项目介绍
此项目为kaggle竞赛平台的give me some credits。其目的是预测银行用户违约概率，以辅助银行判断是否要对用户进行放贷。关于风险控制建模的大致流程可参考以下链接：
- 关于互联网金融授信产品的风控建模
此项目提供样本数量多，但变量特征比较少，相比实际业务的开展肯定是远远不够的。但是作为入门风控建模，了解建模开发流程却是个不错的选择。项目拟使用所提供的数据集建立一个申请评分卡(A卡)，并可以对用户自动评分。
其实在实际建模过程中是要结合业务端的，对于好坏用户如何定义？逾期多少DPD算是坏用户？表现期和观察期又是如何定义的？每个公司的业务不一样，面向客户群体也不一样，这些指标在各个公司都不一定是相同的。比如，好坏用户就需要根据滚动率来观察，几期过后逾期率会达到稳定，又如通过账龄分析来定义表现期窗口的时间长度等。
本项目仅供学习使用，对于业务指标不进行过多考虑，而侧重于建模的技术方面。
进群：548377875 即可获取数十套PDF哦！
数据探索
和之前的套路一样，建模前的数据探索十分重要，发现数据分布特征，数据联系和内在规律等。首先导入数据后观察数据缺失值，异常值，分布规律等。
# 导入数据集，合并训练数据和测试数据
data_train = pd.read_csv('cs-training.csv')
data_test = pd.read_csv('cs-test.csv')
# df = data_train.append(data_test)
age特征分布
f,[ax1,ax2]=plt.subplots(1,2,figsize=(20,8)) sns.distplot(data_train['age'],ax=ax1) sns.boxplot(y='age',data=data_train,ax=ax2) plt.show()
年龄异常值上限为：96.0, 下限为：8.0，上届异常值占比：0.03 %，下届异常值占比：0.00067 %。
结论：
- 明显观察到有个0岁的客户，这实际上不可能，至少要大于18岁成年以后才可以贷款，故将之移除。
- 而年龄大于96岁是有可能的，判断是噪声，并不是异常值，因为大于等于96岁的客户有98人，其中最大的年龄为109。
再看一下age特征对目标变量的影响，将age划分为几个年龄段，然后绘制出各个年龄段的违约率。
Revol特征
f,ax=plt.subplots(figsize=(10,5)) plt.scatter(data_train['Revol'], data_train['age'],color='g') plt.show()
结论：这个特征值是百分比。含义是：除了房贷车贷之外的信用卡账面金额（即贷款金额）/信用卡总额度。实际上，这个特征值大部分情况是小于1的，因为超出额度属于透支。但是我们发现有很多特征值已经达到了几万，这在实际中是不可能的。推测很有可能是没有除以分母信用卡额度，而是分子的纯信用卡账面贷款金额。
我们需要确定的是透支的最大值是什么？即透支多少算是正常值？数值多大可以确认它是没除以分母的异常值？
观察一下Revol特征各个分段下的分布情况。
观察到现象：
- 小于1的分布中，大部分客户都处于0.1的位置，而随着Revol特征值变大，数量成递减趋势。
- 对于其它大于1的数值分布，也都明显的呈现了递减趋势。
- 小于1的特征值占总数量的97%，大于1的数量为5531。
下面来深入研究一下大于1的特征值对坏账率有什么影响，以及找到透支的阈值。
通过上面观察：Revol特征值在10到100之间中，坏账客户的值多在10到20之间，并且其相应的DebtRatio也很高。而其他Revol特征值高(>20)的但DebtRadio低的并不是坏账客户。因此，推测可能的异常值阈值（即透支的上限）在20-30左右。
下面我们通过具体数据来确定具体的阈值在哪。
根据观察的现象，我们可以看到：
0-1之间的坏账率为5.99%。按理说，随着比例升高，坏账率也应该升高，尤其是在透支的情况下。在1-30区间内，已经属于透支状态，坏账率39%，达到了最高。但是透支是不可能无限升高的，会有个阈值。 从30到100区间，坏账率开始下降，坏账率开始下降恢复正常，说明30左右的值（即3000%左右）可能就是正常透支的阈值。
因此，将数值超过30的都定义为异常值，并将大于30的值与0-1之间合并。
NumDependents特征
f,ax=plt.subplots(figsize=(10,5))
sns.countplot(x='NumDependents',hue='IsDlq',data=data_train,ax=ax)
plt.show()
print('Dependents为0的概率为：{0}%'.format(round(data_train[data_train['NumDependents']==0].shape[0]*100/data_train.shape[0],2)))
发现：NumDependents的缺失值为6550个，而NumDependents和MonthlyIncome同时缺失的数量也是6550个。
结论：
- 说明NumDependents缺失的样本MonthlyIncome也缺失。
我们想要通过找相似的方法来填补缺失的Dependents，因为有以上结论，所以我们观察一下MonthlyIncome缺失，但NumDependents不缺失的样本是如何的。
MonthlyIncome特征
f,[ax1,ax2]=plt.subplots(1,2,figsize=(20,5)) sns.kdeplot(data_train['MonthlyIncome'],ax=ax1) sns.boxplot(y='MonthlyIncome',data=data_train,ax=ax2) plt.show()
Num30-59 | 60-89 | 90 late特征
f,[ax,ax1,ax2]=plt.subplots(1,3,figsize=(20,5))
# sns.boxplot(y=['Num30-59late','Num90late'],data=df,ax=ax)
ax.boxplot(x=data_train['Num30-59late'])
ax1.boxplot(x=data_train['Num60-89late'])
ax2.boxplot(x=data_train['Num90late'])
ax.set_xlabel('Num30-59late')
ax1.set_xlabel('Num60-89late')
ax2.set_xlabel('Num90late')
plt.show()
DebtRatio
同Revol使用的方法一样，由于存在大量的异常值，固也对其进行了分段来分析坏账率的特点。这部分分箱的观察分布对于后续的woe计算转化很有帮助，当然这些特征指标的分箱也要结合实际业务理解来划分。
结论：将debtratio>2的都视为异常值，并将这些异常值与0-1之间的debtratio分为一组。
NumEstate特征
f,[ax1,ax2]=plt.subplots(1,2,figsize=(20,5)) sns.kdeplot(data_train['NumEstate'],ax=ax1) sns.boxplot(y='NumEstate',data=data_train,ax=ax2) plt.show()
NumOpen特征
data_train.loc[(data_train['NumOpen']>=36), 'NumOpen'] = 36 NumOpenDlq = data_train.groupby(['NumOpen'])['IsDlq'].sum() NumOpenAll = data_train.groupby(['NumOpen'])['IsDlq'].count() NumOpenGroup = NumOpenDlq/NumOpenAll NumOpenGroup.plot(kind='bar',figsize=(10,5)) NumOpenDf = pd.DataFrame(NumOpenDlq) NumOpenDf['All'] = NumOpenAll NumOpenDf['BadRate'] = NumOpenGroup NumOpenDf
总结
由于特征数量比较少，所以对每个特征都进行了简单的探索。当然这些这些都只是单变量分析，旨在初步了解特征分布特点和一些通用的规律。由于内容较多固设置为一篇介绍。
下一篇将介绍如何进行介绍：
1. 如何从做woe转化
2. 利用iv值进行筛选变量
3. 变量是如何衍生的
4. 如何使用auc评估模型
5. 建模参数调节和样本不均衡处理
6. 最后又是如何生成相应的评分卡
需要代码请单独私信小编即可