拍拍贷逾期最小化分析
作者:紫雨
目录
- 提出问题
- 理解数据
- 导入数据
- 查看数据集信息
- 数据清洗
- 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
- 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()