure(data=trace, layout=layout)
iplot(fig, filename='schoolStateNames')
#结论：几乎 80% 的人都没有人陪同。而只有少部分人有家人或合伙人陪同

申请人的还款能力

temp = df["TARGET"].value_counts()
# 画出饼状图
trace = [go.Pie(labels=temp.index, values=temp.values)]
# 设置图题
layout = go.Layout(
    title='Loan Repayed or not',
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#有超过 90% 的人没有还款能力

查看还款类型，做环形图
查看贷款类型

temp = df["NAME_CONTRACT_TYPE"].value_counts()
# 画出饼状图
trace = [go.Pie(labels=temp.index, values=temp.values, hole=0.6)]
# 设置图题
layout = go.Layout(
    title='Types of loan',
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#Revolving loan 表示周期性贷款，类似于分期贷款。 Cash loans 贷款表示现金贷款。
#由上图可知，有超过 90% 的人申请的贷款为现金贷款。

查看申请人贷款的目的

temp1 = df["FLAG_OWN_CAR"].value_counts()
temp2 = df["FLAG_OWN_REALTY"].value_counts()
# 画出饼状图
trace = [go.Pie(labels=temp1.index, values=temp1.values, domain={"x": [0, .48]}, hole=0.6),
         go.Pie(labels=temp2.index, values=temp2.values, domain={"x": [0.5, 1]}, hole=0.6)]
# 设置图中的字体，图题等
layout = go.Layout(
    title='Purpose of loan',
    annotations=[{"font": {
        "size": 20},
        "showarrow": False,
        "text": "Own Car",
        "x": 0.15,
        "y": 0.5},
        {"font": {
            "size": 20},
         "showarrow": False,
         "text": "Own Realty",
         "x": 0.85,
         "y": 0.5}])
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#有接近 34% 的人贷款的钱要花在车上， 30% 的人要花在物业上。

查看申请人的收入来源。

temp = df["NAME_INCOME_TYPE"].value_counts()
# 画出饼状图
trace = [go.Pie(labels=temp.index, values=temp.values, hole=0.4)]
# 设置图题
layout = go.Layout(
    title='Income sources of Applicant',
)
# 画出图题
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#52.1% 的人收入来源于工作，有 23.5% 的人收入来源于商业合作，有 18% 的申请者的收入主要来自于养老金。

查看申请人的婚姻状况

temp = df["NAME_FAMILY_STATUS"].value_counts()
# 画出饼状图
trace = [go.Pie(labels=temp.index, values=temp.values)]
# 设置图题
layout = go.Layout(
    title='Family Status of Applicant',
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#结论：有 63.7% 的申请都是已婚的，有 14.7% 为单身或未婚

查看申请者的职业

temp = df["OCCUPATION_TYPE"].value_counts()
# 画出柱状图
trace = [go.Bar(x=temp.index, y=temp.values)]
# 设置图题
layout = go.Layout(
    title='Occupation of Applicant',
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#结论：从图可以看到，人数最多的职业为工人，其次是销售员等

查看一下申请人的受教育情况

temp = df["NAME_EDUCATION_TYPE"].value_counts()
# 画出饼状图
trace = [go.Pie(labels=temp.index, values=temp.values, hole=0.5)]
# 设置图题
layout = go.Layout(
    title='Education of Applicant',
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#有 71.5% 的人为中等学历，24% 的人为高等学历

看这些申请人的房子类型

temp = df["NAME_HOUSING_TYPE"].value_counts()
# 画出饼状图
trace = [go.Pie(labels=temp.index, values=temp.values)]
# 设置图题
layout = go.Layout(
    title='Loan Repayed or not',
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#有 88.7% 的申请者有自己的房子或住在公寓，有 4.54% 的人跟父母一起住

上面通过可视化来观察数据集中一些基本的信息

import numpy as np
temp = df["NAME_INCOME_TYPE"].value_counts()

temp_y0 = []  # 没有偿还能力
temp_y1 = []  # 有偿还能力
for val in temp.index:
    temp_y1.append(np.sum(df["TARGET"][df["NAME_INCOME_TYPE"] == val] == 1))
    temp_y0.append(np.sum(df["TARGET"][df["NAME_INCOME_TYPE"] == val] == 0))
temp_y1 = np.array(temp_y1)
temp_y0 = np.array(temp_y0)
# 画出柱状图
trace = [go.Bar(x=temp.index, y=(temp_y1 / temp.sum()) * 100, name='YES'),
         go.Bar(x=temp.index, y=(temp_y0 / temp.sum()) * 100, name='NO'),
         go.Bar(x=temp.index, y=(temp_y1 / (temp_y0+temp_y1)) * 100, name='RATE'),
         ]
# 设置图题，字体等
layout = go.Layout(
    title="Income sources of Applicant's in terms of loan is repayed or not  in %",
    xaxis=dict(title='Income source', tickfont=dict(
        size=14, color='rgb(107, 107, 107)')),
    yaxis=dict(title='Count in %', titlefont=dict(size=16, color='rgb(107, 107, 107)'),
               tickfont=dict(size=14, color='rgb(107, 107, 107)'))
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#YES 表示有偿还能力，NO 表示无偿还能力，RATE 表示在该取值中有偿还能力所占的比例，例如，在 Working 中，RATE 的取值越高表示当一个人的收入来源于 Working 时，该人有很大的可能有偿还能力

婚姻状况与是否有偿还能力的关系

temp = df["NAME_FAMILY_STATUS"].value_counts()
temp_y0 = []  # 没有偿还能力
temp_y1 = []  # 有偿还能力
for val in temp.index:
    temp_y1.append(np.sum(df["TARGET"][df["NAME_FAMILY_STATUS"] == val] == 1))
    temp_y0.append(np.sum(df["TARGET"][df["NAME_FAMILY_STATUS"] == val] == 0))
temp_y1 = np.array(temp_y1)
temp_y0 = np.array(temp_y0)
# 画出柱状图
trace = [go.Bar(x=temp.index, y=(temp_y1 / temp.sum()) * 100, name='YES'),
         go.Bar(x=temp.index, y=(temp_y0 / temp.sum()) * 100, name='NO'),
         go.Bar(x=temp.index, y=(temp_y1 / (temp_y0+temp_y1)) * 100, name='RATE')]
# 设置字体、图题等
layout = go.Layout(
    title="Family Status of Applicant's in terms of loan is repayed or not in %",
    xaxis=dict(title='Family Status', tickfont=dict(
        size=14, color='rgb(107, 107, 107)')),
    yaxis=dict(title='Count in %', titlefont=dict(size=16, color='rgb(107, 107, 107)'),
               tickfont=dict(size=14, color='rgb(107, 107, 107)')))
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#偿还能力似乎与婚姻状况无关

同样的，看申请者职业与偿还能力的关系

temp = df["OCCUPATION_TYPE"].value_counts()

temp_y0 = []  # 没有偿还能力
temp_y1 = []  # 有偿还能力
for val in temp.index:
    temp_y1.append(np.sum(df["TARGET"][df["OCCUPATION_TYPE"] == val] == 1))
    temp_y0.append(np.sum(df["TARGET"][df["OCCUPATION_TYPE"] == val] == 0))
temp_y1 = np.array(temp_y1)
temp_y0 = np.array(temp_y0)
# 画出柱状图
trace = [go.Bar(x=temp.index, y=(temp_y1 / temp.sum()) * 100, name='YES'),
         go.Bar(x=temp.index, y=(temp_y0 / temp.sum()) * 100, name='NO'),
         go.Bar(x=temp.index, y=(temp_y1 / (temp_y0+temp_y1)) * 100, name='RATE'),
         ]
# 设置图题、字体等
layout = go.Layout(
    title="Occupation of Applicant's in terms of loan is repayed or not in %",
    width=1000,
    xaxis=dict(title='Occupation of Applicant\'s',
               tickfont=dict(size=14, color='rgb(107, 107, 107)')),
    yaxis=dict(title='Count in %', titlefont=dict(size=16, color='rgb(107, 107, 107)'),
               tickfont=dict(size=14, color='rgb(107, 107, 107)'))
)
# 显示图形
fig = go.Figure(data=trace, layout=layout)
iplot(fig)
#由图可知，像管理员、核心员工等这些职业的偿还能力都较低，而像工人、驾驶司机等职业要高一点。

预测模型

删除掉存在缺失值的特征列

df_drop = df.dropna(axis=1)
df_drop.head()

编码特征

from sklearn import preprocessing
# 取出非数值的列
categorical_feats = [
    f for f in df_drop.columns if df_drop[f].dtype == 'object'
]
# 对非数值的列进行编码
for col in categorical_feats:
    lb = preprocessing.LabelEncoder()
    lb.fit(list(df_drop[col].values.astype('str')))
    df_drop[col] = lb.transform(list(df_drop[col].values.astype('str')))
#查看编码结果
df_drop.head()

划分数据

#SK_ID_CURR 列为顾客的 ID ，因此要将此列删除掉
df_drop1 = df_drop.drop('SK_ID_CURR',axis=1)

#提取训练特征数据和目标值。这里的目标值就是申请者的偿还能力，在数据集中为 TARGET 列。
data_X = df_drop1.drop("TARGET", axis=1)
data_y = df_drop1['TARGET']

划分数据集为训练数据集和测试数据集。因为数据集较大，只取了 20% 的数据来作为训练集。

from sklearn import model_selection

train_x, test_x, train_y, test_y = model_selection.train_test_split(data_X.values,
                                                                    data_y.values,
                                                                    test_size=0.8,
                                                                    random_state=0)

随机森林

from sklearn.ensemble import RandomForestClassifier
model = RandomForestClassifier()  # 构建模型
model.fit(train_x, train_y)  # 训练模型
#测试一下模型的准确率
from sklearn import metrics
y_pred = model.predict(test_x)  # 预测测试集
metrics.accuracy_score(y_pred, test_y)  # 评价预测结果

#使用 sklaern 提供的分类报告方法来得到一个全面的评估
print(metrics.classification_report(y_pred, test_y))

#分析特征的重要性
features = data_X.columns.values  # 取出数据集中的列名，即特征名
# 得到特征与其重要性
x, y = (list(x) for x in zip(*sorted(zip(model.feature_importances_, features),
                                     reverse=False)))
# 画出柱状图
trace2 = go.Bar(x=x, y=y, marker=dict(color=x, colorscale='Viridis', reversescale=True),
                name='Random Forest Feature importance', orientation='h',)
# 设置图题、字体等
layout = dict(title='Barplot of Feature importances', width=900, height=2000,
              yaxis=dict(showgrid=False, showline=False, showticklabels=True,), margin=dict(l=300,))
# 显示图形
fig1 = go.Figure(data=[trace2])
fig1['layout'].update(layout)
iplot(fig1, filename='plots')

使用多种方法来预测模型

from sklearn.tree import DecisionTreeClassifier
from sklearn.neural_network import MLPClassifier
from sklearn.ensemble import AdaBoostClassifier
from sklearn.ensemble import BaggingClassifier
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.linear_model import LogisticRegression

# 构建 7 种算法
models = [LogisticRegression(solver='lbfgs'),       # 逻辑回归
          RandomForestClassifier(n_estimators=100),  # 随机森林
          DecisionTreeClassifier(),                 # 决策树
          MLPClassifier(max_iter=100),              # 多层感知机
          AdaBoostClassifier(),                     # 自适应梯度提升
          BaggingClassifier(),                      # 装袋算法
          GradientBoostingClassifier()]             # 梯度提升算法

model_name = ['LogisticRegression',
              'RandomForestClassifier',
              "DecisionTreeClassifier",
              'MLPClassifier',
              'AdaBoostClassifier',
              'BaggingClassifier',
              'GradientBoostingClassifier']

acc = []        # 存放各算法的准确率
f1 = []         # 存放各算法的 f1 值
recall = []     # 存放各算法的召回率

for model in models:  # 训练每个算法
    model.fit(train_x, train_y)
    acc.append(model.score(test_x, test_y))
    y_pred = model.predict(test_x)
    f1.append(metrics.f1_score(y_pred, test_y))
    recall.append(metrics.recall_score(y_pred, test_y))

# 打印每种算法的评估结果
pd.DataFrame({"name": model_name, "acc": acc, "f1": f1, "recall": recall})
#除了决策树分类（DecisionTreeClassifier）和感知机分类（MLPClassifier）之外，大部分算法的准确率均超过了 90% 。