最重要的事情開始都會講：建模是始終服務於業務的，沒有業務的評分卡就沒有靈魂
#drop_list不滿足條件列表
drop_list=
#對變數單一值進行檢測，比例大於等於0.95，放入不滿足條件列表，最後扔掉
for col in adata.columns:
percent = adata[col].value_counts().max()/float(len(adata))
if percent>=0.95:
print( ("the {} is not useful, please delete".format(col)))
adata.drop(drop_list,axis =1,inplace=true)
#檢視缺失值比例
check_null = adata.isnull().sum(axis=0).sort_values(ascending=false)/float(len(adata))
#設定非缺失值比例
thresh_count=0.5
#如果非缺失值大於0.5，則保留，否則，該比例按量其中
#需要注意的是，這是指非缺失值，如果非缺失值thresh_count 為 0.6，則如果非缺失（0.6）也就是缺失小於0.4，才會保留
adata = adata.dropna(thresh=thresh_count, axis=1)
def makeupmissing(x):
if np.isnan(x):
return -1.0
else:
return x
#對資料中的缺失值進行-1補充
for i in num_features:
adata[i] = adata[i].map(lambda x:makeupmissing(x))
cat_features = list(adata.select_dtypes(include=["object"]).columns) #找到列相關資訊
num_features = list(adata.select_dtypes(include=["float64","int64"]).columns)
#id_first2指的是身份證前兩位
adata['id_first2'] = adata['id_first2'].map(lambda x:str(x))
最重要的事情最後都會講：建模是始終服務於業務的，沒有業務的評分卡就沒有靈魂
風控建模整體流程
1.確定建模目的 在信貸領域中建立風控模型是為了找出可能會逾期的客戶，根據逾期的可能性和資金的鬆緊程度選擇是否放貸。在支付領域建立風控模型是為了找出可能存在非法經營的商戶，保證商戶沒有違法經營。2.確定好壞樣本邏輯 在信貸領域中逾期大於x期 不同公司取值不同 的客戶定義為壞客戶 1 從未逾期的客戶定...
PART 2 2 風控建模前資料預處理 清洗
最重要的事情開始都會講 建模是始終服務於業務的，沒有業務的評分卡就沒有靈魂 廣義資料預處理包括 資料清洗，資料整合 使用者基礎資料，外部第三方資料，埋點資料 資料變換 woe 型別 4 時間格式 5 中文資料 若干函式用法 1 重複值 duplicated函式用來查詢並顯示資料表中的重複值 dupl...
python風控建模實戰lendingClub
博主原創錄製 作者toby 持牌照消費金融模型專家，和中科院，中科大教授保持長期專案合作 和同盾，聚信立等外部資料來源公司有專案對接。熟悉消費金融場景業務，線上線下業務，包括現金貸，商品貸，醫美，反欺詐，汽車金融等等。模型專案200 擅長python機器學習建模，對於變數篩選，衍生變數構造，變數缺失...