信用卡客户特征分析

news2024/11/27 9:57:48

分析思路

信用卡服务提供了一种方便的贷款方式，允许用户事先消费，之后再支付费用。对银行而言，这种服务既有较高的利润潜力，同时也伴随着用户可能不履行还款义务的风险。本⽂是基于2005年台湾信⽤卡客户数据，探究信⽤卡客户有哪些信贷特征？违约客户有哪些特征？
在这里插入图片描述

数据说明

  • BILL_AMT账单金额：表示使用信用卡的消费金额。
  • PAY_AMT支付金额：给信用卡的还款金额。
  • 如果账单金额 > 支付金额则表示该用户延迟还款了，产生了逾期。
    在这里插入图片描述

数据加载

#导入需要的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
#忽略警告
import warnings
warnings.filterwarnings('ignore')

#中文乱码的处理
#plt.rcParams['font.sans-serif']=['PingFang HK'] #mac系统使用
plt.rcParams['font.sans-serif'] = ['Microsoft YaHei']# windows使用设置微软雅黑字体
plt.rcParams['axes.unicode_minus'] = False # 避免坐标轴不能正常的显示负号

#加载数据UCI_Credit_Card.csv
data = pd.read_csv('UCI_Credit_Card.csv')
data.head()

在这里插入图片描述

data.shape

(30000, 25)

数据预处理

  • 选择子集
    • BILL_AMT1 ~ BILL_AMT6为各⽉账单⾦额（即每⽉消费记录）、PAY_AMT1 ~ PAY_AMT6为各⽉⽀付⾦额⽀付，⽀付⾦额>上个⽉消费记录，则视为该⽉及时还款，反之则视为延迟还款
    • 直接根据pay_0 ~ pay_6去计算/表示客户在4⽉-9⽉正常还款或者违约情况，所以【BILL_AMT1 ~ BILL_AMT6】和【PAY_AMT1 ~ PAY_AMT6】这些字段可视为⽆⽤信息，删除即可。
#批量生成要删除列的名字
list_pay = []
list_bill = []
for i in range(1,7):
    s = 'PAY_AMT'+str(i)
    list_pay.append(s)
for i in range(1,7):
    s = 'BILL_AMT'+str(i)
    list_bill.append(s)

list_pay.extend(list_bill)

data.drop(columns=['PAY_AMT1','PAY_AMT2','PAY_AMT3','PAY_AMT4','PAY_AMT5','PAY_AMT6',
                   'BILL_AMT1','BILL_AMT2','BILL_AMT3','BILL_AMT4','BILL_AMT5','BILL_AMT6'],
         inplace=True)

#将default.payment.next.month的名字修改为is_pay
data.rename(columns={'default.payment.next.month':'is_pay'},inplace=True)
  • 查看是否存在重复的行数据
data.duplicated().sum()

0

  • 查看是否存在缺失值
data.isnull().any(axis=0)

在这里插入图片描述

  • 异常值检测
#将EDUCATION的0,4,5都替换成6,6就表示其他这种学历
data['EDUCATION'].replace(to_replace={0:6,4:6,5:6},inplace=True)
data['MARRIAGE'].replace(to_replace={0:3},inplace=True)

数据分析

总体违约情况分析
  • 求违约客户的占比
df1 = data['is_pay'].value_counts().reset_index().rename(columns={'index':'类型','is_pay':'人数'})
df1

在这里插入图片描述

df1['类型'] = df1['类型'].map({0:'未违约',1:'违约'})
df1

在这里插入图片描述

#求解整体的违约率
def func(x):
    return format(x/df1['人数'].sum(),'.2%')
df1['占比'] = df1['人数'].map(func)
df1

在这里插入图片描述
整体持卡用户的违约率高达22.12%

违约客户的特征分析
  • 不同贷款额度分布
x = plt.hist(data['LIMIT_BAL'],bins=60)

在这里插入图片描述

data['LIMIT_BAL'].describe([.1,.2,.3,.4,.5,.6,.7,.8,.9])

在这里插入图片描述

有70%的客户贷款额度大约在20万以内，有80%的客户贷款额度在30万以内，客户贷款额度还是以中低额度为主。

  • 不同贷款额度的违约客户分布
bal_s = pd.cut(data['LIMIT_BAL'],bins=[10000,50000,100000,200000,300000,400000,
                               500000,600000,700000,800000,900000,1000000],right=False)
data['LIMIT_BAL_bt'] = bal_s
#不同借款区间对应的违约和未违约用户的数量
is_pay_df = pd.crosstab(data['is_pay'],data['LIMIT_BAL_bt']).T.rename(columns={0:'未违约',1:'违约'})
is_pay_df

在这里插入图片描述

#计算不同借款区间对应的违约率
def func(x):
    return format(x['违约'] / x.sum(),'.2%')
is_pay_df['违约率'] = is_pay_df.apply(func,axis=1)
is_pay_df

在这里插入图片描述

plt.figure(figsize=(12,6))
plt.plot(is_pay_df.index.astype('str'),is_pay_df['未违约'],label='未违约')
plt.plot(is_pay_df.index.astype('str'),is_pay_df['违约'],label='违约')
plt.xlabel('借款区间')
plt.ylabel('人数')
plt.legend()
x = plt.xticks(rotation=30)

在这里插入图片描述

可以看出，贷款额度越⾼，违约率逐渐降低，违约率较⾼的贷款额度主要集中在20万以内，所以对低于20万的贷款，⼀定要加强审核度，防⽌违约。

  • 不同性别的违约情况
is_pay_sex = pd.crosstab(data['SEX'],data['is_pay']).rename(columns={0:'未违约',1:'违约'},index={1:'男',2:'女'})
is_pay_sex['总计'] = is_pay_sex['未违约'] + is_pay_sex['违约']
def func(x):
    return format(x['违约']/x['总计'],'.2%')
is_pay_sex['违约率'] = is_pay_sex.apply(func,axis=1)
is_pay_sex

在这里插入图片描述

⼥性贷款的⼈数会远⾼于男性，但男性的违约率更⾼

  • 不同受教育程度的违约情况
is_pay_edu = pd.crosstab(data['EDUCATION'],data['is_pay']).rename(columns={0:'未违约',1:'违约'},index={1:'硕士',2:'大学',3:'高中',6:'其他'})
is_pay_edu['总计'] = is_pay_edu['未违约'] + is_pay_edu['违约']
def func(x):
    return format(x['违约']/x['总计'],'.2%')
is_pay_edu['违约率'] = is_pay_edu.apply(func,axis=1)
is_pay_edu

在这里插入图片描述

  • 不同婚姻状况的违约率
is_pay_mar = pd.crosstab(data['MARRIAGE'],data['is_pay']).rename(columns={0:'未违约',1:'违约'},index={1:'已婚',2:'单身',3:'其他'})
is_pay_mar['总计'] = is_pay_mar['未违约'] + is_pay_mar['违约']
def func(x):
    return format(x['违约']/x['总计'],'.2%')
is_pay_mar['违约率'] = is_pay_mar.apply(func,axis=1)
is_pay_mar

在这里插入图片描述

已婚的违约率略⾼于未婚的违约率，但是差异性并不是很⼤，相对来说都偏⾼

  • 不同年龄段的违约率
age_s = pd.cut(data['AGE'],bins=[21,30,40,50,60,70,80],right=False)
age_s

在这里插入图片描述

is_pay_age = pd.crosstab(age_s,data['is_pay']).rename(columns={0:'未违约',1:'违约'})
is_pay_age

is_pay_age[‘总计’] = is_pay_age[‘未违约’] + is_pay_age[‘违约’]
def func(x):
return format(x[‘违约’]/x[‘总计’],‘.2%’)
is_pay_age[‘违约率’] = is_pay_age.apply(func,axis=1)
is_pay_age
在这里插入图片描述

各个年龄段的违约率随着年龄的增⻓，有上升趋势，60岁以上的违约率最⾼；21-30和30-40的贷款⼈数
最多，说明贷款⼈员偏年轻。

  • 各⽉还款情况的违约客户分析
pay_df = data[['PAY_0','PAY_2','PAY_3','PAY_4','PAY_5','PAY_6']]
pay_df

在这里插入图片描述

#计算不同月份逾期还款的用户数
def func(x):
    return (x > 0).sum()
month_df = pay_df.apply(func,axis=0).rename(index={'PAY_0':'九月','PAY_2':'八月','PAY_3':'七月','PAY_4':'六月','PAY_5':'五月','PAY_6':'四月'}).reset_index().rename(columns={'index':'月份',0:'逾期用户数'})
month_df

#计算每个月的逾期率：逾期用户数 / 总用户数
def func(x):
return format(x,‘.2%’)
month_df[‘逾期率’] = (month_df[‘逾期用户数’]/data[‘ID’].count()).map(func)
month_df
在这里插入图片描述

从数据来看，逾期还款的⽤户数从4⽉到9⽉，呈现递增的趋势，说明当时的违约情况越演愈烈。

如何避免客户违约

#相关性分析：探究两组数据之间是否存在相关关系
#相关关系： 正相关 负相关
#如何表示相关性：相关系数（皮尔森系数）

df = data[['SEX','EDUCATION','MARRIAGE','AGE','is_pay']]
df

在这里插入图片描述

df.corr().abs()['is_pay'][:-1].sort_values(ascending=False)

在这里插入图片描述

分析结论

  • 1.总体违约率⾼达22.12%，当时违约情况⾮常严重，05年4⽉-9⽉还款逾期率逐渐上升，违约情况愈演愈烈。
  • 2.贷款额度越⾼，违约率越低，违约率较⾼的贷款额度主要集中在20万以内，所以对于低于20万的贷款，⼀定要加强审核度，降低违约⻛险。
  • 3.教育⽔平在⾼中的违约率较⾼，随着教育⽔平的提⾼，违约率呈下降趋势，⼀定程度说明教育⽔平越⾼，违约率越低，建议教育⽔平可作为信⽤卡审核的标准之⼀。
  • 4.各个年龄段的违约率随着年龄的增⻓，有上升趋势，60岁以上的违约率最⾼；建议对于年龄⾼于60岁以上的⼈员办理信⽤卡增加审核强度，降低申请贷款额度。
  • 5.⼥性贷款的⼈数会远⾼于男性，但男性的违约率更⾼。
  • 6.已婚的违约率略⾼于未婚的违约率，但是差异性并不是很⼤，相对来说都偏⾼。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.coloradmin.cn/o/1579766.html

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈，一经查实，立即删除！

相关文章

如何区别进化和演化

如何区别进化和演化

在生物学中，"进化"和"演化"这两个词通常可以互换使用，它们都指的是生物种群随时间推移而发生的遗传变化。然而，在某些语境中，这两个词可能会有细微的差别： 进化（Evolution）…
阅读更多...
C#.net手术麻醉信息系统源码，集成HIS、EMR、LIS、PACS系统

C#.net手术麻醉信息系统源码，集成HIS、EMR、LIS、PACS系统

手术麻醉信息系统可以实现手术室监护仪、麻醉机、呼吸机、输液泵等设备输出数据的自动采集，采集的数据能据如实准确地反映患者生命体征参数的变化，并实现信息高度共享，根据采集结果，综合其他患者数据，自动生成手术麻醉…
阅读更多...
MySQL数据库基础--索引

MySQL数据库基础--索引

索引概述 索引是帮助MySQL高效获取数据的数据结构（有序） 优缺点 优势劣势提高数据检索的效率，降低数据库的IO成本索引列也是要占用空间的通过索引列对数据进行排序，降低数据排序的成本，降低CPU的消耗索引大大提高了查…
阅读更多...
xss.pwnfunction-Ah That‘s Hawt

xss.pwnfunction-Ah That‘s Hawt

<svg/onloadalert%26%2340%3B1%26%2341%3B> <svg/>是一个自闭合形式 &#xff0c;当页面或元素加载完成时&#xff0c;onload 事件会被触发&#xff0c;从而可以执行相应的 JavaScript 函数
阅读更多...
649.Dota2 参议院

649.Dota2 参议院

题目&#xff1a;Dota2 的世界里有两个阵营&#xff1a;Radiant&#xff08;天辉&#xff09;和 Dire&#xff08;夜魇&#xff09; Dota2 参议院由来自两派的参议员组成。现在参议院希望对一个 Dota2 游戏里的改变作出决定。他们以一个基于轮为过程的投票进行。在每一轮中&am…
阅读更多...
abap 增强查找

abap 增强查找

初代增强 查找&#xff1a;se38 Z_FIND_USEREXIT ZENHANCE_FIND 没有的话可以复制下面查找增强代码 REPORT z_find_userexit NO STANDARD PAGE HEADING.*&---------------------------------------------------------------------**& Enter the transaction code…
阅读更多...
机器学习 —— MNIST手写体识别

机器学习 —— MNIST手写体识别

本文使用工具 Anaconda下载安装与使用 Jupyter Notebook的使用 pytorch配置 Jupyter notebook Pycharm 本文使用数据集 机器学习实验所需内容.zip 点击跳转至正文部分 pytorch配置 Jupyter notebook 1、打开 Anaconda…
阅读更多...
Unity MySql安装部署与Unity连接 上篇

Unity MySql安装部署与Unity连接 上篇

1.前言 最近项目用到MySql&#xff0c;记录一下安装部署过程。 数据量过大或者需要管理用户数据的时候用mysql的话数据结构比较清晰明了&#xff0c;便于管理。 2.安装MySql Unity版本&#xff1a;2019.4.16 MySql版本&#xff1a;8.2.0 下载地址&#xff1a;MySql 下载…
阅读更多...
全新AI天空任意生成解决方案，颠覆传统换天效果

全新AI天空任意生成解决方案，颠覆传统换天效果

在数字化时代&#xff0c;影像创作已经成为企业展示品牌形象、传递信息的重要手段。特别是在汽车拍摄和旅行拍摄等场景中&#xff0c;天空作为画面中不可或缺的元素&#xff0c;其表现往往直接关系到作品的质感和吸引力。然而&#xff0c;传统的天空替换技术往往操作繁琐、效果…
阅读更多...
Docker内更新Jenkins详细讲解

Docker内更新Jenkins详细讲解

很多小伙伴在Docker中使用Jenkins时更新遇到困难&#xff0c;本次结合自己的实际经验&#xff0c;详细讲解。根据官网Jenkins了解以下内容&#xff1a; 一、Jenkins 是什么? Jenkins是一款开源 CI&CD 软件&#xff0c;用于自动化各种任务&#xff0c;包括构建、测…
阅读更多...
Linux中磁盘管理

Linux中磁盘管理

一.磁盘管理的概括和简要说明 磁盘空间的管理&#xff0c;使用硬盘三步&#xff1a; &#xff08;1&#xff09;分区&#xff1a; &#xff08;2&#xff09;安装文件系统格式化 &#xff08;3&#xff09;挂载&#xff1a; 硬盘的分类&#xff1a; &#xff08;1&#x…
阅读更多...
Spring Cloud 和 Dubbo 区别及应用

Spring Cloud 和 Dubbo 区别及应用

探索 Spring Cloud 的能力 Spring Cloud 为开发者们构筑健全的云端应用提供了一套全面的工具。这一框架支援创建微服务架构的应用&#xff0c;如配置管理、服务发现和断路等功能。开发人员借助Spring Cloud&#xff0c;能迅速打造和部署符合设计模式的服务与应用。这套框架适用…
阅读更多...
配置交换机 SSH 管理和端口安全——实验1:配置交换机基本安全和 SSH管理

配置交换机 SSH 管理和端口安全——实验1:配置交换机基本安全和 SSH管理

实验目的 通过本实验可以掌握&#xff1a; 交换机基本安全配置。SSH 的工作原理和 SSH服务端和客户端的配置。 实验拓扑 交换机基本安全和 SSH管理实验拓扑如图所示。 交换机基本安全和 SSH管理实验拓扑 实验步骤 &#xff08;1&#xff09;配置交换机S1 Switch>enab…
阅读更多...
关于gpu模拟器任务发布

关于gpu模拟器任务发布

首先&#xff0c;grid拿到用户指定的形状 那么发布任务&#xff0c;就每次增长block的size&#xff0c;如下 那么这个threadblock就直到自己在哪个位置 也就是grid任务拆成block&#xff0c;是依赖形状 关于block如何分成warp&#xff0c;发现是blocksize来拆&#xff0c;bloc…
阅读更多...
AWS云为何会成为出海企业的首选

AWS云为何会成为出海企业的首选

AWS云对出海企业来说究竟有什么魅力&#xff1f;本文&#xff0c;AWS合作伙伴九河云会带你了解&#xff0c;在企业出海过程中为什么首先想到的就是AWS云&#xff1f; 广泛而深入的云服务 亚马逊云科技目前提供超过 200 项全功能的服务&#xff0c;涵盖计算、存储、数据库、网…
阅读更多...
二建考试搜题软件哪个好？分享8个可以搜答案的软件 #知识分享#笔记#学习方法

二建考试搜题软件哪个好？分享8个可以搜答案的软件 #知识分享#笔记#学习方法

积极参加社团活动和实践项目&#xff0c;可以帮助大学生拓宽人脉圈和锻炼实际操作能力。 1.白鸽搜题 这是个微信公众号 多语言查询支持&#xff0c;满足国际用户需求。全球通用&#xff0c;无障碍搜题。 下方附上一些测试的试题及答案 1、等渗性脱水时&#xff0c;体液变化…
阅读更多...
竞赛 卷积神经网络手写字符识别 - 深度学习

竞赛 卷积神经网络手写字符识别 - 深度学习

文章目录 0 前言1 简介2 LeNet-5 模型的介绍2.1 结构解析2.2 C1层2.3 S2层S2层和C3层连接 2.4 F6与C5层 3 写数字识别算法模型的构建3.1 输入层设计3.2 激活函数的选取3.3 卷积层设计3.4 降采样层3.5 输出层设计 4 网络模型的总体结构5 部分实现代码6 在线手写识别7 最后 0 前言…
阅读更多...
DS-Net：可落地的动态网络，实际加速1.62倍，快改造起来 | CVPR 2021 Oral

DS-Net：可落地的动态网络，实际加速1.62倍，快改造起来 | CVPR 2021 Oral

论文提出能够适配硬件加速的动态网络DS-Net&#xff0c;通过提出的double-headed动态门控来实现动态路由。基于论文提出的高性能网络设计和IEB、SGS训练策略&#xff0c;仅用1/2-1/4的计算量就能达到静态SOTA网络性能&#xff0c;实际加速也有1.62倍   来源&#xff1a;晓飞的…
阅读更多...
Gradle 依赖管理-ApiHug准备-工具篇-004

Gradle 依赖管理-ApiHug准备-工具篇-004

&#x1f917; ApiHug {Postman|Swagger|Api...} 快↑ 准√ 省↓ GitHub - apihug/apihug.com: All abou the Apihug apihug.com: 有爱&#xff0c;有温度&#xff0c;有质量&#xff0c;有信任ApiHug - API design Copilot - IntelliJ IDEs Plugin | Marketplace ApiHug …
阅读更多...
比特币革命：刚刚开始

比特币革命：刚刚开始

作者&#xff1a;Marius Farashi Tasooji 编译&#xff1a;秦晋 要充分理解比特币及其含义&#xff0c;首先必须理解什么是价值&#xff0c;什么是货币。以及是什么赋予资产价值&#xff1f; 这个问题看似愚蠢&#xff0c;但实际上非常有趣。我们的生活是由我们消费或出售的物品…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023