金融评分卡风控模型及其特征工程

转载：https://blog.csdn.net/starzhou/article/details/78930490

采用逻辑回归的评分卡分控模型：

数据来源：三张表

master table
idx:	每一笔贷款的unique key,可以与另外2个文件里的idx相匹配
UserInfo_*:	借款人特征字段 WeblogInfo_*:Info网络行为字段
Education_Info*:	学历学籍字段
ThirdParty_Info_PeriodN_*:	第三方数据时间段N字段
SocialNetwork_*:	社交网络字段
ListingInfo:	借款成交时间
Target:	违约标签(1 = 贷款违约,0 = 正常还款)

借款人的登陆信息表
ListingInfo:	借款成交时间
LogInfo1:	操作代码
LogInfo2:	操作类别
LogInfo3:	登陆时间
idx:	每一笔贷款的unique key

客户在不同的时间段内有着不同的操作，做个时间切片，在每个时间切片内统计一些特征。从而衍生出一些特征。

时间切片的一些方法：

两个时刻间的跨度：申请日期之前30天内的登录次数，申请日期之前第30天至第59天内的登录次数；

基于时间切片的衍生：申请日期之前180天内,平均每月(30天)的登录次数；

常用的时间切片： (1、2个)月,(1、2个)季度,半年,1年,1年半,2年；

时间切片的选择：不能太长，保证大多数样本都能覆盖到；不能太短，丢失信息。

import pandas as pd
import datetime
import collections
import numpy as np
import random
import matplotlib.pyplot as plt

def TimeWindowSelection(df, daysCol, time_windows):
    '''
    :param df: the dataset containg variabel of days
    :param daysCol: the column of days
    :param time_windows: the list of time window，可分别取30,60,90,,,360
    :return:
    '''
    freq_tw = {}
    for tw in time_windows:
        freq = sum(df(daysCol).apply(lambda x:int(x<=tw)))   #统计在tw时间切片内客户操作的总次数
        freq_tw[tw] = freq/float(len(df))                    #tw时间切片内客户总操作数占总的操作数比例
        return freq_tw

data1 = pd.read_csv('PPD_LogInfo_3_1_Training_Set.csv', header = 0)

data1['logInfo']     = data1['LogInfo3'].map(lambda x:datetime.datetime.strptime(x,'%Y-%m-%d'))
data1['Listinginfo'] = data1['Listinginfo1'].map(lambda x: datetime.datetime.strptime(x,'%Y-%m-%d'))
data1['ListingGap']  = data1[['logInfo','Listinginfo']].apply(lambda x: (x[1]-x[0]).days,axis = 1)

timeWindows = TimeWindowSelection(data1, 'ListingGap', range(30,361,30))

fig=plt.figure()
ax=fig.add_subplot(1,1,1)
ax.plot(list(timeWindows.keys()),list(timeWindows.values()),marker='o')
ax.set_xticks([0,30,60,90,120,150,180,210,240,270,300,330,360])
ax.grid()
plt.show()

　　由上图可以看出，在0-180天的时间切片内的操作数占总的操作数的95%，180天以后的覆盖度增长很慢。所以我们选择180天为最大的时间切片。凡是不超过180天的时间切片，都可以用来做个特征衍生。

　　选取[7,30,60,90,120,150,180]做为不同的切片,衍生变量。1.统计下LogInfo1和LogInfo2在每个时间切片内被操作的次数m1；2.统计下LogInfo1和LogInfo2在每个时间切片内不同的操作次数m2；3.

统计下LogInfo1和LogInfo2在每个时间切片内m1/m2的值。

金融评分卡风控模型及其特征工程

猜你喜欢