机器学习——pandas库实战演练

最新推荐文章于 2024-07-05 19:57:36 发布

joker_shy

最新推荐文章于 2024-07-05 19:57:36 发布

阅读量2.1k

点赞数 1

分类专栏：机器学习文章标签：机器学习 pandas库贷款数据集

本文链接：https://blog.csdn.net/joker_shy/article/details/98513406

版权

该博客主要介绍了如何运用pandas库处理一个银行贷款数据集，包括加载数据、删除特定列、新增每月还款额列、计算还款状态计数、按状态分组求贷款最大值、计算每月还款额的最大值与中位数、进行数据排序以及筛选特定条件的记录。

摘要由CSDN通过智能技术生成

题目

（1）加载bank数据集，删除账户号列，增加每月还款额列（每月还款额列=贷款金额/贷款期限）（5分）
（2）对还款状态进行计数（6分）
（3）按照还款状态进行分组，计算贷款金额的最大值（7分）
（4）输出每月还款额的最大值与中位数（6分）
（5）对数据进行二次排序，按照贷款期限升序，每月归还额降序（8分）
（6）提取贷款号在5000_{6000并且发放贷款日期在1993-07-11}1998-11-10的记录（8分）

代码实现

import pandas as pd
# （1）加载bank数据集，
data = pd.read_excel('../../datas/bank.xls')
# 删除账户号列，
print(data)
del data['账户号']
print(data)
# 增加每月还款额列（每月还款额列=贷款金额/贷款期限）（5分）
data['每月还款额'] = data['贷款金额']/data['贷款期限']
print(data)
# （2）对还款状态进行计数（6分）value_counts()是对每个类别进行计数的
# print(data['还款状态'].value_counts())
# （3）按照还款状态进行分组，计算贷款金额的最大值（7分）
print('贷款金额的最大值', data[['还款状态','贷款金额']].groupby('还款状态').max())
# （4）输出每月还款额的最大值与中位数（6分）
a = data['每月还款额']
print('最大值', a.max())
print('中位数',a.median())
# （5）对数据进行二次排序，按照贷款期限升序，每月归还额降序（8分）
df = data.sort_values(['贷款期限', '每月归还额'], ascending=[True, False])
print('排序:\n', df)
# （6）提取贷款号在5000~6000并且发放贷款日期在1993-07-11~1998-11-10的记录（8分）
df = data[(data['贷款号'] < 6000) & (data['贷款号'] > 5000) & (data['发放贷款日期'] > '1993-07-11') & (data['发放贷款日期'] < '1998-11-10')]
print(df)

效果展示

C:\Users\shy\AppData\Local\Continuum\anaconda3\python.exe C:/Users/shy/PycharmProjects/untitled2/August/day04_0805/demo03.py
      贷款号    账户号     发放贷款日期    贷款金额  贷款期限  每月归还额 还款状态
0    5314   1787 1993-07-05   96396    12   8033    B
1    5316   1801 1993-07-11  165960    36   4610    A
2    6863   9188 1993-07-28  127080    60   2118    A
3    5325   1843 1993-08-03  105804    36   2939    A
4    7240  11013 1993-09-06  274740    60   4579    A
5    6687   8261 1993-09-13   87840    24   3660    A
6    7284  11265 1993-09-15   52788    12   4399    A
7    6111   5428 1993-09-24  174744    24   7281    B
8    7235  10973 1993-10-13  154416    48   3217    A
9    5997   4894 1993-11-04  117024    24   4876    A
10   7121  10364 1993-11-10   21924    36    609    A
11   6077   5270 1993-11-22   79608    24   3317    A
12   6228   6034 1993-12-01  464520    60   7742    B
13   6356   6701 1993-12-08   95400    36   2650    A
14   5523   2705 1993-12-08   93888    36   2608    A
15   6456   7123 1993-12-09   47016    12   3918    A
16   7104  10320 1993-12-13  259740    60   4329    A
17   6820   9034 1993-12-16   38148    12   3179    A
18   6876   9236 1993-12-21   86616    12   7218    A
19   7097  10266 1993-12-23   75624    24   3151    B
20   4959      2 1994-01-05   80952    24   3373    A
21   6499   7401 1994-01-05   80952    24   3373    A
22   5479   2486 1994-01-10   24516    12   2043    A
23   5170   1071 1994-01-20  253200    60   4220    C
24   6721   8475 1994-01-21   21072    24    878    A
25   7259  11111 1994-01-31  108144    36   3004    A
26   5285   1603 1994-02-06   78936    12   6578    A
27   5189   1166 1994-02-07  149040    48   3105    A
28   6650   8073 1994-02-17   49320    12   4110    B
29   7226  10940 1994-02-23  197748    36   5493    A
..    ...    ...        ...     ...   ...    ...  ...
652  5698   3556 1998-09-22  174840    60   2914    C
653  5169   1068 1998-09-24  253200    60   4220    C
654  7294  11327 1998-09-27   39168    24   1632    C
655  5318   1808 1998-09-30  385584    48   8033    C
656  5368   2073 1998-10-05   44640    24   1860    C
657  6923   9433 1998-10-05   44640    24   1860    C
658  5463   2413 1998-10-06   17952    12   1496    C
659  5265   1498 1998-10-07  165780    60   2763    C
660  6321   6505 1998-10-08   38496    12   3208    C
661  5226   1318 1998-10-11  185544    36   5154    C
662  6868   9208 1998-10-12   82128    24   3422    C
663  4967     37 1998-10-14  318480    60   5308    D
664  5293   1656 1998-10-29  189792    48   3954    C
665  5865   4354 1998-10-30  327660    60   5461    C
666  5841   4268 1998-11-04   41988    12   3499    C
667  5526   2725 1998-11-