從 0 到 1 建立一張評分卡
之前看了很多評分卡建模方面的課程和文章,對評分卡的建立大致有一些瞭解。但是由於實際工作中沒有接觸過,也沒有看到過比較舒服的代碼,所以對評分卡這塊一直有點不踏實。所幸最近在 Gayhub 上發現一個特別好用的半自動化建模的庫,試了一遍發現堪稱神器,比之前看的 scorecardpy、toad 用上去還要方便。對於評分卡這塊,如果有大佬有相關的經驗,歡迎找我,很想學習一下工作中是如何將評分卡落地的。
下面以網上找的一個數據集爲例,介紹一下如何從 0 到 1 建立一張評分卡。
數據讀取
首先,讀取數據,看下數據的大致情況。
folderOfData = './'
allData = pd.read_csv(folderOfData + 'application.csv', header=0, encoding='latin1')
allData['term'] = allData['term'].apply(lambda x: int(x.replace(' months', '')))
# 處理標籤:Fully Paid是正常用戶;Charged Off是違約用戶
allData['y'] = allData['loan_status'].map(lambda x: int(x == 'Charged Off'))
allData1 = allData.loc[allData.term == 36]
trainData, testData = train_test_split(allData1, test_size=0.4)
- term 應該表示期數,將其中的 months 替換掉
- 生成 y 變量,charged off 表示違約。
- 由於存在不同的貸款期限(term),申請評分卡模型評估的違約概率必須要在統一的期限中,且不宜太長,所以選取 term = 36months 的樣本
除去 ID 和 label 變量外一共有 24 個變量,看一下變量類型。
數據清洗
# 將帶%的百分比變爲浮點數
trainData['int_rate_clean'] = trainData['int_rate'].map(lambda x: float(x.replace('%', '')) / 100)
def CareerYear(x):
# 對工作年限進行轉換
x = str(x)
if x.find('nan') > -1:
return -1
elif x.find("10+") > -1: # 將"10+years"轉換成 11
return 11
elif x.find('< 1') > -1: # 將"< 1 year"轉換成 0
return 0
else:
return int(re.sub("\D", "", x)) # 其餘數據,去掉"years"並轉換成整數
# 將工作年限進行轉化,否則影響排序
trainData['emp_length_clean'] = trainData['emp_length'].map(CareerYear)
def DescExisting(x):
# 將desc變量轉換成有記錄和無記錄兩種
if type(x).__name__ == 'float':
return 'no desc'
else:
return 'desc'
# 將desc的缺失作爲一種狀態,非缺失作爲另一種狀態
trainData['desc_clean'] = trainData['desc'].map(DescExisting)
這裏用到了__name__這個 python 的魔法方法。
def ConvertDateStr(x):
mth_dict = {'Jan': 1, 'Feb': 2, 'Mar': 3, 'Apr': 4, 'May': 5, 'Jun': 6, 'Jul': 7, 'Aug': 8, 'Sep': 9, 'Oct': 10,
'Nov': 11, 'Dec': 12}
if str(x) == 'nan':
return datetime.datetime.fromtimestamp(time.mktime(time.strptime('9900-1', '%Y-%m')))
# time.mktime 不能讀取1970年之前的日期
else:
yr = int(x[4:6])
if yr <= 17:
yr = 2000 + yr
else:
yr = 1900 + yr
mth = mth_dict[x[:3]]
return datetime.datetime(yr, mth, 1)
# 處理日期。earliest_cr_line的格式不統一,需要統一格式且轉換成python的日期
trainData['app_date_clean'] = trainData['issue_d'].map(lambda x: ConvertDateStr(x))
trainData['earliest_cr_line_clean'] = trainData['earliest_cr_line'].map(lambda x: ConvertDateStr(x))
這裏的時間轉換操作比較複雜。
def MakeupMissing(x):
if np.isnan(x):
return -1
else:
return x
# 處理mths_since_last_delinq。原始值中有0,用-1代替缺失
trainData['mths_since_last_delinq_clean'] = trainData['mths_since_last_delinq'].map(lambda x: MakeupMissing(x))
trainData['mths_since_last_record_clean'] = trainData['mths_since_last_record'].map(lambda x: MakeupMissing(x))
trainData['pub_rec_bankruptcies_clean'] = trainData['pub_rec_bankruptcies'].map(lambda x: MakeupMissing(x))
下面衍生兩個變量。
# 考慮申請額度與收入的佔比
trainData['limit_income'] = trainData.apply(lambda x: x.loan_amnt / x.annual_inc, axis=1)
# 考慮earliest_cr_line到申請日期的跨度,以月份記
trainData['earliest_cr_to_app'] = trainData.apply(lambda x: MonthGap(x.earliest_cr_line_clean, x.app_date_clean),axis=1)
下面利用之前提到的半自動化庫進行數據的數據處理。
首先看一下處理完之後的數據的缺失情況。先看變量的缺失情況。
# 每個變量缺失率的計算
def missing_cal(df):
"""
df :數據集
return:每個變量的缺失率
"""
missing_series = df.isnull().sum()/df.shape[0]
missing_df = pd.DataFrame(missing_series).reset_index()
missing_df = missing_df.rename(columns={'index':'col', 0:'missing_pct'})
missing_df = missing_df.sort_values('missing_pct',ascending=False).reset_index(drop=True)
return missing_df
missing_cal(trainData)
可以看到 mths_since_last_record、mths_since_last_delinq、desc 缺失值較多。對缺失率超過一定閾值的變量進行剔除,這裏取 0.3,將上述三個變量剔除。
# 缺失值剔除(單個變量)
def missing_delete_var(df,threshold=None):
"""
df:數據集
threshold:缺失率刪除的閾值
return :刪除缺失後的數據集
"""
df2 = df.copy()
missing_df = missing_cal(df)
missing_col_num = missing_df[missing_df.missing_pct>=threshold].shape[0]
missing_col = list(missing_df[missing_df.missing_pct>=threshold].col)
df2 = df2.drop(missing_col,axis=1)
print('缺失率超過{}的變量個數爲{}'.format(threshold,missing_col_num))
return df2
trainData=missing_delete_var(trainData,threshold=0.3)
然後看下樣本的缺失情況。
# 單個樣本的缺失分佈
def plot_missing_user(df,plt_size=None):
"""
df: 數據集
plt_size: 圖紙的尺寸
return :缺失分佈圖(折線圖形式)
"""
missing_series = df.isnull().sum(axis=1)
list_missing_num = sorted(list(missing_series.values))
plt.figure(figsize=plt_size)
plt.rcParams['font.sans-serif']=['Microsoft YaHei']
plt.rcParams['axes.unicode_minus'] = False
plt.plot(range(df.shape[0]),list_missing_num)
plt.ylabel('缺失變量個數')
plt.xlabel('samples')
return plt.show()
plot_missing_user(trainData,plt_size=None)
上圖是那 3 個缺失變量剔除之前每個樣本的缺失情況圖。可以看到中間一大段樣本缺失變量個數爲 2 個,缺失變量最多的個數爲 3 個,僅一小部分樣本沒有缺失變量。將 3 個缺失率較高的變量進行剔除之後的樣本缺失情況如下:
可以看到僅有少數樣本有 1 個缺失變量。這裏爲了展示代碼,對有 1 個缺失變量的樣本進行剔除。
# 缺失值剔除(單個樣本)
def missing_delete_user(df,threshold=None):
"""
df:數據集
threshold:缺失個數刪除的閾值
return :刪除缺失後的數據集
"""
df2 = df.copy()
missing_series = df.isnull().sum(axis=1)
missing_list = list(missing_series)
missing_index_list = []
for i,j in enumerate(missing_list):
if j>=threshold:
missing_index_list.append(i)
df2 = df2[~(df2.index.isin(missing_index_list))]
print('缺失變量個數在{}以上的用戶數有{}個'.format(threshold,len(missing_index_list)))
return df2
這裏有個坑,就是這個函數的 df 的 index 必須是從 0 開始的,因爲 trainData 是經過切分之後的,index 被打亂了,導致用這個函數時剔除的樣本一直不對,需要用 trainData.reset_index(drop=True),被這個坑絆住了大半天。
後面還有對缺失變量進行填充,由於這裏已經剔除完,樣本集不存在缺失值,所以無需進行缺失值的填充。但是還是介紹一下缺失值填充的方法。
類別型變量
- 用衆數進行填充
- 單獨當作一個類別
def fillna_cate_var(df,col_list,fill_type=None):
"""
df:數據集
col_list:變量list集合
fill_type: 填充方式:衆數/當做一個類別
return :填充後的數據集
"""
df2 = df.copy()
for col in col_list:
if fill_type=='class':
df2[col] = df2[col].fillna('unknown')
if fill_type=='mode':
df2[col] = df2[col].fillna(df2[col].mode()[0])
return df2
數值型變量
- 缺失率 5%以下:中位數
- 缺失率 5%-15%:隨機森林填充
- 缺失率 15%以上:當作一個類別
def fillna_num_var(df,col_list,fill_type=None,filled_df=None):
"""
df:數據集
col_list:變量list集合
fill_type:填充方式:中位數/隨機森林/當做一個類別
filled_df :已填充好的數據集,當填充方式爲隨機森林時 使用
return:已填充好的數據集
"""
df2 = df.copy()
for col in col_list:
if fill_type=='median':
df2[col] = df2[col].fillna(df2[col].median())
if fill_type=='class':
df2[col] = df2[col].fillna(-999)
if fill_type=='rf':
rf_df = pd.concat([df2[col],filled_df],axis=1)
known = rf_df[rf_df[col].notnull()]
unknown = rf_df[rf_df[col].isnull()]
x_train = known.drop([col],axis=1)
y_train = known[col]
x_pre = unknown.drop([col],axis=1)
rf = RandomForestRegressor(random_state=0)
rf.fit(x_train,y_train)
y_pre = rf.predict(x_pre)
df2.loc[df2[col].isnull(),col] = y_pre
return df2
此外還有常變量處理和分類變量降基處理。常變量處理就是處理方差過小的變量,而分類變量降基是將一些佔比較小的類別進行合併。附上代碼。
# 常變量/同值化處理
def const_delete(df,col_list,threshold=None):
"""
df:數據集
col_list:變量list集合
threshold:同值化處理的閾值
return :處理後的數據集
"""
df2 = df.copy()
const_col = []
for col in col_list:
const_pct = df2[col].value_counts().iloc[0]/df2[df2[col].notnull()].shape[0]
if const_pct>=threshold:
const_col.append(col)
df2 = df2.drop(const_col,axis=1)
print('常變量/同值化處理的變量個數爲{}'.format(len(const_col)))
return df2
# 分類型變量的降基處理
def descending_cate(df,col_list,threshold=None):
"""
df: 數據集
col_list:變量list集合
threshold:降基處理的閾值
return :處理後的數據集
"""
df2 = df.copy()
for col in col_list:
value_series = df[col].value_counts()/df[df[col].notnull()].shape[0]
small_value = []
for value_name,value_pct in zip(value_series.index,value_series.values):
if value_pct<=threshold:
small_value.append(value_name)
df2.loc[df2[col].isin(small_value),col]='other'
return df2
【作者】:Labryant
【原創公衆號】:風控獵人
【簡介】:某創業公司策略分析師,積極上進,努力提升。乾坤未定,你我都是黑馬。
【轉載說明】:轉載請說明出處,謝謝合作!~