机器学习实战——金融风控业务分析

最新推荐文章于 2024-07-09 08:00:00 发布

AIGC人工智残

最新推荐文章于 2024-07-09 08:00:00 发布

阅读量207

点赞数

分类专栏：数据分析项目实战文章标签：机器学习人工智能数据分析

本文链接：https://blog.csdn.net/gjinc/article/details/131642775

版权

该文通过Python进行信贷数据的业务分析，包括每个季度的账单金额、坏账率、60天和90天入催率，以及不同逾期天数的回款情况。结果显示，2018Q2前资金审核严格，坏账率和入催率较低，Q3后策略调整，虽上升但仍保持在3%以内。逾期30天内的账单回收效果较好。

摘要由CSDN通过智能技术生成

1、项目背景

对信贷数据进行业务数据分析，并且分析出以下内容：

每个季度账单金额和坏账率(逾期90天以上)；
坏账率 = (账单金额-实收金额)/所有账单金额

每个季度60天账期入催率，90天账单入催率；

不同逾期天数的回款情况
分为历史逾期和当前逾期，其中历史逾期表示之前逾期但现在已经还完了，当前逾期表示现在欠钱并没有还完。

2、代码实现

2.1 导入包和数据

# 导入包和数据
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
import seaborn as sns

df = pd.read_excel('业务数据.xls')
df_copy = df.copy()
df.head()

在这里插入图片描述

df_copy.info()

在这里插入图片描述
以上数据信息可以看出，关键数据存在一定的缺失，需要根据实际情况进行填充，而日期数据需要转化为日期格式。

df_copy.describe()

在这里插入图片描述

2.2 数据处理

对缺失数据进行填充，对时间数据进行日期转化。

# 到账日期采用实际到账日最大的日期
today_time = pd.to_datetime(df_copy['实际到账日'].fillna(0)).max()
df_copy['实际到账日'] = pd.to_datetime(df_copy['实际到账日']).fillna(today_time)
df_copy['账单周期'] = pd.to_datetime(df_copy['账单周期'])
df_copy['应付日期'] = pd.to_datetime(df_copy['应付日期'])

df_copy['开票金额'] = df_copy['开票金额'].fillna(0)
df_copy['实收金额'] = df_copy['实收金额'].fillna(0)
df_copy['未收金额'] = df_copy['未收金额'].fillna(0)
df_copy.head()

在这里插入图片描述
添加新的特征项

# 为了后续计算，在原始数据基础上构造新的字段：是否逾期，是否逾期90天，未收金额2（校验原始数据中的未收金额），当前逾期天数，历史逾期天数
df_copy['未收金额2'] = df_copy['账单金额'] - df_copy['实收金额']
df_copy['是否逾期'] = df_copy.apply(lambda x: 1 if today_time>x.应付日期 else 0, axis=1)
df_copy['是否逾期90天'] = (today_time-df_copy.应付日期).map(lambda x:1 if x.days>=