Lending Club信贷违约风险分析（R语言）

数据来源

https://www.kaggle.com/wendykan/lending-club-loan-data 包含226万个样本，145个字段。

数据处理

library(rio) #导入导出数据的包
loan <- import('loan.csv')
str(loan)

查看并处理缺失值

NAcol <- which(colSums(is.na(loan))>0)  #包含缺失值的特征列序号
library(knitr) #使用其中的kable函数制表
kable(sort(colSums(sapply(loan[NAcol], is.na)),decreasing = T) )#按降序列出特征缺失值数量

特征	缺失数量
id	2260668
member_id	2260668
url	2260668
orig_projected_additional_accrued_interest	2252242
deferral_term	2250055
hardship_amount	2250055
hardship_length	2250055
hardship_dpd	2250055
hardship_payoff_balance_amount	2250055
hardship_last_payment_amount	2250055
settlement_amount	2227612
settlement_percentage	2227612
settlement_term	2227612
sec_app_mths_since_last_major_derog	2224726
sec_app_revol_util	2154484
revol_bal_joint	2152648
sec_app_inq_last_6mths	2152647
sec_app_mort_acc	2152647
sec_app_open_acc	2152647
sec_app_open_act_il	2152647
sec_app_num_rev_accts	2152647
sec_app_chargeoff_within_12_mths	2152647
sec_app_collections_12_mths_ex_med	2152647
dti_joint	2139962
annual_inc_joint	2139958
mths_since_last_record	1901512
mths_since_recent_bc_dlq	1740967
mths_since_last_major_derog	1679893
mths_since_recent_revol_delinq	1520309
mths_since_last_delinq	1158502
il_util	1068850
mths_since_rcnt_il	909924
all_util	866348
open_acc_6m	866130
total_cu_tl	866130
inq_last_12m	866130
open_act_il	866129
open_il_12m	866129
open_il_24m	866129
total_bal_il	866129
open_rv_12m	866129
open_rv_24m	866129
max_bal_bc	866129
inq_fi	866129
mths_since_recent_inq	295435
num_tl_120dpd_2m	153657
mo_sin_old_il_acct	139071
bc_util	76071
percent_bc_gt_75	75379
bc_open_to_buy	74935
mths_since_recent_bc	73412
pct_tl_nvr_dlq	70431
avg_cur_bal	70346
mo_sin_old_rev_tl_op	70277
mo_sin_rcnt_rev_tl_op	70277
num_rev_accts	70277
tot_coll_amt	70276
tot_cur_bal	70276
total_rev_hi_lim	70276
mo_sin_rcnt_tl	70276
num_accts_ever_120_pd	70276
num_actv_bc_tl	70276
num_actv_rev_tl	70276
num_bc_tl	70276
num_il_tl	70276
num_op_rev_tl	70276
num_rev_tl_bal_gt_0	70276
num_tl_30dpd	70276
num_tl_90g_dpd_24m	70276
num_tl_op_past_12m	70276
tot_hi_cred_lim	70276
total_il_high_credit_limit	70276
num_bc_sats	58590
num_sats	58590
acc_open_past_24mths	50030
mort_acc	50030
total_bal_ex_mort	50030
total_bc_limit	50030
revol_util	1802
dti	1711
pub_rec_bankruptcies	1365
collections_12_mths_ex_med	145
chargeoff_within_12_mths	145
tax_liens	105
inq_last_6mths	30
delinq_2yrs	29
open_acc	29
pub_rec	29
total_acc	29
acc_now_delinq	29
delinq_amnt	29
emp_title	10
annual_inc	4
title	1

由上表看到，特征的缺失值数量有明显的断层，86W以上的直接删除变量，30W以下的删除掉含有缺失值的样本。

loan<-loan[,which(colSums(is.na(loan))<500000)]
loan <- loan[which(rowSums(is.na(loan))==0),]

还剩下101个变量，一般的评分模型或预测模型最终使用的变量再15~20个左右。那么对结果无影响的变量可以剔除。最终挑选以下变量做分析。

字段	释义
term	还款周期
loan_amnt	贷款金额
int_rate	贷款利率
installment	月还款额
grade	用户等级（影响额度及利率）
emp_length	工作年限
home_ownership	房产状态（包括租赁、抵押、拥有、其他）
annual_inc	年收入（用户提供）
verification_status	年收入是否经过核实
loan_status	贷款状态（需要预测的变量）
addr_state	州（区域特征）
dti	负债收入比（（月还款/总负债）/月收入）
delinq_2yrs	两年内逾期30天以上次数
inq_last_6mths	近六个月征信查询次数
open_acc	未结清贷款数量
revol_util	可用贷款使用率
out_prncp	未还本金总额
total_pymnt	已还金额
total_rec_int	已还利息（包含在已还金额中）
acc_now_delinq	有欠款的账户数
tot_coll_amt	欠款总额
tot_cur_bal	所有账户总欠款额
acc_open_past_24mths	24个月内申请量
mo_sin_old_il_acct	第一次申请距今时间（月）
mo_sin_rcnt_tl	最后一次申请距今时间（月）
mths_since_recent_inq	最近一次征信查询（月）
mort_acc	抵押账户数量
num_actv_bc_tl	有效银行卡数量
num_actv_rev_tl	活跃的循环交易次数
num_tl_op_past_12m	过去12个月开设的账户数
pct_tl_nvr_dlq	无拖欠行为交易占比
tot_hi_cred_lim	最高额度
debt_settlement_flag	是否与债务清算公司合作

生成新的数据集

loan <- loan[,c("term","loan_amnt","int_rate","installment","grade","emp_length","home_ownership","annual_inc","verification_status","loan_status","addr_state","dti","delinq_2yrs","inq_last_6mths","open_acc","revol_util","out_prncp","total_pymnt","total_rec_int","acc_now_delinq","tot_coll_amt","tot_cur_bal","acc_open_past_24mths","mo_sin_old_il_acct","mo_sin_rcnt_tl","mths_since_recent_inq","mort_acc","num_actv_bc_tl","num_actv_rev_tl","num_tl_op_past_12m","pct_tl_nvr_dlq","tot_hi_cred_lim","debt_settlement_flag")]
strt(loan)

特征工程

1，term和emp_length的值都是字符串，提取其中的数字，并转换为因子变量
emp_length值为n/a的按0处理，<1 year 按照1 year处理，10+years按照10years处理。

library(stringr) #数据处理
library(ggplot2) #绘图
loan$term <- as.factor(str_extract(loan$term,'\\d+')) #提取term字符串中的数字
loan$emp_length[loan$emp_length == 'n/a' ] <- 0
loan$emp_length <- as.factor(str_extract(loan$emp_length,'\\d+'))

2，

library(plyr)
loan$grade <- mapvalues(loan$grade,c('A','B','C','D','E','F','G'),c('1','2','3','4','5','6','7'))
loan$grade <- as.factor(loan$grade)

Lending Club信贷违约风险分析（R语言）相关推荐

Lending Club贷款违约预测
目录项目简介及目标数据概览 2.1数据来源 2.2数据结构图 2.3数据变量表 2.4离散型数据分布 2.5连续型数据分布数据处理及特征选择 3.1目标值量化 3.2删除字段 3.3缺失值处理 ...
R语言基于决策树的银行信贷风险预警模型
引言我国经济高速发展,个人信贷业务也随着快速发展,而个人信贷业务对提高内需,促进消费也有拉动作用.有正必有反,在个人信贷业务规模不断扩大的同时,信贷的违约等风险问题也日益突出,一定程度上制约着我国 ...
R语言用CPV模型的房地产信贷信用风险的度量和预测
全文链接:http://tecdat.cn/?p=30401 本文基于 CPV 模型, 对房地产信贷风险进行了度量与预测.我们被客户要求撰写关于CPV模型的研究报告(点击文末"阅读原文&qu ...
R语言使用cmprsk包的crr函数进行生存资料的多因素竞争风险分析（Competing Risks Regression）
R语言使用cmprsk包的crr函数进行生存资料的多因素竞争风险分析(Competing Risks Regression) 目录
分类树/装袋法/随机森林算法的R语言实现
原文首发于简书于[2018.06.12] 本文是我自己动手用R语言写的实现分类树的代码,以及在此基础上写的袋装法(bagging)和随机森林(random forest)的算法实现.全文的结构是: 分 ...
R语言 RevoScaleR的大规模数据集决策树模型应用案例
RevoScaleR中的rxDTree函数使用基于分类的递归分区算法来拟合基于树的模型得到的模型类似于推荐的ř包rpart包产生的模型支持分类型树和回归型树.; 与rpart包一样,差异由响应变量的性 ...
基于Python对Lending Club信贷业务数的分析
项目背景作为旧金山的一家个人对个人的借贷公司,Lending Club成立于2006年.他们是第一家注册为按照美国证券交易委员会SEC(Securities and Exchange Commiss ...
Lending Club贷款数据分析
python信用评分卡(附代码,博主录制) https://study.163.com/course/introduction.htm?courseId=1005214003&utm_camp ...
R语言CART决策树、随机森林、chaid树预测母婴电商平台用户寿命、流失可视化
全文链接:http://tecdat.cn/?p=31644 借着二胎政策的开放与家庭消费升级的东风,母婴市场迎来了生机盎然的春天,尤其是母婴电商行业,近年来发展迅猛(点击文末"阅读原文&q ...

Lending Club信贷违约风险分析（R语言）

数据来源

数据处理

特征工程

Lending Club信贷违约风险分析（R语言）相关推荐

最新文章

热门文章