金融风控项目2 ---很细节(数据分析)

最新推荐文章于 2024-11-17 00:08:27 发布

莽撞少年

最新推荐文章于 2024-11-17 00:08:27 发布

阅读量1k

点赞数

分类专栏：项目分析文章标签：数据库

本文链接：https://blog.csdn.net/weixin_43737594/article/details/120389446

版权

项目分析专栏收录该内容

13 篇文章

订阅专栏

金融风控相关业务介绍

学习目标

知道常见信贷风险
知道机器学习风控模型的优势
知道信贷领域常用术语含义

1 信贷&风控介绍

信贷业务，就是贷款业务，是商业银行和互联网金融公司最重要的资产业务和主要赢利手段
- 通过放款收回本金和利息，扣除成本后获得利润。
- 贷款平台预测有信贷需求用户的还款情况，然后将本金借贷给还款概率大的用户
信贷业务中的风险控制：
- 信贷业务中，使用信用来预支金钱，在小额贷业务中往往没有抵押物，那么贷款方就会承担一定风险（用户不还钱）
- 风控就是对用户的信用风险进行管理与规避，对于预测信用较差的人，不向其放款，即便放款，也会是较小的贷款额度和较高的利率
- 信贷领域有两类风险：
  - 信用风险：借款人的的还款能力和还款意愿在贷款后出现问题的风险
  - 欺诈风险：借款人压根没想还钱，以诈骗为目的
- 风控业务主要针对这两类风险
  - 信用评分系统：针对信用风险
  - 反欺诈系统：针对欺诈风险
- 基于机器学习的人工智能风控模型对比传统人工审批：
  - 人工审批：效率低，对人员业务能力要求高，不适合金融零售业务场景
  - 机器学习模型：批量，迅速，准确，同时处理大量贷款请求（几万，几十万，上百万/天）

2 常见信贷产品及常见风险介绍

信贷产品介绍

个人信贷产品
大额借贷	房贷车贷
	小微企业贷
小额借贷	消费贷	蚂蚁花呗，京东白条
	现金贷	蚂蚁借呗，京东金条，微粒贷,各类网贷
数据服务	信用分服务	芝麻信用分，京东小白分
	信用数据服务	同盾数据，百融，集奥，大峰...

现金贷申请借款->放款给客户->客户还款

额度	500~3000
利率	24%~36%
期限	714，30天
放款形式	借给现金，不限场景
可选功能	订单展期

现金贷产品	年化利率	现金贷产品	年化利率
苏宁金融	24%	国美易卡	34%
蚂蚁借呗	24%	马上消费	35%
微粒贷	24%	招联金融	36%
有钱花	24%	桔子分期	36%
京东金条	24%	拍拍贷	36%
360借条	24%	趣店	36%
小米金融	24%	捷信	36%
美团生活费	24%	宜人贷	44%
分期乐	24%	玖富	50%

消费贷

信用卡，花呗，白条等产品，有账单日，还款日

申请消费贷 -> 额度授信->客户使用消费贷消费

额度	1000~10000
利率	24%
账期	30天
放款形式	指定消费场景
可选功能	最低还款，账单展期，账单分期，停息挂账，临时额度，备用金

产品类型：
- 单期产品
- 多期产品
- 循环额度产品
还款方式：
- 砍头息：短期产品，（服务费）
- 等额本金
- 等额本息
常见风险
- 冒名顶替，黑产骗贷
- 多头借贷，借新还旧
  - 客户：工行信用卡，招商信用卡... n张信用卡，网贷平台1，网贷平台2，网贷平台n
  - 用新借来的钱还已有的负债：负债变多 -> 需新借更多 -> 设法提额 -> 信用资质不够 -> 出现流动性风险 -> 逾期
  - 特点：第三方数据：多头申请记录
    
    APP安装：大量借款类APP
    
    短信：大量申请短信，提醒还款，催收短信
- POS机套现，以少换多
  - 购买有支付牌照机构的POS机进行套现，手续费0.6%
- 针对风控模型，制作数据
  - 使用花呗在天猫购物，对花呗账单做分期
  - 买入存金宝，一个礼拜后追加存金宝资金
  - 购买***元基金
  - 保持余额宝XXX元不动，余额宝累计收益做到 XX元
  - 购买XXXX保险

3 风控相关术语介绍

	解释
DPD	Day past due 逾期天数 DPD0为到期当日，DPD1为逾期一日，DPD7为逾期一周
FPD	First time past due 首次逾期天数
F/S/T/QPD	首次二次三次四次逾期天数
M1	逾期 [1, 30)天 M 是英文“Months”的首写字母
M1+	逾期[30, inf]天
default	坏账
delinquency	拖欠
flow rate	流动率一般指M1向M2，M2向M3转移的比例
bad rate	坏账率当月不良资产数/总资产数
vintage	账龄分析

4 风控业务案例

4.1 案例背景介绍

通过对业务数据分析了解信贷业务状况
数据集说明
- 从开源数据改造而来，基本反映真实业务数据
- 销售，客服可以忽略
- 账单周期，放款日期
- 账单金额-实收金额 = 未收金额
- 应付日期为还款时间
- 账期分成两种 60天和90天
- 实际到账日为空白说明没还钱

通过对贷后业务数据的分析要分析出如下内容
- 每个季度账单金额和坏账率（逾期90天以上）
  - 所有未收金额/所有账单金额
  - 未收金额 = 账单金额-实收金额
- 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
  - 历史逾期天数有逾期已经还完了
  - 当前逾期天数现在还欠着钱，没还完

4.2 代码实现

加载数据

<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#770088">import</span> <span style="color:#000000">pandas</span> <span style="color:#770088">as</span> <span style="color:#000000">pd</span>
<span style="color:#770088">import</span> <span style="color:#000000">datetime</span>
<span style="color:#770088">from</span> <span style="color:#000000">pyecharts</span>.<span style="color:#000000">charts</span> <span style="color:#770088">import</span> <span style="color:#981a1a">*</span>
<span style="color:#770088">from</span> <span style="color:#000000">pyecharts</span> <span style="color:#770088">import</span> <span style="color:#000000">options</span> <span style="color:#770088">as</span> <span style="color:#000000">opts</span>
<span style="color:#000000">df1</span> = <span style="color:#000000">pd</span>.<span style="color:#000000">read_excel</span>(<span style="color:#aa1111">'data/业务数据.xls'</span>) 
<span style="color:#aa5500">#要使用原始数据构建新指标，所以保留原始数据，copy新的数据，在新的数据中创建新指标</span>
<span style="color:#000000">df2</span> = <span style="color:#000000">df1</span>.<span style="color:#000000">copy</span>()
<span style="color:#000000">df2</span>.<span style="color:#000000">head</span>()</span></span>

显示结果

销售账单状态账单周期账单金额开票金额实收金额未收金额预计付款日应付日期商务催收日期账期实际到账日开票日期客服
0 s101 未确认 2019-05 29805.0 NaN NaN NaN 2019-07-31 2019-07-31 2019-08-15 60 NaN NaN a201
1 s102 未确认 2019-05 1572.6 NaN NaN NaN 2019-07-31 2019-07-31 2019-08-15 60 NaN NaN a202
2 s103 已确认 2019-04 487551.2 487551.2 NaN 487551.2 2019-06-30 2019-06-30 2019-07-15 60 NaN 05-16 a203
3 s104 已确认 2019-04 378835.0 378835.0 NaN 378835.0 2019-07-31 2019-07-31 2019-08-15 90 NaN 05-08 a204
4 s105 已确认 2019-04 326866.0 326866.0 NaN 326866.0 2019-07-31 2019-07-31 2019-08-15 90 NaN 05-10 a205

	销售	账单状态	账单周期	账单金额	开票金额	实收金额	未收金额	预计付款日	应付日期	商务催收日期	账期	实际到账日	开票日期	客服
0	s101	未确认	2019-05	29805.0	NaN	NaN	NaN	2019-07-31	2019-07-31	2019-08-15	60	NaN	NaN	a201
1	s102	未确认	2019-05	1572.6	NaN	NaN	NaN	2019-07-31	2019-07-31	2019-08-15	60	NaN	NaN	a202
2	s103	已确认	2019-04	487551.2	487551.2	NaN	487551.2	2019-06-30	2019-06-30	2019-07-15	60	NaN	05-16	a203
3	s104	已确认	2019-04	378835.0	378835.0	NaN	378835.0	2019-07-31	2019-07-31	2019-08-15	90	NaN	05-08	a204
4	s105	已确认	2019-04	326866.0	326866.0	NaN	326866.0	2019-07-31	2019-07-31	2019-08-15	90	NaN	05-10	a205

查看数据基本情况

<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df2</span>.<span style="color:#000000">info</span>()</span></span>

显示结果

<span style="background-color:#f8f8f8"><class <span style="color:#aa1111">'pandas.core.frame.DataFrame'</span>>
RangeIndex: <span style="color:#116644">5257</span> entries, <span style="color:#116644">0</span> to <span style="color:#116644">5256</span>
Data columns (total <span style="color:#116644">14</span> columns):
<span style="color:#aa5500">#   Column  Non-Null Count  Dtype  </span>
<span style="color:#0000cc">---</span>  <span style="color:#0000cc">------</span>  <span style="color:#0000cc">--------------</span>  <span style="color:#0000cc">-----</span>  
<span style="color:#116644">0</span>   销售      <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">1</span>   账单状态    <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">2</span>   账单周期    <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">3</span>   账单金额    <span style="color:#116644">5257</span> non-null   float64
<span style="color:#116644">4</span>   开票金额    <span style="color:#116644">5010</span> non-null   float64
<span style="color:#116644">5</span>   实收金额    <span style="color:#116644">4470</span> non-null   float64
<span style="color:#116644">6</span>   未收金额    <span style="color:#116644">5010</span> non-null   float64
<span style="color:#116644">7</span>   预计付款日   <span style="color:#116644">5256</span> non-null   object 
<span style="color:#116644">8</span>   应付日期    <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">9</span>   商务催收日期  <span style="color:#116644">5257</span> non-null   object 
<span style="color:#116644">10</span>  账期      <span style="color:#116644">5257</span> non-null   int64  
<span style="color:#116644">11</span>  实际到账日   <span style="color:#116644">4387</span> non-null   object 
<span style="color:#116644">12</span>  开票日期    <span style="color:#116644">4996</span> non-null   object 
<span style="color:#116644">13</span>  客服      <span style="color:#116644">5257</span> non-null   object 
dtypes: float64(4), int64(1), object(9)
memory usage: <span style="color:#116644">575</span>.1<span style="color:#981a1a">+</span> KB</span>

<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df2</span>.<span style="color:#000000">describe</span>()</span></span>

显示结果

账单金额开票金额实收金额未收金额账期
count 5.257000e+03 5.010000e+03 4.470000e+03 5.010000e+03 5257.000000
mean 4.073241e+04 4.096896e+04 4.082419e+04 4.684636e+03 64.539661
std 8.176172e+04 8.007245e+04 7.970628e+04 2.888464e+04 15.622765
min 0.000000e+00 2.500000e+01 0.000000e+00 0.000000e+00 0.000000
25% 5.103000e+03 5.300000e+03 5.112250e+03 0.000000e+00 60.000000
50% 1.436500e+04 1.486560e+04 1.434000e+04 0.000000e+00 60.000000
75% 4.178000e+04 4.220250e+04 4.170750e+04 0.000000e+00 75.000000
max 1.508796e+06 1.356215e+06 1.301665e+06 1.277098e+06 90.000000

	账单金额	开票金额	实收金额	未收金额	账期
count	5.257000e+03	5.010000e+03	4.470000e+03	5.010000e+03	5257.000000
mean	4.073241e+04	4.096896e+04	4.082419e+04	4.684636e+03	64.539661
std	8.176172e+04	8.007245e+04	7.970628e+04	2.888464e+04	15.622765
min	0.000000e+00	2.500000e+01	0.000000e+00	0.000000e+00	0.000000
25%	5.103000e+03	5.300000e+03	5.112250e+03	0.000000e+00	60.000000
50%	1.436500e+04	1.486560e+04	1.434000e+04	0.000000e+00	60.000000
75%	4.178000e+04	4.220250e+04	4.170750e+04	0.000000e+00	75.000000
max	1.508796e+06	1.356215e+06	1.301665e+06	1.277098e+06	90.000000

数据处理，填充缺失值,将日期时间类型转换成datetime类型

<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#aa5500"># 获取最大的日期，作为当前时间</span>
<span style="color:#000000">today_time</span> = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">实际到账日</span>.<span style="color:#000000">fillna</span>(<span style="color:#aa1111">'0'</span>).<span style="color:#000000">max</span>())

<span style="color:#000000">df2</span>[<span style="color:#aa1111">'实收金额'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">实收金额</span>.<span style="color:#000000">fillna</span>(<span style="color:#116644">0</span>)
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'开票金额'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">开票金额</span>.<span style="color:#000000">fillna</span>(<span style="color:#116644">0</span>)
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'未收金额'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">未收金额</span>.<span style="color:#000000">fillna</span>(<span style="color:#116644">0</span>)

<span style="color:#000000">df2</span>[<span style="color:#aa1111">'账单周期'</span>] = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">账单周期</span>)
<span style="color:#000000">df2</span>[<span style="color:#aa1111">'应付日期'</span>] = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">应付日期</span>)

<span style="color:#000000">df2</span>[<span style="color:#aa1111">'实际到账日'</span>] = <span style="color:#000000">pd</span>.<span style="color:#000000">to_datetime</span>(<span style="color:#000000">df2</span>.<span style="color:#000000">实际到账日</span>).<span style="color:#000000">fillna</span>(<span style="color:#000000">today_time</span>)</span></span>

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

<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df2</span>[<span style="color:#aa1111">'是否到期'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">apply</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : <span style="color:#116644">0</span> <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">应付日期</span> <span style="color:#981a1a">></span> <span style="color:#000000">today_time</span> <span style="color:#770088">else</span> <span style="color:#116644">1</span>,<span style="color:#000000">axis</span>=<span style="color:#116644">1</span>)

<span style="color:#000000">df2</span>[<span style="color:#aa1111">'是否到期90天'</span>] =  ( <span style="color:#000000">today_time</span> <span style="color:#981a1a">-</span> <span style="color:#000000">df2</span>.<span style="color:#000000">应付日期</span> ).<span style="color:#000000">map</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : <span style="color:#116644">1</span> <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">days</span> <span style="color:#981a1a">></span>= <span style="color:#116644">90</span> <span style="color:#770088">else</span> <span style="color:#116644">0</span>)

<span style="color:#000000">df2</span>[<span style="color:#aa1111">'未收金额2'</span>] =  (<span style="color:#000000">df2</span>.<span style="color:#000000">账单金额</span> <span style="color:#981a1a">-</span> <span style="color:#000000">df2</span>.<span style="color:#000000">实收金额</span>)

<span style="color:#000000">df2</span>[<span style="color:#aa1111">'历史逾期天数'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">apply</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : (<span style="color:#000000">x</span>.<span style="color:#000000">实际到账日</span> <span style="color:#981a1a">-</span>  <span style="color:#000000">x</span>.<span style="color:#000000">应付日期</span>).<span style="color:#000000">days</span> <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">未收金额2</span> == <span style="color:#116644">0</span>  <span style="color:#770088">else</span>  (<span style="color:#000000">today_time</span> <span style="color:#981a1a">-</span> <span style="color:#000000">x</span>.<span style="color:#000000">应付日期</span>).<span style="color:#000000">days</span>,<span style="color:#000000">axis</span>=<span style="color:#116644">1</span>)

<span style="color:#000000">df2</span>[<span style="color:#aa1111">'当前逾期天数'</span>] = <span style="color:#000000">df2</span>.<span style="color:#000000">apply</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : (<span style="color:#000000">x</span>.<span style="color:#000000">历史逾期天数</span>) <span style="color:#770088">if</span> <span style="color:#000000">x</span>.<span style="color:#000000">未收金额2</span> <span style="color:#981a1a">></span> <span style="color:#116644">0</span>  <span style="color:#770088">else</span> <span style="color:#116644">0</span> ,<span style="color:#000000">axis</span> = <span style="color:#116644">1</span>) </span></span>

查询实际到账日期字段得知当前最近的到账日为2019年5月17日，如果以2019年5月17日为观察点，有些贷款还没到还款日，没法统计DPD90的数据，所以，这里只统计2019年之前的情况，下面将对应时间段的数据取出

<span style="background-color:#f8f8f8"><span style="color:#333333"><span style="color:#000000">df3</span> =<span style="color:#000000">df2</span>.<span style="color:#000000">copy</span>()
<span style="color:#aa5500">#创建’账单季度‘字段，将日期转换成季度</span>
<span style="color:#000000">df3</span>[<span style="color:#aa1111">'账单季度'</span>] = <span style="color:#000000">df3</span>[<span style="color:#aa1111">'账单周期'</span>].<span style="color:#000000">map</span>(<span style="color:#770088">lambda</span> <span style="color:#000000">x</span> : <span style="color:#000000">x</span>.<span style="color:#000000">to_period</span>(<span style="color:#aa1111">'Q'</span>))
<span style="color:#aa5500">#提取2017年3季度到2018年4季度数据</span>
<span style="color:#000000">df3</span> = <span style="color:#000000">df3</span>[(<span style="color:#000000">df3</span>[<span style="color:#aa1111">'账单季度'</span>]<span style="color:#981a1a"><</span>=<span style="color:#aa1111">'2018Q4'</span>) <span style="color:#981a1a">&</span> (<span style="color:#000000">df3</span>[<span style="color:#aa1111">'账单季度'</span>]<span style="color:#981a1a">></span>=<span style="color:#aa1111">'2017Q3'</span>)]
<span style="color:#000000">df3</span>.<span style="color:#000000">shape</span></span></span>

显示结果

<span style="background-color:#f8f8f8">(3856, 21)</span>

按照季度统计账单金额，到期金额，和逾期金额

<span style="background-color:#f8f8f8"><span style="color:#333333">#账单金额
fn1 = df3.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['账单金额']
fn1
</span></span>

显示结果

账单金额
账单季度
2017Q3 8247952.62
2017Q4 11643604.99
2018Q1 17149674.79
2018Q2 31097661.29
2018Q3 38292071.12
2018Q4 51963089.64

	账单金额
账单季度
2017Q3	8247952.62
2017Q4	11643604.99
2018Q1	17149674.79
2018Q2	31097661.29
2018Q3	38292071.12
2018Q4	51963089.64

<span style="background-color:#f8f8f8"><span style="color:#333333">#90天到期金额
df4 = df3[(df3.是否到期90天 == 1)]
fn2 = df4.groupby('账单季度')[['账单金额']].sum()
fn2.columns = ['到期金额']
fn2
</span></span>

显示结果

到期金额
账单季度
2017Q3 8247952.62
2017Q4 11643604.99
2018Q1 17149674.79
2018Q2 31097661.29
2018Q3 38292071.12
2018Q4 28265677.59

	到期金额
账单季度
2017Q3	8247952.62
2017Q4	11643604.99
2018Q1	17149674.79
2018Q2	31097661.29
2018Q3	38292071.12
2018Q4	28265677.59

<span style="background-color:#f8f8f8"><span style="color:#333333">df4 = df3[(df3.是否到期90天 == 1)]
fn3 = df4.groupby('账单季度')[['未收金额2']].sum()
fn3.columns = ['当前逾期90+金额']
fn3
</span></span>

显示结果

当前逾期90+金额
账单季度
2017Q3 63883.0
2017Q4 57380.0
2018Q1 64283.0
2018Q2 106930.0
2018Q3 412920.1
2018Q4 304183.0

	当前逾期90+金额
账单季度
2017Q3	63883.0
2017Q4	57380.0
2018Q1	64283.0
2018Q2	106930.0
2018Q3	412920.1
2018Q4	304183.0

合并数据计算逾期率

<span style="background-color:#f8f8f8"><span style="color:#333333">dfs = [fn1,fn2,fn3]
final1 = pd.concat(dfs,axis=1)
final1
</span></span>

显示结果

账单金额到期金额当前逾期90+金额
账单季度
2017Q3 8247952.62 8247952.62 63883.0
2017Q4 11643604.99 11643604.99 57380.0
2018Q1 17149674.79 17149674.79 64283.0
2018Q2 31097661.29 31097661.29 106930.0
2018Q3 38292071.12 38292071.12 412920.1
2018Q4 51963089.64 28265677.59 304183.0

	账单金额	到期金额	当前逾期90+金额
账单季度
2017Q3	8247952.62	8247952.62	63883.0
2017Q4	11643604.99	11643604.99	57380.0
2018Q1	17149674.79	17149674.79	64283.0
2018Q2	31097661.29	31097661.29	106930.0
2018Q3	38292071.12	38292071.12	412920.1
2018Q4	51963089.64	28265677.59	304183.0

<span style="background-color:#f8f8f8"><span style="color:#333333">final1['90+净坏账率'] = round(final1['当前逾期90+金额'] / final1.到期金额,3)
final1
</span></span>

显示结果

账单金额到期金额当前逾期90+金额 90+净坏账率
账单季度
2017Q3 8247952.62 8247952.62 63883.0 0.008
2017Q4 11643604.99 11643604.99 57380.0 0.005
2018Q1 17149674.79 17149674.79 64283.0 0.004
2018Q2 31097661.29 31097661.29 106930.0 0.003
2018Q3 38292071.12 38292071.12 412920.1 0.011
2018Q4 51963089.64 28265677.59 304183.0 0.011

	账单金额	到期金额	当前逾期90+金额	90+净坏账率
账单季度
2017Q3	8247952.62	8247952.62	63883.0	0.008
2017Q4	11643604.99	11643604.99	57380.0	0.005
2018Q1	17149674.79	17149674.79	64283.0	0.004
2018Q2	31097661.29	31097661.29	106930.0	0.003
2018Q3	38292071.12	38292071.12	412920.1	0.011
2018Q4	51963089.64	28265677.59	304183.0	0.011

pyecharts绘图

<span style="background-color:#f8f8f8"><span style="color:#333333">bar = (
    Bar()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "账单金额",
        list(final1.账单金额),
        yaxis_index=0,
        color="#5793f3",
    )
    .set_global_opts(
        title_opts=opts.TitleOpts(title="90+净坏账率"),
    )
    .extend_axis(
        yaxis=opts.AxisOpts(
            name="90+净坏账率",
            type_="value",
            min_=0,
            max_=0.014,
            position="right",
            axisline_opts=opts.AxisLineOpts(
                linestyle_opts=opts.LineStyleOpts(color="#d14a61")
            ),
            axislabel_opts=opts.LabelOpts(formatter="{value}"),
        )
    )
)
line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90+净坏账率",
        list(final1['90+净坏账率']),
        yaxis_index=1,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
bar.overlap(line).render_notebook()
</span></span>

显示结果

计算每个季度的60天账单入催金额，90天账单入催金额

<span style="background-color:#f8f8f8"><span style="color:#333333">#60天账期的账单金额
df4 = df3[(df3.账期 == 60)&(df3.是否到期 == 1)]
fn1 = df4.groupby('账单季度')[['账单金额']].sum()
fn1.columns = ['60天账期的账单金额']
#60天账期的入催金额
df4 = df3[(df3.账期 == 60)&(df3.是否到期 == 1)&(df3.历史逾期天数>0)]
fn2 = df4.groupby('账单季度')[['未收金额2']].sum()
fn2.columns = ['60天账期的入催金额']
#90天账期的账单金额
df4 = df3[(df3.账期 == 90)&(df3.是否到期 == 1)]
fn3 = df4.groupby('账单季度')[['账单金额']].sum()
fn3.columns = ['90天账期的账单金额']
#90天账期的入催金额
df4 = df3[(df3.账期 == 90)&(df3.是否到期 == 1)&(df3.历史逾期天数>0)]
fn4 = df4.groupby('账单季度')[['未收金额2']].sum()
fn4.columns = ['90天账期的入催金额']
</span></span>

计算入催率

<span style="background-color:#f8f8f8"><span style="color:#333333">dfs = [fn1,fn2,fn3,fn4]
final2 = pd.concat(dfs,axis=1)
# final2 = fn1.merge(fn2,on='账单季度').merge(fn3,on='账单季度',how='left').merge(fn4,on='账单季度')
final2['60天账期入催率'] = round(final2['60天账期的入催金额'] / final2['60天账期的账单金额'],3)
final2['90天账期入催率'] = round(final2['90天账期的入催金额']/final2['90天账期的账单金额'],3)
final2
</span></span>

显示结果

60天账期的账单金额 60天账期的入催金额 90天账期的账单金额 90天账期的入催金额 60天账期入催率 90天账期入催率
账单季度
2017Q3 4854770.94 36983.0 2769264.0 1900.0 0.008 0.001
2017Q4 6737327.99 52750.0 3921491.0 0.0 0.008 0.000
2018Q1 12106356.79 62460.0 4244304.0 800.0 0.005 0.000
2018Q2 19234086.87 13590.0 8427775.0 0.0 0.001 0.000
2018Q3 22830710.42 380265.1 9835629.0 8235.0 0.017 0.001
2018Q4 26337959.52 584789.5 17706430.0 325141.0 0.022 0.018

	60天账期的账单金额	60天账期的入催金额	90天账期的账单金额	90天账期的入催金额	60天账期入催率	90天账期入催率
账单季度
2017Q3	4854770.94	36983.0	2769264.0	1900.0	0.008	0.001
2017Q4	6737327.99	52750.0	3921491.0	0.0	0.008	0.000
2018Q1	12106356.79	62460.0	4244304.0	800.0	0.005	0.000
2018Q2	19234086.87	13590.0	8427775.0	0.0	0.001	0.000
2018Q3	22830710.42	380265.1	9835629.0	8235.0	0.017	0.001
2018Q4	26337959.52	584789.5	17706430.0	325141.0	0.022	0.018

pyecharts绘图

<span style="background-color:#f8f8f8"><span style="color:#333333">line = (
    Line()
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "60天账期入催率",
        list(final2['60天账期入催率']),
        yaxis_index=0,
        color="#675bba",
        label_opts=opts.LabelOpts(is_show=False),
    )
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同账期入催率"),
    )
    .add_xaxis(list(final1.index.values.astype(str)))
    .add_yaxis(
        "90天账期入催率",
        list(final2['90天账期入催率']),
        yaxis_index=0,
        color="#d14a61",
        label_opts=opts.LabelOpts(is_show=False),
    )
)
line.render_notebook()
</span></span>

显示结果

不同逾期天数的回收情况

<span style="background-color:#f8f8f8"><span style="color:#333333">df6 = df3[(df3.未收金额2 == 0)&(df3.是否到期 == 1)].copy()
#使用cut，讲数据按照逾期天数分箱，然后添加分箱之后结果标签
df6['历史逾期天数'] = pd.cut(df6['历史逾期天数'],bins=[-999,0,5,10,15,20,30,60,90,999],right=True,
                       labels=['0','1-5','6-10','11-15','16-20','21-30','31-60','61-90','91+'])
final3 = df6.groupby('历史逾期天数')[['账期']].count()
final3.columns = ['回收账单数']
final3
</span></span>

显示结果

回收账单数
历史逾期天数
0 2400
1-5 358
6-10 235
11-15 215
16-20 92
21-30 189
31-60 156
61-90 60
91+ 88

	回收账单数
历史逾期天数
0	2400
1-5	358
6-10	235
11-15	215
16-20	92
21-30	189
31-60	156
61-90	60
91+	88

pyecharts绘图

<span style="background-color:#f8f8f8"><span style="color:#333333">ydata = final3['回收账单数'].values.tolist()
bar = (
    Bar()
    .add_xaxis(list(final3.index.values.tolist()))
    .add_yaxis("收回账单数",ydata,yaxis_index=0,color="#675bba")
    .set_global_opts(
    title_opts=opts.TitleOpts(title="不同逾期天数的已收回账单数"),
    )
)
bar.render_notebook()
</span></span>