data.columns

数值变量如下：

• 年龄-客户的年龄
• 工作经验
• 收入-年收入（元）
• CCAvg-平均信用卡消费
• 抵押-房屋抵押价值

---

---

# 文件中没有列有空数据
data.apply(lambda x : sum(x.isnull()))

# 对数据进行目测
data.describe().transpose()

两两变量散点图

• 年龄 特征通常是分布的，大多数客户年龄在30岁到60岁之间。
• 经验 大多分布在8年以上经验的客户。这里的 平均值 等于中 位数。有负数 。这可能是数据输入错误，因为通常无法衡量负面的工作经验。我们可以删除这些值，因为样本中有3或4条记录。
• 收入出现 正偏斜。大多数客户的收入在45,000到55K之间。我们可以通过说平均值 大于 中位数来确认这一点 
• CCAvg 也是一个正偏变量，平均支出在0K到10K之间，大多数支出不到2.5K
• 抵押 70％的人的抵押贷款少于4万。但是最大值为635K
• 家庭和教育变量是序数变量。家庭分布均匀

data\[data\['Experience'\]&nbsp;<&nbsp;0\]\['Experience'\].count()

52

#清理负数变量
dfExp = data.loc\[data\['Experience'\] >0\]
data.loc\[negExp\]\['ID'\].tolist() # 得到有负数经验的客户ID

有52条负面经验的记录

以下代码执行以下步骤：

• 对于具有ID的记录，获取Age column的值 
• 对于具有ID的记录，获取Education column的值 
• 从具有正数经验的记录的数据框中过滤符合以上条件的记录，并取中位数
• 将中位数填充原本负数经验的位置

data.loc\[np.where(\['ID'\]==id)\]\["Education"\].tolist()\[0\]
df_filtered\['Experience'\].median()

# 检查是否有负数经验的记录
data\[data\['Experience'\]&nbsp;<&nbsp;0\]\['Experience'\].count()

0

收入和教育对个人贷款的影响

推论 ：从上图可以看出，没有个人贷款的客户和拥有个人贷款的客户的抵押贷款较高。

观察 ：大多数没有贷款的客户都有证券账户

观察：家庭人数对个人贷款没有任何影响。但是似乎3岁的家庭更有可能借贷。考虑未来的推广活动时，这可能是一个很好的观察结果。

观察：没有CD帐户的客户，也没有贷款。这似乎占多数。但是几乎所有拥有CD帐户的客户也都有贷款

观察：该图显示有个人贷款的人的信用卡平均费用更高。平均信用卡消费中位数为3800元，表明个人贷款的可能性更高。较低的信用卡支出（中位数为1400元）不太可能获得贷款。这可能是有用的信息。

观察 上图显示与经验和年龄呈正相关。随着经验的增加，年龄也会增加。颜色也显示教育程度。四十多岁之间存在差距，大学以下的人也更多

# 与热图的关联性

corr = data.corr()
plt.figure(figsize=(13,7))
# 创建一个掩码，以便我们只看到一次相关的值

a = sns.heatmap(corr,mask=mask, annot=True, fmt='.2f')

观察

• 收入和CCAvg呈中等相关。
• 年龄和工作经验高度相关

sns.boxplot

看下面的图，收入低于10万的家庭比高收入的家庭更不可能获得贷款。

应用模型

将数据分为训练集和测试集

train\_labels = train\_set
test\_labels = test\_set

决策树分类器

DecisionTreeClassifier(class_weight=None, criterion='entropy', ...)

dt_model.score

0.9773333333333334

dt\_model.predict(test\_set)

预测

array(\[0, 0, 0, 0, 0\])

查看测试集 

test_set.head(5)

朴素贝叶斯

naive\_model.fit(train\_set, train_labels)
naive_model.score

0.8866666666666667

随机森林分类器

RandomForestClassifier(max\_depth=2, random\_state=0)

Importance.sort_values

randomforest\_model.score(test\_set,test_labels)

0.8993333333333333

KNN（K-最近邻居）

data.drop(\['Experience' ,'ID'\] , axis = 1).drop(labels= "PersonalLoan" , axis = 1)
train\_set\_dep = data\["PersonalLoan"\]

acc = accuracy\_score(Y\_Test, predicted)
print(acc)

0.9106070713809206

模型比较

for name, model in models:
    kfold = model\_selection.KFold(n\_splits=10)
    cv\_results = model\_selection.cross\_val\_score(model, X, y, cv, scoring)


# 箱线图算法的比较
plt.figure()

结论

通用银行的目的是将负债客户转变为贷款客户。他们想发起新的营销活动；因此，他们需要有关数据中给出的变量之间的有联系的信息。本研究使用了四种分类算法。从上图可以看出，随机森林 算法似乎 具有最高的精度，我们可以选择它作为最终模型。