拍拍贷逾期最小化分析

拍拍贷逾期最小化分析

作者:紫雨

目录

1. 提出问题
2. 理解数据

• 导入数据
• 查看数据集信息

3. 数据清洗
4. 数据分析及可视化

• 4.1年龄分布与借贷的关系

•  4.1.1年龄分布与逾期关系
  

•  4.1.2年龄分布与借款金额关系
  

• 4.2认证情况与逾期关系
• 4.3初始评级与逾期关系

•  4.3.1初始评级与认证情况的关系
  

•  4.3.2初始评级与历史成功借款次数、历史正常还款期数、历史逾期还款期数关系
  

•  4.3.3初始评级与借款类型的关系
  

•  	4.3.3.1不同借款类型的逾期情况
  

• 4.4借款金额分布及逾期占比分析
• 4.5借款期限与逾期关系
• 4.6借款利率与逾期关系
• 4.7是否首标与逾期关系
• 4.8性别与逾期的关系

•  4.8.1性别与借款利率关系
  

5. 结论

1.提出问题

贷款人群主要分布,如何发现信用较好用户,减少逾期情况。

2.理解数据

2.1导入数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
import warnings
warnings.filterwarnings('ignore')

df=pd.read_csv('LCIS.csv',dtype={
   'ListingId':str})

2.2查看数据集信息

df.head()

df.info()

3.数据清洗

df.isnull().sum()#查看有无空值

 df[df['recorddate'].isnull()][['手机认证','户口认证', '视频认证','学历认证','征信认证','淘宝认证']]

df.dropna(subset=['recorddate'],inplace=True)
df[df['历史成功借款次数'].isnull()]['是否首标'].value_counts()

df.drop(index=df[(df['历史成功借款次数'].isnull())  & (df['是否首标']=='否')].index,inplace=True)
df[df['历史成功借款金额'].isnull()]['是否首标'].value_counts()

df[df['上次还款利息'].isnull()]['标当前状态'].value_counts().head()

df[(df['上次还款利息'].isnull()) & (df['标当前状态']!='正常还款中') & (df['标当前状态']!='逾期中')]

df.drop(index=df[(df['上次还款利息'].isnull()) & (df['标当前状态']!='正常还款中') & (df['标当前状态']!='逾期中')].index,inplace=True)

df[df['下次计划还款利息'].isnull()]['标当前状态'].value_counts()

df[(df['下次计划还款利息'].isnull()) & (df['标当前状态']=='正常还款中')]

df.drop(index=df[(df['下次计划还款利息'].isnull()) & (df['标当前状态']=='正常还款中')].index,inplace=True)
df.isnull().sum()

 df[df['上次还款日期'].isnull()]['标当前状态'].value_counts()

df.drop(index=df[(df['上次还款日期'].isnull()