客户还款可能性预测

#客户还款可能性预测| 来源: 网络整理| 查看: 265

目的：根据用户的申请表来判别用户是否会按时还款。

1. 导入数据 import numpy as np import pandas as pd from sklearn.preprocessing import LabelEncoder import os import warnings warnings.filterwarnings('ignore') import matplotlib.pyplot as plt import seaborn as sns from matplotlib.font_manager import FontProperties plt.style.use('ggplot') plt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] # 用来正常显示中文标签 plt.rcParams['axes.unicode_minus'] = False # 用来正常显示负号 app_train = pd.read_csv('application_train.csv') app_train.head()

在这里插入图片描述

# 查看数据量 app_train.shape

在这里插入图片描述

2. 数据展示 2.1 缺失值展示 def missing_value_table(df): #计算所有的缺失值 mis_val = df.isnull().sum() # 缺失值的百分比 mis_val_percent = 100*df.isnull().sum()/len(df) #合并 mis_val_table = pd.concat([mis_val,mis_val_percent],axis=1) mis_val_rename = mis_val_table.rename(columns = {0:'缺失的数量',1:'缺失百分比'}) #剔除完整的并排序 mis_val_rename = mis_val_rename[mis_val_rename.iloc[:,1]!=0].sort_values('缺失百分比',ascending=False) return mis_val_rename missing_value_table(app_train)[:10]

在这里插入图片描述

2.2 object类型处理

原则：选择所有的object类型，当特征值>2 用独热编码；否则用label encoder

# 查看数据的类型 app_train.dtypes.value_counts()

在这里插入图片描述

le = LabelEncoder() for col in app_train: if app_train[col].dtype == 'object': if len(list(app_train[col].unique()))

【本文地址】

公司简介

联系我们