信⽤评分模型开发（FICO评分）
以⽀付宝的芝⿇信⽤为例，其分值范围在350-950分。⼀般认为分值越⾼，信⽤越好，个⼈业务的违约率越低。这⾥⽤的也是与FICO评分类似的个⼈信⽤评分⼯具。
FICO评分的只要思路是：多⼤量拥有多个属性的⽤户数据进⾏收集/分析/转换，使⽤各项统计指标（如相关系数/卡⽅校验/⽅差膨胀系数等）对属性进⾏取舍/复制/组合，最终得到⼀个量化的/综合的/可⽤于对⽐的分值。分值的⾼低，⼀⽅⾯反映了⽤户历史信⽤记录的好坏，另⼀⽅⾯暗⽰了未来违约可能性的⼤⼩。
这⾥使⽤到的原始数据主要包括客户的个⼈信息（包括性别/年龄/⼯作岗位/婚姻情况/学历状况等）/账户信息（包括各种账户的数量/存贷款余额等），以及该客户是否存在违约的分类标签。
数据集经过处理后，需要经过数据分箱/属性选择以及离散分类标签与连续信⽤评分结果的转换等过程。
⼀.导⼊数据
#导⼊包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#查看原始数据
属牛的婚姻
data = pd.read_csv('credit.csv')
print('原始数据概况')
data.info()
#数据为12.6M,11个属性，有两个属性MonthlyIncome和NumberOfDependents中有空值
数据为12.6M，有11个属性，有两个属性MonthlyIncome和NumberOfDependents中有空值
⼆.数据清洗
八角寨因为MonthlyIncome和NumberOfDependents中有缺失值，需要对其进⾏处理，常⽤的⽅法1.有上下值填⼊空⽩处；2.属性均值填⼊空⽩处。但是各有它的缺点。这⾥定义了⼀个t_missing的函数，⽤来填充随机森林回归算法对缺失值进⾏填充。
#进⾏数据清洗
#⽤随机森林⽅法对MonthlyIncome缺失值进⾏预测填充，这⾥定义了t_missing函数
ble import RandomForestRegressor
def t_missing(df):
print('随机森林回归填充0值：')
process_df = df.iloc[:,[5,0,1,2,3,4,6,7,8,9]]
#把第5列的MonthlyIncome提前到第0列，作为⼀个标签，便于后续划分数据
#分成有数值缺失值两组
known = process_df.loc[process_df['MonthlyIncome']!=0].values
unknown = process_df.loc[process_df['MonthlyIncome']==0].values
X = known[:,1:]
y = known[:,0]
#⽤x,y训练随机森林回归算法
rfr = RandomForestRegressor(random_state=0,n_estimators=200,max_depth=3,n_jobs=-1)
朱涵燕rfr.fit(X,y)
#得到的模型进⾏缺失值预测
predicted = rfr.predict(unknown[:,1:]).round(0)
捕捉昆虫
#得到的预测结果填补原缺失数据
小熊贝贝df.loc[df['MonthlyIncome']==0,'MonthlyIncome']= predicted
return df
定义outlier_processing函数，⽤于对属性中的离群数据点进⾏删除处理
这⾥⽤到的⽅法是数据分箱：将属性的取值分成若⼲段（箱体），落在同⼀个箱体范围内的数据，⽤⼀个统⼀的数值代替。#对属性中的异常值进⾏删除处理，找出离群点，先计算最⼤和最⼩阈值作为删除标准
#最⼩阈值 = 第⼀四位点 - 1.5*（第三四分位点 - 第⼀四分位点）
#最⼤阈值 = 第三四位点 + 1.5*（第三四分位点 - 第⼀四分位点）
# <；最⼩阈值和 >最⼤阈值的⾏将会被删除
#定义了outlier_processing函数，⽤于处理离群数据点
def outlier_processing(df,cname):
s = df[cname]
onequater = s.quantile(0.25)
threequater = s.quantile(0.75)
irq = threequater - onequater
min= onequater -1.5*irq
max= threequater +1.5*irq
df = df[df[cname]<=max]
df = df[df[cname]>=min]
return df
MonthlyIncome原始分布图和处理后分布图
#对MonthlyIncome列进⾏数据整理
print('MonthlyIncome属性离群点原始分布：')
data[['MonthlyIncome']].boxplot()
plt.savefig('MonthlyIncome1.png',dpi =300,bbox_inches ='tight')
plt.show()
print('删除离群点，填充缺失数据：')
data = outlier_processing(data,'MonthlyIncome')#删除离群点
data = t_missing(data)#填充缺失数据
print('处理MonthlyIncome后数据概况：')
data.info()#查看整理后数据
#图像显⽰
data[['MonthlyIncome']].boxplot()#箱线图
plt.savefig('MonthlyIncome2.png',dpi =300,bbox_inches ='tight')
plt.show()
删除离群点，填充缺失数据后，数据集少了2M
同理，对其他属性进⾏离群点处理
#同理，对其他属性进⾏离群点处理
data = outlier_processing(data,'age')
data = outlier_processing(data,'RevolvingUtilizationOfUncuredLines') data = outlier_processing(data,'DebtRatio')
data = outlier_processing(data,'NumberOfOpenCreditLinesAndLoans') data = outlier_processing(data,'NumberRealEstateLoansOrLines') data = outlier_processing(data,'NumberOfDependents')
对于三个取值过于集中的属性进⾏⼿⼯处理
#三个取值过于集中的属性，三个四分位点的值相等，直接⽤outlier_processing的函数会导致所有值被删除
#因此对这三个属性进⾏⼿⼯处理
features =['NumberOfTime30-59DaysPastDueNotWor','NumberOfTime60-89DaysPastDueNotWor','NumberOfTimes90DaysLate'] features_labels =['30-59days','60-89days','90+days']
print('三个属性的原始分布：')
data[features].boxplot()
plt.savefig('三个属性的原始分布', dpi =300,bbox_inches ='tight')
实是欲界之仙都plt.show()
print('删除离群点后：')
data = data[data['NumberOfTime30-59DaysPastDueNotWor']<90]
data = data[data['NumberOfTime60-89DaysPastDueNotWor']<90]
data = data[data['NumberOfTimes90DaysLate']<90]
data[features].boxplot()
plt.savefig('三个属性的整理后分布', dpi =300,bbox_inches ='tight')
plt.show()
print('处理离群点后数据概况：')
data.info()
#⽣成数据集和测试集
from sklearn .model_lection import train_test_split
#原始值0为正常，1为违约。因为习惯上信⽤评分越⾼，违约的可能越⼩，所以将原始值0和1置换data ['SeriousDlqin2yrs'] = 1-data ['SeriousDlqin2yrs']
Y = data ['SeriousDlqin2yrs']
X = data .iloc [:,1:]
#拆分训练集和数据集
X_train ,X_test ,Y_train ,Y_test = train_test_split (X ,Y ,test_size =0.3,random_state = 0)train = pd .concat ([Y_train ,X_train ],axis = 1)
test = pd .concat ([Y_test ,X_test ],axis = 1)我的好兄弟吉他谱
clasTest = test .groupby ('SeriousDlqin2yrs')['SeriousDlqin2yrs'].count ()
print ('训练集数据')
print (train .shape )
print ('测试集数据')
船的组词
print (test .shape )
