theme: smartblue

公众号：尤而小屋
作者：Peter
编辑：Peter

大家好，我是Peter~

本文是基于3大树模型对一份德国信贷数据的简单建模，可以作为一份baseline，最后也提出了优化的方向。主要内容包含：

导入库

导入的库用于数据处理、可视化、建模等

```python import pandas as pd import numpy as np

1、基于plotly

import plotly as py import plotly.express as px import plotly.graph_objects as go py.offline.init_notebook_mode(connected = True) from plotly.subplots import make_subplots # 多子图

2、基于matplotlib

import matplotlib.pyplot as plt import matplotlib.patches as mpatches %matplotlib inline

中文显示问题

设置字体

plt.rcParams["font.sans-serif"]=["SimHei"]

正常显示负号

plt.rcParams["axes.unicode_minus"]=False

3、基于seaborn

import seaborn as sns

plt.style.use("fivethirtyeight")

plt.style.use('ggplot')

数据标准化、分割、交叉验证

from sklearn.pipeline import Pipeline from sklearn.preprocessing import StandardScaler,LabelEncoder from sklearn.model_selection import train_test_split,cross_val_score

模型

from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeRegressor,DecisionTreeClassifier from sklearn.ensemble import RandomForestClassifier from sklearn.svm import SVC

模型评价

from sklearn import metrics
from sklearn.metrics import classification_report, confusion_matrix, ConfusionMatrixDisplay from sklearn.metrics import accuracy_score, recall_score, roc_auc_score, precision_score, f1_score

忽略notebook中的警告

import warnings warnings.filterwarnings("ignore") ```

数据简介

数据来自UCI官网：http://archive.ics.uci.edu/ml/datasets/Statlog+%28German+Credit+Data%29

基本信息：1000条数据 + 20个变量 + 目标变量 + 无缺失值

特征变量的中文与英文含义：

特征向量中文：1.支票账户状态；2.借款周期；3.历史信用；4.借款目的；5.信用额度；6.储蓄账户状态；7.当前就业状态；8.分期付款占可支配收入百分比；9.性别与婚姻状态；10.他人担保信息；11.现居住地；12.财产状态；13.年龄；14.其他分期情况；15.房产状态；16.信用卡数量；17.工作状态；18.赡养人数；19.电话号码注册情况；20.是否有海外工作经历
特征向量对应英文：1.status_account, 2.duration, 3.credit_history, 4,purpose, 5.amount, 6.svaing_account, 7.present_emp, 8.income_rate, 9.personal_status, 10.other_debtors, 11.residence_info, 12.property, 13.age, 14.inst_plans, 15.housing, 16.num_credits, 17.job, 18.dependents, 19.telephone, 20.foreign_worker

读入数据

下载的数据没有表头，网上搜索到对应英文表头，生成DataFrame：

In [4]:

df.shape

Out[4]:

(1000, 21)

In [5]:

df.dtypes # 字段类型

Out[5]:

checking_account_status object duration int64 credit_history object purpose object credit_amount int64 savings object present_employment object installment_rate int64 personal object other_debtors object present_residence int64 property object age int64 other_installment_plans object housing object existing_credits int64 job object dependents int64 telephone object foreign_worker object customer_type int64 dtype: object

In [6]:

```

不同的字段类型统计

pd.value_counts(df.dtypes.values) ```

Out[6]:

object 13 int64 8 dtype: int64

In [7]:

df.isnull().sum()

Out[7]:

checking_account_status 0 duration 0 credit_history 0 purpose 0 credit_amount 0 savings 0 present_employment 0 installment_rate 0 personal 0 other_debtors 0 present_residence 0 property 0 age 0 other_installment_plans 0 housing 0 existing_credits 0 job 0 dependents 0 telephone 0 foreign_worker 0 customer_type 0 dtype: int64

不同字段下的取值统计

In [8]:

columns = df.columns # 字段 columns

Out[8]:

python Index(['checking_account_status', 'duration', 'credit_history', 'purpose', 'credit_amount', 'savings', 'present_employment', 'installment_rate', 'personal', 'other_debtors', 'present_residence', 'property', 'age', 'other_installment_plans', 'housing', 'existing_credits', 'job', 'dependents', 'telephone', 'foreign_worker', 'customer_type'], dtype='object')

1、针对字符类型字段的取值情况统计：

```python string_columns = df.select_dtypes(include="object").columns

两个基本参数：设置行、列

fig = make_subplots(rows=3, cols=5)

for i, v in enumerate(string_columns):
r = i // 5 + 1 c = (i+1) % 5

data = df[v].value_counts().reset_index()

if c ==0:
    fig.add_trace(go.Bar(x=data["index"],y=data[v],
                         text=data[v],name=v),
                  row=r, col=5)
else:
    fig.add_trace(go.Bar(x=data["index"],y=data[v],
                         text=data[v],name=v),
                 row=r, col=c)

fig.update_layout(width=1000, height=900)

fig.show() ```

2、针对数值型字段的分布情况：

```python number_columns = df.select_dtypes(exclude="object").columns.tolist() number_columns

两个基本参数：设置行、列

fig = make_subplots(rows=2, cols=4) # 2行4列

for i, v in enumerate(number_columns): # number_columns 长度是8 r = i // 4 + 1 c = (i+1) % 4

if c ==0:
    fig.add_trace(go.Box(y=df[v].tolist(),name=v),
             row=r, col=4)
else:
    fig.add_trace(go.Box(y=df[v].tolist(),name=v),
             row=r, col=c)

fig.update_layout(width=1000, height=900)

fig.show() ```

字段处理

支票状态-checking_account_status

中文含义：现有支票帐户的状态

A11：<0 DM
A12：0 <= x <200 DM
A13：> = 200 DM /至少一年的薪水分配
A14：无支票帐户）

In [11]:

df["checking_account_status"].value_counts()

Out[11]:

A14 394 A11 274 A12 269 A13 63 Name: checking_account_status, dtype: int64

In [12]:

``` fig,ax = plt.subplots(figsize=(12,8), dpi=80)

sns.countplot(x="checking_account_status", data=df)

plt.title("number of checking_account_status")

for p in ax.patches: ax.annotate(f'\n{p.get_height()}', (p.get_x(), p.get_height()+5), color='black', size=20) plt.show() ```

在这里我们根据每个人的支票账户金额的大小进行硬编码：

In [13]:

```python

A11：<0 DM，A12：0 <= x <200 DM，A13：> = 200 DM /至少一年的薪水分配，A14：无支票帐户

编码1

cas = {"A11": 1,"A12":2, "A13":3, "A14":0} df["checking_account_status"] = df["checking_account_status"].map(cas) ```

借款周期-duration

中文含义是：持续时间(月)

In [14]:

duration = df["duration"].value_counts() duration.head()

Out[14]:

24 184 12 179 18 113 36 83 6 75 Name: duration, dtype: int64

In [15]:

``` fig = px.violin(df,y="duration")

fig.show() ```

信用卡历史-credit_history

中文含义

A30：未提取任何信用/已全额偿还所有信用额
A31：已偿还该银行的所有信用额
A32：已到期已偿还的现有信用额
A33：过去的还款延迟
A34：关键帐户/其他信用额现有（不在此银行）

In [17]:

ch = df["credit_history"].value_counts().reset_index() ch

Out[17]:

| | index | credit_history | | ---: | ----: | -------------: | | 0 | A32 | 530 | | 1 | A34 | 293 | | 2 | A33 | 88 | | 3 | A31 | 49 | | 4 | A30 | 40 |

In [18]:

```python fig = px.pie(ch,names="index",values="credit_history")

fig.update_traces( textposition='inside', textinfo='percent+label' )

fig.show() ```

```python

编码2：独热码

df_credit_history = pd.get_dummies(df["credit_history"]) df = df.join(df_credit_history) df.drop("credit_history", inplace=True, axis=1) ```

借款目的-purpose

借款目的

In [20]:

```

统计每个目的下的人数，根据人数的多少来实施硬编码

purpose = df["purpose"].value_counts().sort_values(ascending=True).reset_index()

purpose.columns = ["purpose", "number"]

purpose ```

```python

编码3

df["purpose"] = df["purpose"].map(dict(zip(purpose.purpose,purpose.index))) ```

信用额度-credit_amount

表示的是信用额度

In [22]:

px.violin(df["credit_amount"])

账户储蓄-savings

账户/债券储蓄（A61：<100 DM，A62：100 <= x <500 DM，A63：500 <= x <1000 DM，A64：> = 1000 DM，A65：未知/无储蓄账户

In [24]:

string_columns

Out[24]:

Index(['checking_account_status', 'credit_history', 'purpose', 'savings', 'present_employment', 'personal', 'other_debtors', 'property', 'other_installment_plans', 'housing', 'job', 'telephone', 'foreign_worker'], dtype='object')

In [25]:

df["savings"].value_counts()

Out[25]:

A61 603 A65 183 A62 103 A63 63 A64 48 Name: savings, dtype: int64

In [26]:

```

编码6：硬编码

savings = {"A61":1,"A62":2, "A63":3, "A64":4,"A65":0}

df["savings"] = df["savings"].map(savings) ```

目前状态-present_employment

A71：待业
A72：<1年
A73：1 <= x <4年
A74：4 <= x <7年
A75：..> = 7年

In [28]:

df["present_employment"].value_counts()

Out[28]:

A73 339 A75 253 A74 174 A72 172 A71 62 Name: present_employment, dtype: int64

In [29]:

```

编码7：独热码

df_present_employment = pd.get_dummies(df["present_employment"]) ```

In [30]:

``` df = df.join(df_present_employment)

df.drop("present_employment", inplace=True, axis=1) ```

个人婚姻状态和性别-personal

个人婚姻状况和性别（A91：男性：离婚/分居，A92：女性：离婚/分居/已婚，A93：男性：单身，A94：男性：已婚/丧偶，A95：女性：单身）

In [31]:

```

编码8：独热码

df_personal = pd.get_dummies(df["personal"]) df = df.join(df_personal)

df.drop("personal", inplace=True, axis=1) ```

其他担保人-other_debtors

A101：无，A102：共同申请人，A103：担保人

In [32]:

```

编码9：独热码

df_other_debtors = pd.get_dummies(df["other_debtors"]) df = df.join(df_other_debtors)

df.drop("other_debtors", inplace=True, axis=1) ```

资产-property

In [33]:

```

编码10：独热码

df_property = pd.get_dummies(df["property"]) df = df.join(df_property)

df.drop("property", inplace=True, axis=1) ```

住宿-housing

A151:租房，A152:自有，A153:免费

In [34]:

```

编码11：独热码

df_housing = pd.get_dummies(df["housing"]) df = df.join(df_housing)

df.drop("housing", inplace=True, axis=1) ```

其他投资计划-other_installment_plans

A141：银行，A142：店铺，A143：无

In [35]:

```python fig,ax = plt.subplots(figsize=(12,8), dpi=80)

sns.countplot(x="other_installment_plans", data=df)

plt.title("number of other_installment_plans")

for p in ax.patches: ax.annotate(f'\n{p.get_height()}', (p.get_x(), p.get_height()+5), color='black', size=20) plt.show() ```

```python

编码12：独热码

df_other_installment_plans = pd.get_dummies(df["other_installment_plans"]) df = df.join(df_other_installment_plans)

df.drop("other_installment_plans", inplace=True, axis=1) ```

工作-job

A171 : 非技术人员-非居民
A172:非技术人员-居民
A173:技术人员/官员
A174:管理/个体经营/高度合格的员工/官员

In [37]:

``` fig,ax = plt.subplots(figsize=(12,8), dpi=80)

sns.countplot(x="job", data=df)

plt.title("number of job")

for p in ax.patches: ax.annotate(f'\n{p.get_height()}', (p.get_x(), p.get_height()+5), color='black', size=20) plt.show() ```

```python

编码13：独热码

df_job = pd.get_dummies(df["job"]) df = df.join(df_job)

df.drop("job", inplace=True, axis=1) ```

电话-telephone

A191:无，A192:有，登记在客户名下

In [39]:

```

编码14：独热码

df_telephone = pd.get_dummies(df["telephone"]) df = df.join(df_telephone)

df.drop("telephone", inplace=True, axis=1) ```

是否国外工作-foreign_worker

A201: 有，A202: 无

In [40]:

```

编码15：独热码

df_foreign_worker = pd.get_dummies(df["foreign_worker"]) df = df.join(df_foreign_worker)

df.drop("foreign_worker", inplace=True, axis=1) ```

两种类型顾客统计-customer_type

预测类别：1 =良好，2 =不良

In [41]:

``` fig,ax = plt.subplots(figsize=(12,8), dpi=80)

sns.countplot(x="customer_type", data=df)

plt.title("number of customer_type")

for p in ax.patches: ax.annotate(f'\n{p.get_height()}', (p.get_x(), p.get_height()+5), color='black', size=20) plt.show() ```

打乱数据shuffle

In [42]:

``` from sklearn.utils import shuffle

随机打乱数据

df = shuffle(df).reset_index(drop=True) ```

建模

数据分割

In [44]:

```

选取特征

X = df.drop("customer_type",axis=1)

目标变量

y = df['customer_type'] from sklearn.model_selection import train_test_split ```

In [45]:

```

2-8比例

X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.2, random_state=42) ```

数据标准化

In [46]:

``` ss = StandardScaler()

X_train = ss.fit_transform(X_train) ```

In [47]:

y_train

Out[47]:

556 1 957 1 577 2 795 2 85 1 .. 106 1 270 2 860 1 435 1 102 2 Name: customer_type, Length: 200, dtype: int64

In [48]:

```

分别求出训练集的均值和标准差

mean_ = ss.mean_ # 均值 var_ = np.sqrt(ss.var_) # 标准差 ```

将上面求得的均值和标准差用于测试集中：

In [50]:

```

归一化之后的测试集中的特征数据

X_test = (X_test - mean_) / var_ ```

模型1：决策树

In [51]:

``` dt = DecisionTreeClassifier(max_depth=5)

dt.fit(X_train, y_train) ```

Out[51]:

DecisionTreeClassifier(max_depth=5)

In [52]:

```

预测

y_pred = dt.predict(X_test) y_pred[:5] ```

Out[52]:

array([2, 1, 1, 2, 1])

In [53]:

```

混淆矩阵

confusion_mat = metrics.confusion_matrix(y_test,y_pred) confusion_mat ```

Out[53]:

array([[450, 118], [137, 95]])

In [54]:

```python

混淆矩阵可视化

classes = ["良好","不良"]

disp = ConfusionMatrixDisplay(confusion_matrix=confusion_mat, display_labels=classes) disp.plot( include_values=True, # 混淆矩阵每个单元格上显示具体数值 cmap="GnBu", # matplotlib识别的颜色图 ax=None,
xticks_rotation="horizontal",
values_format="d"
)

plt.show() ```

```python

auc-roc

auc_roc = metrics.roc_auc_score(y_test, y_pred) # 测试值和预测值 auc_roc

0.5008681398737251 ```

模型2：随机森林

In [56]:

rf = RandomForestClassifier() rf.fit(X_train, y_train)

Out[56]:

RandomForestClassifier()

In [57]:

```

预测

y_pred = rf.predict(X_test) y_pred[:5] ```

Out[57]:

array([1, 1, 1, 2, 1])

In [58]:

```

混淆矩阵

confusion_mat = metrics.confusion_matrix(y_test,y_pred) confusion_mat ```

Out[58]:

array([[476, 92], [142, 90]])

In [59]:

```python

混淆矩阵可视化

classes = ["良好","不良"]

plt.show() ```

```python

auc-roc

auc_roc = metrics.roc_auc_score(y_test, y_pred) # 真实值和预测值 auc_roc

0.6129796017484215 ```

模型3：XGboost

In [62]:

``` from xgboost.sklearn import XGBClassifier

定义 XGBoost模型

clf = XGBClassifier()

X_train = X_train.values

X_test = X_test.values

```

In [63]:

clf.fit(X_train, y_train)

Out[63]:

XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1, colsample_bynode=1, colsample_bytree=1, gamma=0, gpu_id=-1, importance_type='gain', interaction_constraints='', learning_rate=0.300000012, max_delta_step=0, max_depth=6, min_child_weight=1, missing=nan, monotone_constraints='()', n_estimators=100, n_jobs=0, num_parallel_tree=1, random_state=0, reg_alpha=0, reg_lambda=1, scale_pos_weight=1, subsample=1, tree_method='exact', validate_parameters=1, verbosity=None)

In [65]:

```

先转成数组再传进来

X_test = X_test.values

y_pred = clf.predict(X_test) y_pred[:5] ```

Out[65]:

array([1, 1, 1, 2, 1])

In [66]:

```

混淆矩阵

confusion_mat = metrics.confusion_matrix(y_test,y_pred) confusion_mat ```

Out[66]:

array([[445, 123], [115, 117]])

In [67]:

```python

混淆矩阵可视化

classes = ["良好","不良"]

plt.show() ```

```python

auc-roc

auc_roc = metrics.roc_auc_score(y_test, y_pred) # 真实值和预测值 auc_roc

0.6438805245264692 ```

模型优化

基于相关系数进行特征筛选

```

y：customer_type是目标变量

1、计算每个特征和目标变量的相关系数

data = pd.concat([X,y],axis=1)

corr = data.corr() corr[:5] ```

相关系数的描述统计信息：发现整体的相关系数（绝对值）都比较小

热力图

``` ax = plt.subplots(figsize=(20,16))

ax = sns.heatmap(corr, vmax=0.8, square=True, annot=True, # 显示数据 cmap="YlGnBu") ```

根据相关系数筛选前20个变量

``` k = 20

cols = corr.nlargest(k,"customer_type")["customer_type"].index cols ```

Index(['customer_type', 'duration', 'checking_account_status', 'credit_amount', 'A30', 'A31', 'A124', 'A72', 'A141', 'A151', 'A201', 'A153', 'A92', 'installment_rate', 'A102', 'A142', 'A91', 'A32', 'A174', 'A71'], dtype='object')

``` cm = np.corrcoef(data[cols].values.T)

hm = plt.subplots(figsize=(10,10)) # 调整画布大小 hm = sns.heatmap(data[cols].corr(), # 前10个属性的相关系数 annot=True, square=True) plt.show() ```

筛选相关系数绝对值大于0.1的变量

``` threshold = 0.1

corrmat = data.corr() top_corr_features = corrmat.index[abs(corrmat["customer_type"]) > threshold]

plt.figure(figsize=(10,10))

g = sns.heatmap(data[top_corr_features].corr(), # 大于0.5的特征构成的DF的相关系数矩阵 annot=True, square=True, cmap="nipy_spectral_r" ) ```

新数据建模

```

筛选出为True的特征

useful_col = corrmat.index[abs(corrmat["customer_type"]) > threshold].tolist()
```

new_df = df[useful_col] new_df.head()

数据切分

```

选取特征

X = new_df.drop("customer_type",axis=1)

目标变量

y = new_df['customer_type'] ```

```

3-7比例

X_train, X_test, y_train, y_test = train_test_split(X, y, train_size=0.3, random_state=42) ```

标准化

ss = StandardScaler() X_train = ss.fit_transform(X_train)

```

分别求出训练集的均值和标准差

mean_ = ss.mean_ # 均值 var_ = np.sqrt(ss.var_) # 标准差

归一化之后的测试集中的特征数据

X_test = (X_test - mean_) / var_ ```

建模

``` from xgboost.sklearn import XGBClassifier

定义 XGBoost模型

clf = XGBClassifier() ```

clf.fit(X_train, y_train)

In [80]:

```

先转成数组再传进来

X_test = X_test.values

y_pred = clf.predict(X_test) y_pred[:5] ```

Out[80]:

array([2, 1, 2, 2, 1])

In [81]:

```

混淆矩阵

confusion_mat = metrics.confusion_matrix(y_test,y_pred) confusion_mat ```

Out[81]:

array([[406, 94], [ 96, 104]])

In [82]:

```

auc-roc

auc_roc = metrics.roc_auc_score(y_test, y_pred) # 真实值和预测值 auc_roc ```

Out[82]:

0.666

优化方向

经过3种不同树模型的建模，我们发现模型的AUC值并不是很高。AUC 值是一个概率值，AUC 值越大，分类算法越好。可以考虑优化的方向：

特征工程处理：这个可以重点优化。目前对原始的特征变量使用了3种不同类型编码、独热码和硬编码；有些字段的编码方式需要优化。
筛选变量：相关系数是用来检测两个连续型变量之间线性相关的程度；特征变量和最终因变量的关系不一定线性相关。本文中观察到相关系数都很低，似乎佐证了这点。后续考虑通过其他方法来筛选变量进行建模
模型调优：通过网格搜索等优化单个模型的参数，或者通过模型融合来增强整体效果。

数据集获取

关注公众号【尤而小屋】，回复德国即可领取本文数据集。

德国信贷数据建模baseline！

theme: smartblue

导入库

1、基于plotly

2、基于matplotlib

中文显示问题

设置字体

正常显示负号

3、基于seaborn

plt.style.use("fivethirtyeight")

数据标准化、分割、交叉验证

模型

模型评价

忽略notebook中的警告

数据简介

读入数据

不同的字段类型统计

不同字段下的取值统计

两个基本参数：设置行、列

两个基本参数：设置行、列

字段处理

支票状态-checking_account_status

A11：<0 DM，A12：0 <= x <200 DM，A13：> = 200 DM /至少一年的薪水分配，A14：无支票帐户

编码1

借款周期-duration

信用卡历史-credit_history

编码2：独热码

借款目的-purpose

统计每个目的下的人数，根据人数的多少来实施硬编码

编码3

信用额度-credit_amount

账户储蓄-savings

编码6：硬编码

目前状态-present_employment

编码7：独热码

个人婚姻状态和性别-personal

编码8：独热码

其他担保人-other_debtors

编码9：独热码

资产-property

编码10：独热码

住宿-housing

编码11：独热码

其他投资计划-other_installment_plans

编码12：独热码

工作-job

编码13：独热码

电话-telephone

编码14：独热码

是否国外工作-foreign_worker

编码15：独热码

两种类型顾客统计-customer_type

打乱数据shuffle

随机打乱数据

建模

数据分割

选取特征

目标变量

2-8比例

数据标准化

分别求出训练集的均值和标准差

归一化之后的测试集中的特征数据

模型1：决策树

预测

混淆矩阵

混淆矩阵可视化

auc-roc

模型2：随机森林

预测

混淆矩阵

混淆矩阵可视化

auc-roc

模型3：XGboost

定义 XGBoost模型

X_train = X_train.values

X_test = X_test.values

先转成数组再传进来

混淆矩阵

混淆矩阵可视化

auc-roc