“”"
使用随机森林填补一个特征的缺失值的函数
参数:
X:要填补的特征矩阵
y:完整的,没有缺失值的标签
to_fill:字符串,要填补的那一列的名称
“”"
def fill_missing_rf(X,y,to_fill):
#构建我们的新特征矩阵和新标签
df = X.copy()
fill = df.loc[:,to_fill]
df = pd.concat([df.loc[:,df.columns != to_fill],pd.DataFrame(y)],axis=1)
#找出我们的训练集和测试集
Ytrain = fill[fill.notnull()]
Ytest = fill[fill.isnull()]
Xtrain = df.iloc[Ytrain.index,:]
Xtest = df.iloc[Ytest.index,:]
#用随机森林回归来填补缺失值
from sklearn.ensemble import RandomForestRegressor as rfr
rfr = rfr(n_estimators=100)
rfr = rfr.fit(Xtrain, Ytrain)
Ypredict = rfr.predict(Xtest)
return Ypredict
X = data.iloc[:,1:]
y = data["SeriousDlqin2yrs"]
X.shape
#=====【TIME WARNING:1 min】=====#
y_pred = fill_missing_rf(X,y,"MonthlyIncome")
#确认我们的结果合理之后,我们就可以将数据覆盖了
data.loc[data.loc[:,"MonthlyIncome"].isnull(),"MonthlyIncome"] = y_pred
‘’‘另外,有三个指标看起来很奇怪:
“NumberOfTime30-59DaysPastDueNotWorse”
“NumberOfTime60-89DaysPastDueNotWorse”
“NumberOfTimes90DaysLate”
这三个指标分别是“过去两年内出现35-59天逾期但是没有发展的更坏的次数”,“过去两年内出现60-89天逾期但是没
有发展的更坏的次数”,“过去两年内出现90天逾期的次数”。这三个指标,在99%的分布的时候依然是2,最大值却是
98,看起来非常奇怪。一个人在过去两年内逾期35~59天98次,一年6个60天,两年内逾期98次这是怎么算出来的?
我们可以去咨询业务人员,请教他们这个逾期次数是如何计算的。如果这个指标是正常的,那这些两年内逾期了98次的
客户,应该都是坏客户。在我们无法询问他们情况下,我们查看一下有多少个样本存在这种异常:’’’
#定义woe iv函数
#计算WOE和BAD RATE
#BAD RATE与bad%不是一个东西
#BAD RATE是一个箱中,坏的样本所占的比例 (bad/total)
#而bad%是一个箱中的坏样本占整个特征中的坏样本的比例
def get_woe(num_bins):
#columns=["min","max","count_0","count_1"]
df=num_bins.copy()
df["total"]=df["coount0"]+df["coount1"]
df["percentage"]=df.total/df.total.sum()
df["bad_rate"]=df.coount1/df.total
df["good%"]=df.coount0/df.coount0.sum()
df["bad%"]=df.coount1/df.coount1.sum()
df["woe"]=np.log(df["good%"]/df["bad%"])
return df
def get_iv(df):
rate=df["good%"]-df["bad%"]
iv=np.sum(rate*df.woe)
return iv
#卡方检验,合并箱体
num_bins1=num_bins.copy()
import matplotlib.pyplot as plt
import scipy
IV=[]
axis=[]
while len(num_bins1)>2:
pvs=[]
#获取箱子两两之间的卡方检验置信度或卡方值
for i in range(len(num_bins1)-1):
x1=num_bins1[i][2:]
x2=num_bins1[i+1][2:]
pv=scipy.stats.chi2_contingency([x1,x2])[1]
pvs.append(pv)
#第一轮循环完了之后,查找P值最大的,并把那两个X1 X2合并为1列
i=pvs.index(max(pvs))
num_bins1[i:i+2]=[(num_bins1[i][0],num_bins1[i+1][1],
num_bins1[i][2]+num_bins1[i+1][2],num_bins1[i][3]+num_bins1[i+1][3])]
bis_df=get_woe(num_bins1)
axis.append(len(num_bins1))
IV.append(get_iv(bis_df))
def graphforbestbin(DF, X, Y, n=5,q=20,graph=True):
"""
自动最优分箱函数,基于卡方检验的分箱
参数:
DF: 需要输入的数据
X: 需要分箱的列名
Y: 分箱数据对应的标签 Y 列名
n: 保留分箱个数
q: 初始分箱的个数
graph: 是否要画出IV图像
区间为前开后闭 (]
"""
DF = DF[[X,Y]].copy()
DF["qcut"],bins = pd.qcut(DF[X], retbins=True, q=q,duplicates="drop")
coount_y0 = DF.loc[DF[Y]==0].groupby(by="qcut").count()[Y]
coount_y1 = DF.loc[DF[Y]==1].groupby(by="qcut").count()[Y]
num_bins = [*zip(bins,bins[1:],coount_y0,coount_y1)]
for i in range(q):
if 0 in num_bins[0][2:]:
num_bins[0:2] = [(
num_bins[0][0],
num_bins[1][1],
num_bins[0][2]+num_bins[1][2],
num_bins[0][3]+num_bins[1][3])]
continue
for i in range(len(num_bins)):
if 0 in num_bins[i][2:]:
num_bins[i-1:i+1] = [(
num_bins[i-1][0],
num_bins[i][1],
num_bins[i-1][2]+num_bins[i][2],
num_bins[i-1][3]+num_bins[i][3])]
break
else:
break
def get_woe(num_bins):
columns = ["min","max","count_0","count_1"]
df = pd.DataFrame(num_bins,columns=columns)
df["total"] = df.count_0 + df.count_1
df["percentage"] = df.total / df.total.sum()
df["bad_rate"] = df.count_1 / df.total
df["good%"] = df.count_0/df.count_0.sum()
df["bad%"] = df.count_1/df.count_1.sum()
df["woe"] = np.log(df["good%"] / df["bad%"])
return df
def get_iv(df):
rate = df["good%"] - df["bad%"]
iv = np.sum(rate * df.woe)
return iv
IV = []
axisx = []
while len(num_bins) > n:
pvs = []
for i in range(len(num_bins)-1):
x1 = num_bins[i][2:]
x2 = num_bins[i+1][2:]
pv = scipy.stats.chi2_contingency([x1,x2])[1]
pvs.append(pv)
i = pvs.index(max(pvs))
num_bins[i:i+2] = [(
num_bins[i][0],
num_bins[i+1][1],
num_bins[i][2]+num_bins[i+1][2],
num_bins[i][3]+num_bins[i+1][3])]
bins_df1 = pd.DataFrame(get_woe(num_bins))
axisx.append(len(num_bins))
IV.append(get_iv(bins_df1))
if graph:
plt.figure()
plt.plot(axisx,IV)
plt.xticks(axisx)
plt.xlabel("number of box")
plt.ylabel("IV")
plt.show()
return bins_df1
for i in model_data.columns[1:-1]:
print(i)
graphforbestbin(model_data,i,"SeriousDlqin2yrs",n=2,q=20)
auto_col_bins = {"RevolvingUtilizationOfUnsecuredLines":6,
"age":5,
"DebtRatio":4,
"MonthlyIncome":3,
"NumberOfOpenCreditLinesAndLoans":5}
#不能使用自动分箱的变量
hand_bins = {"NumberOfTime30-59DaysPastDueNotWorse":[0,1,2,13]
,"NumberOfTimes90DaysLate":[0,1,2,17]
,"NumberRealEstateLoansOrLines":[0,1,2,4,54]
,"NumberOfTime60-89DaysPastDueNotWorse":[0,1,2,8]
,"NumberOfDependents":[0,1,2,3]}
#保证区间覆盖使用 np.inf替换最大值,用-np.inf替换最小值
hand_bins = {k:[-np.inf,*v[:-1],np.inf] for k,v in hand_bins.items()}
bins_of_col={}
for col in auto_col_bins:
bins_df=graphforbestbin(model_data,col,"SeriousDlqin2yrs"
,n=auto_col_bins[col]
,q=20
,graph=False)
bins_list = sorted(set(bins_df["min"]).union(bins_df["max"]))
#保证区间覆盖使用 np.inf 替换最大值 -np.inf 替换最小值
bins_list[0],bins_list[-1] = -np.inf,np.inf
bins_of_col[col] = bins_list
#计算每个箱子的WOE,WOE表示的是这个箱子上不违约的人的概率, #用woe代表每个箱子的不同,替换原数据,进行建模,逻辑回归是每个箱子的评分结果,分箱的结果是区间,模型无法计算 #所以采用woe来代替 #pd.qcut:是等频分箱,cut可以采用我们自己输入的区间进行分箱 data=model_data.copy()
#把上述计算woe的包装成函数
def get_woe(df,col,y,bins):
df=df[[col,y]].copy()#col是要分箱的那一列,bins是分箱的区间,y是标签
df["cut"]=pd.cut(df[col],bins)#把给定的那一列按照bins间隔进行分箱
bins_df=df.groupby("cut")[y].value_counts().unstack()
woe=bins_df["woe"]=np.log((bins_df[0]/bins_df[0].sum())/(bins_df[1]/bins_df[1].sum()))
return woe
#
score=[]
for i in [1,2,3,4,5,6]:
lr=LR(solver="liblinear",C=0.04,max_iter=i).fit(X,y)
score.append(lr.score(vali_X,vali_y))
plt.figure()
plt.plot([1,2,3,4,5,6]score=[]
for i in c_2:
lr=LR(solver="liblinear",C=i).fit(X,y)
score.append(lr.score(vali_X,vali_y))
print(max(score),c_2[score.index(max(score))])
plt.figure()
plt.plot(c_2,score)
plt.show(),score)
plt.show()
#准确率不高,换个模型评估指标,使用ROC曲线
import scikitplot as skplot
vali_proba_df=pd.DataFrame(lr.predict_proba(vali_X))
skplot.metrics.plot_roc(vali_y,vali_proba_df
,plot_micro=False
,figsize=(6,6)
)
ROC反应的是当对少数类进行判断时,付出的代价,AUC面积越大效果越好,
虽然精确度不高,AUC-0.94说明模型在捕捉少数类的能力很好
最终得到的结果是每个箱子的分数 ,当客户来填资料的时候,每一个特征会落到每一个箱子中,基础分加上所有特征的对应箱子的分数,就能得到最终客户的评分