lending club
1.本项目需解决的问题
本项目通过利用P2P平台Lending Club的贷款数据，进行机器学习，构建贷款违约预测模型，对新增贷款申请人进行预测是否会违约，从而决定是否放款。
2.建模思路
以下为本次项目的工作流程。
3.场景解析
贷款申请人向Lending Club平台申请贷款时，Lending Club平台通过线上或线下让客户填写贷款申请表，收集客户的基本信息，这里包括申请人的年龄、性别、婚姻状况、学历、贷款金额、申请人财产情况等信息，通常来说还会借助第三方平台如征信机构或FICO等机构的信息。通过这些信息属性来做线性回归 ，生成预测模型，Lending Club平台可以通过预测判断贷款申请是否会违约，从而决定是否向申请人发放贷款。
1）首先，我们的场景是通过用户的历史行为（如历史数据的多维特征和贷款状态是否违约）来训练模型，通过这个模型对新增的贷款人“是否具有偿还能力，是否具有偿债意愿”进行分析，预测贷款申请人是否会发生违约贷款。这是一个监督学习的场景，因为已知了特征以及贷款状态是否违约（目标列），我们判定贷款申请人是否违约是一个二元分类问题，可以通过一个分类算法来处理，这里选用逻辑斯蒂回归（logistic regression）。
2）观察数据集发现部分数据是半结构化数据，需要进行特征抽象。
现对该业务场景进行总结如下：
- 根据历史记录数据学习并对贷款是否违约进行预测，监督学习场景，选择逻辑斯蒂回归（Logistic Regression）算法。
- 数据为半结构化数据，需要进行特征抽象。
4.数据预处理（Pre-Processing Data）
本次项目数据集来源于Lending Club Statistics，具体为2018年第一季Lending Club平台发生借贷的业务数据。
数据预览
查看每列属性缺失值的比例
check_null = data.isnull().sum().sort_values(ascending=False)/float(len(data))
print(check_null[check_null > 0.2]) # 查看缺失比例大于20%的属性。
从上面信息可以发现，本次数据集缺失值较多的属性对我们模型预测意义不大，例如id和member_id以及url等。因此，我们直接删除这些没有意义且缺失值较多的属性。此外，如果缺失值对属性来说是有意义的，还得细分缺失值对应的属性是数值型变量或是分类类型变量。
thresh_count = len(data)*0.4 # 设定阀值
data = data.dropna(thresh=thresh_count, axis=1) #若某一列数据缺失的数量超过阀值就会被删除再将处理后的数据转化为csv
data.to_csv('loans_2018q1_ml.csv', index = False)loans = pd.read_csv('loans_2018q1_ml.csv')
loans.dtypes.value_counts() # 分类统计数据类型
loans.shape(107866, 103)
同值化处理
如果一个变量大部分的观测都是相同的特征，那么这个特征或者输入变量就是无法用来区分目标时间。
loans = loans.loc[:,loans.APPly(pd.Series.nunique) != 1]
loans.shape(107866, 96)
缺失值处理——分类变量
objectColumns = loans.select_dtypes(include=["object"]).columns
loans[objectColumns].isnull().sum().sort_values(ascending=False)
loans[objectColumns]
loans['int_rate'] = loans['int_rate'].str.rstrip('%').astype('float')
loans['revol_util'] = loans['revol_util'].str.rstrip('%').astype('float')
objectColumns = loans.select_dtypes(include=["object"]).columns 我们可以调用missingno库来快速评估数据缺失的情况。
msno.matrix(loans[objectColumns]) # 缺失值可视化
从图中可以直观看出变量“last_pymnt_d”、“emp_title”、“emp_length”缺失值较多。
这里我们先用‘unknown’来填充。
objectColumns = loans.select_dtypes(include=["object"]).columns
loans[objectColumns] = loans[objectColumns].fillna("Unknown") 缺失值处理——数值变量
numColumns = loans.select_dtypes(include=[np.number]).columns
pd.set_option('display.max_columns', len(numColumns))
loans[numColumns].tail()
loans.drop([107864, 107865], inplace =True)imr = Imputer(missing_values='NaN', strategy='most_frequent', axis=0) # axis=0 针对列来处理
imr = imr.fit(loans[numColumns])
loans[numColumns] = imr.transform(loans[numColumns])这样缺失值就已经处理完。
数据过滤
print(objectColumns)
将以上重复或对构建预测模型没有意义的属性进行删除。
drop_list = ['sub_grade', 'emp_title', 'issue_d', 'title', 'zip_code', 'addr_state', 'earliest_cr_line',
'initial_list_status', 'last_pymnt_d', 'next_pymnt_d', 'last_credit_pull_d', 'disbursement_method']
loans.drop(drop_list, axis=1, inplace=True)loans.select_dtypes(include = ['object']).shape(107866, 8)
5.特征工程（Feature Engineering）
特征衍生
Lending Club平台中，"installment"代表贷款每月分期的金额，我们将'annual_inc'除以12个月获得贷款申请人的月收入金额，然后再把"installment"（月负债）与（'annual_inc'/12）（月收入）相除生成新的特征'installment_feat'，新特征'installment_feat'代表客户每月还款支出占月收入的比，'installment_feat'的值越大，意味着贷款人的偿债压力越大，违约的可能性越大。loans['installment_feat'] = loans['installment'] / ((loans['annual_inc']+1) / 12)特征抽象（Feature Abstraction）
def coding(col, codeDict):
colCoded = pd.Series(col, copy=True)
for key, value in codeDict.items():
colCoded.replace(key, value, inplace=True)
return colCoded
#把贷款状态LoanStatus编码为违约=1, 正常=0:
loans["loan_status"] = coding(loans["loan_status"], {'Current':0,'Issued':0,'Fully Paid':0,'In Grace Period':1,'Late (31-120 days)':1,'Late (16-30 days)':1,'Charged Off':1})
print( '\nAfter Coding:')
pd.value_counts(loans["loan_status"])
贷款状态可视化
loans.select_dtypes(include=["object"]).head()
首先，我们对变量“emp_length”、"grade"进行特征抽象化。
# 有序特征的映射
mapping_dict = {
"emp_length": {
"10+ years": 10,
"9 years": 9,
"8 years": 8,
"7 years": 7,
"6 years": 6,
"5 years": 5,
"4 years": 4,
"3 years": 3,
"2 years": 2,
"1 year": 1,
"< 1 year": 0,
"Unknown": 0
},
"grade":{
"A": 1,
"B": 2,
"C": 3,
"D": 4,
"E": 5,
"F": 6,
"G": 7
}
}
loans = loans.replace(mapping_dict)
loans[['emp_length','grade']].head() 
再对剩余特征进行One-hot编码。
n_columns = ["home_ownership", "verification_status", "application_type","purpose", "term"]
dummy_df = pd.get_dummies(loans[n_columns]) # 用get_dummies进行one hot编码
loans = pd.concat([loans, dummy_df], axis=1) #当axis = 1的时候，concat就是行对齐，然后将不同列名称的两张表合并
再清除掉原来的属性。
loans = loans.drop(n_columns, axis=1)loans.info()
这样，就已经将所有类型为object的变量作了转化。
col = loans.select_dtypes(include=['int64','float64']).columns
col = col.drop('loan_status') #剔除目标变量
loans_ml_df = loans # 复制数据至变量loans_ml_df特征缩放（Feature Scaling）
我们采用的是标准化的方法，调用scikit-learn模块preprocessing的子模块Standardscaler。
sc =StandardScaler() # 初始化缩放器
loans_ml_df[col] =sc.fit_transform(loans_ml_df[col]) #对数据进行标准化
特征选择（Feature Selecting）
目的：首先，优先选择与目标相关性较高的特征；其次，去除不相关特征可以降低学习的难度。
#构建X特征变量和Y目标变量
x_feature = list(loans_ml_df.columns)
x_feature.remove('loan_status')
x_val = loans_ml_df[x_feature]
y_val = loans_ml_df['loan_status']
len(x_feature) # 查看初始特征集合的数量首先，选出与目标变量相关性较高的特征。这里采用的是wrapper方法，通过暴力的递归特征消除 (Recursive Feature Elimination)方法筛选30个与目标变量相关性最强的特征，逐步剔除特征从而达到首次降维，自变量从103个降到30个。
# 建立逻辑回归分类器
model = LogisticRegression()
# 建立递归特征消除筛选器
rfe = RFE(model, 30) #通过递归选择特征，选择30个特征
rfe = rfe.fit(x_val, y_val)
# 打印筛选结果
print(rfe.n_features_)
print(rfe.estimator_ )
print(rfe.support_)
print(rfe.ranking_) #ranking 为 1代表被选中，其他则未被代表未被选中
col_filter = x_val.columns[rfe.support_] #通过布尔值筛选首次降维后的变量
col_filter
Filter
在第一次降维的基础上，通过皮尔森相关性图谱找出冗余特征并将其剔除；同时，可以通过相关性图谱进一步引导我们选择特征的方向。
colormap = plt.cm.viridis
plt.figure(figsize=(12,12))
plt.title('Pearson Correlation of Features', y=1.05, size=15)
sns.heatmap(loans_ml_df[col_filter].corr(),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True)
drop_col = ['funded_amnt', 'funded_amnt_inv', 'out_prncp', 'out_prncp_inv', 'total_pymnt_inv', 'total_rec_prncp',
'num_actv_rev_tl', 'num_rev_tl_bal_gt_0', 'home_ownership_RENT', 'application_type_joint App',
'term_ 60 months', 'purpose_debt_consolidation', 'verification_status_Source Verified', 'home_ownership_OWN',
'verification_status_Verified',]
col_new = col_filter.drop(drop_col) #剔除冗余特征
len(col_new) # 特征子集包含的变量从30个降维至15个。15
下面需要对特征的权重有一个正确的评判和排序，可以通过特征重要性排序来挖掘哪些变量是比较重要的，降低学习难度，最终达到优化模型计算的目的。这里，我们采用的是随机森林算法判定特征的重要性，工程实现方式采用scikit-learn的featureimportances 的方法。
names = loans_ml_df[col_new].columns
clf=RandomforestClassifier(n_estimators=10,random_state=123) #构建分类随机森林分类器
clf.fit(x_val[col_new], y_val) #对自变量和因变量进行拟合
for feature in zip(names, clf.feature_importances_):
print(feature)
plt.style.use('ggplot')
## feature importances 可视化##
importances = clf.feature_importances_
feat_names = names
indices = np.argsort(importances)[::-1]
fig = plt.figure(figsize=(20,6))
plt.title("Feature importances by RandomTreeClassifier")
plt.bar(range(len(indices)), importances[indices], color='lightblue', align="center")
plt.step(range(len(indices)), np.cumsum(importances[indices]), where='mid', label='Cumulative')
plt.xticks(range(len(indices)), feat_names[indices], rotation='vertical',fontsize=14)
plt.xlim([-1, len(indices)])
plt.show()
# 下图是根据特征在特征子集中的相对重要性绘制的排序图，这些特征经过特征缩放后，其特征重要性的和为1.0。
# 由下图我们可以得出的结论：基于决策树的计算，特征子集上最具判别效果的特征是“total_pymnt”。
6.模型训练
处理样本不均衡
前面已提到，目标变量“loans_status”正常和违约两种类别的数量差别较大，会对模型学习造成困扰。我们采用过采样的方法来处理样本不均衡问题，具体操作使用的是SMOTE（Synthetic Minority Oversampling Technique），SMOET的基本原理是：采样最邻近算法，计算出每个少数类样本的K个近邻，从K个近邻中随机挑选N个样本进行随机线性插值，构造新的少数样本，同时将新样本与原数据合成，产生新的训练集。
# 构建自变量和因变量
X = loans_ml_df[col_new]
y = loans_ml_df["loan_status"]
n_sample = y.shape[0]
n_pos_sample = y[y == 0].shape[0]
n_neg_sample = y[y == 1].shape[0]
print('样本个数：{}; 正样本占{:.2%}; 负样本占{:.2%}'.format(n_sample,
n_pos_sample / n_sample,
n_neg_sample / n_sample))
print('特征维数：', X.shape[1])
# 处理不平衡数据
sm = SMOTE(random_state=42) # 处理过采样的方法
X, y = sm.fit_sample(X, y)
print('通过SMOTE方法平衡正负样本后')
n_sample = y.shape[0]
n_pos_sample = y[y == 0].shape[0]
n_neg_sample = y[y == 1].shape[0]
print('样本个数：{}; 正样本占{:.2%}; 负样本占{:.2%}'.format(n_sample,
n_pos_sample / n_sample,
n_neg_sample / n_sample))
构建分类器训练
本次项目我们采用交叉验证法划分数据集，将数据划分为3部分：训练集（training set）、验证集（validation set）和测试集（test set）。让模型在训练集进行学习，在验证集上进行参数调优，最后使用测试集数据评估模型的性能。
模型调优我们采用网格搜索调优参数（grid search），通过构建参数候选集合，然后网格搜索会穷举各种参数组合，根据设定评定的评分机制找到最好的那一组设置。
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.3, random_state = 0) # random_state = 0 每次切分的数据都一样
# 构建参数组合
param_grid = {'C': [0.01,0.1, 1, 10, 100, 1000,],
'penalty': [ 'l1', 'l2']}
# C：Inverse of regularization strength; must be a positive float. Like in support vector machines, smaller values specify stronger regularization.
grid_search = GridSearchCV(LogisticRegression(), param_grid, cv=10) # 确定模型LogisticRegression，和参数组合param_grid ，cv指定10折
grid_search.fit(X_train, y_train) # 使用训练集学习算法
print("Best parameters: {}".format(grid_search.best_params_))
print("Best cross-validation score: {:.5f}".format(grid_search.best_score_))
print("Best estimator:\n{}".format(grid_search.best_estimator_)) # grid_search.best_estimator_ 返回模型以及他的所有参数（包含最优参数）
现在使用经过训练和调优后的模型在测试集上测试。
y_pred = grid_search.predict(X_test)
print("Test set accuracy score: {:.5f}".format(accuracy_score(y_test, y_pred,)))Test set accuracy score: 0.66064
print(classification_report(y_test, y_pred))
roc_auc = roc_auc_score(y_test, y_pred)
print("Area under the ROC curve : %f" % roc_auc)Area under the ROC curve : 0.660654
总结
最后结果不太理想，实际工作中还要做特征分箱处理，计算IV值和WOE编码也是需要的。模型评估方面也有不足，这为以后的工作提供了些经验。
相关阅读
最近有些小伙伴问到小编淘宝订单贷款利率是怎么算的，是多少呢，想必很多小伙伴还是特别感兴趣的吧，小编接下来就给大家讲解一下有关的
说到贷款，做生意的朋友都离不了。印象中有资金需求时都会去银行寻求贷款帮助，但事实上，直接去银行贷款并不是最好的选择。因为每家银
A5创业网(公众号:iadmin5)10月3日讯，通过招聘校园兼职的方式，让学生提供个人信息，并用学生的名义从多个网络贷款平台贷款，致使上千名
A5创业网（公众号：iadmin5）1月4日报道，北京市近日印发《北京市人民政府关于做好当前和今后一个时期促进就业工作的实施意见》，发布一系
央行副行长刘国强谈“利率两轨合一轨”：利率市场化在稳步推进，目前存贷款利率均已放开，下一步推动市场利率和贷款基准利率