kaggle上的Give Me Some Credit一个8年前的老项目，网上的分析说明有很多，但本人通过阅读后，也发现了很多的问题。比如正常随着月薪越高，违约率会下降。但对于过低的月薪，违约率却为0等。
因此，本人写这个项目的目的是按照自己对数据的理解（可能有的地方是错的，希望大家指正），对网上相关的分析进行改进。（主要集中在数据预处理）
由于整篇文章的篇幅过长，因此分为上下两部分。
随着人们的消费观念的升级，所谓的“花明天的钱，圆今天的梦”。银行以及私营企业推出了各种各样的消费金融服务，具有代表性的是各大银行的信用卡，支付宝的花呗、京东白条，还有一些专门针对针对学生群体的平台，比如趣分期哈、分期乐之类的，把这些统称为信用卡用户。
只要涉及到金融借贷的，就有可能有坏账的存在。 每个公司都在用各种手段来降低坏账的发生，最常见的方法就是根据一定的规则，给每个用户打分进行预测，哪些用户可能会发生坏账，针对预测结果采取相应的措施。
本篇将针对历史坏账用户进行分析，分析坏账用户都有哪些特征，为后续的建模做准备。数据来自kaggle上的Give Me Some Credit根据信用评分建立原理，构建一个简易的信用评分卡模型——申请评分卡(A卡)，对用户自动评分。
现在kaggle上获取数据好像要注册手机号，但是国外……所以，把数据的链接贴在这里了。
链接：https://pan.baidu.com/s/1jl9-r3FItlpHX-HP3-7d_A
提取码：mtq0
# 需要导入的包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import datetime
import scipy
%matplotlib inline
sns.set(style="ticks")
pd.set_option("display.max_columns",None)#展示所有列数据
pd.set_option("display.max_rows",None)#展示所有行数据
# 画图显示中文
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
from sklearn.ensemble import RandomForestRegressor as rfr
from imblearn.over_sampling import SMOTE
from sklearn.linear_model import LogisticRegression as LR
import scikitplot as skplt
train = pd.read_csv('./cs-training.csv',index_col=0)
test = pd.read_csv('./cs-test.csv',index_col=0)
train.head()
注：对测试数据也做同样的操作，这里只举例训练数据。
train.shape
(150000, 11)
test.shape
(101503, 11)
训练集数据150000个样本，11个特征。
测试集数据101503个样本，11个特征。
train.describe([0.01,0.03,0.05,0.07,0.1,0.25,.5,.75,.9,.99]).T
通过以上数据描述性信息可以看出：
train.info()
通过以上数据信息可以看出：
这是之前写的数据探索性分析，在分析时可以当做个参考，提供些思路。
figure,ax = plt.subplots(figsize=(12,4))
train['SeriousDlqin2yrs'].value_counts().plot.pie(autopct='%1.1f%%')
plt.show()
fig= plt.figure(figsize=(14,4))
ax1=fig.add_subplot(1,2,1)
sns.distplot(train['RevolvingUtilizationOfUnsecuredLines'],kde=True)
ax1=fig.add_subplot(1,2,2)
sns.boxplot(y=train['RevolvingUtilizationOfUnsecuredLines'])
plt.show()
一般认为贷款额度与总额度比例小于1是合理的情况。因此先分析比例小于时，贷款额度与总额度比例和好坏客户之间的关系。
cut_num=[0,0.3,0.5,0.7,1,10,100,1000,10000]
get_compare_plot(train,feature_plot="RevolvingUtilizationOfUnsecuredLines",cut_num=cut_num,is_qcut=False)
cut_num=[0,1,10,30,50,70,100,1000,10000,100000]
get_compare_plot(train,feature_plot="RevolvingUtilizationOfUnsecuredLines",cut_num=cut_num,is_qcut=False)
cut_num=[]
for i in np.arange(-1,11,1):
cut_num.append(i)
get_compare_plot(train,feature_plot="RevolvingUtilizationOfUnsecuredLines",cut_num=cut_num,is_qcut=False)
