Python｜银行贷款违约预测（逻辑回归案例-Part2），下面是数据分析与可视化给大家的分享，一起来看看。
贷款问题 数学建模
由于文中包含代码，建议在电脑端阅读此文
前文《Python | 银行贷款违约预测（逻辑回归案例-Part1）》已经就该案例的背景做了介绍，并且给出了数据预处理过程及相应的代码。本文将进一步介绍建模的过程，并且将会给出添加了注释的完整代码与案例使用的数据集，方便感兴趣的朋友在自己的电脑上进行测试。
前文介绍的主要是数据预处理部分，这里开始建模：
# 导入逻辑回归需要使用的Python模块from sklearn.linear_model import LogisticRegression# 开始构建一个逻辑回归模型model = LogisticRegression# 模型以X_train,y_train为输入数据进行训练model.fit(X_train,y_train)# 导入相应的模块来查看预测的准确率from sklearn.metrics import accuracy_score# 打印针对测试集而言的准确率print(accuracy_score(y_test,model.predict(X_test)))0.819047619048
以上训练得到的模型对测试集而言，预测准确率为81.9%，
进一步可以使用训练得到的模型对新申请贷款的人的违约风险进行预测
model.predict(predict_data.drop(['ID','违约'],axis=1))将得到如下结果（这里的0和1分别代表违约和不违约，依次显示的是对150名新的贷款申请者的违约预测结果）：
array([0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0], dtype=int64)完整代码如下，案例数据见阅读原文
# 导入需要使用的库import pandas as pdfrom sklearn.cross_validation import train_test_splitfrom sklearn.linear_model import LogisticRegressionfrom sklearn.metrics import accuracy_score# 导入并处理数据bankloan = pd.read_csv("./data/bankloan.csv")# 将教育变量转换成二分类变量，并删除原有多分类变量bankloan = pd.concat([bankloan,pd.get_dummies(bankloan.教育,drop_first=True)],axis=1).drop(['教育'],axis=1)# 提取建模用数据model_data = bankloan[:700]# 提取需要进行预测的数据predict_data = bankloan[700:]# 定义一个函数对因变量进行重新编码，编程成数值型，即0和1def coding(col, codeDict): colCoded = pd.Series(col, copy=True)for key, value in codeDict.items: colCoded.replace(key, value, inplace=True)return colCoded# 是=1, 否=0:model_data["违约"] = coding(model_data['违约'], {'否':0,'是':1})# 将自变量与因变量分开X,y = model_data.drop(['违约','ID'],axis=1),model_data[['违约']]# 随机抽取训练集与测试集X_train, X_test, y_train, y_test =train_test_split(X,y,test_size = 0.3,random_state = 10)# 开始构建一个逻辑回归模型model = LogisticRegression# 模型以X_train,y_train为输入数据进行训练model.fit(X_train,y_train)# 打印针对测试集而言的准确率print(accuracy_score(y_test,model.predict(X_test)))# 使用训练得到模型对这些新申请贷款的人的违约风险进行预测model.predict(predict_data.drop(['ID','违约'],axis=1))更多有关sklearn包的介绍和使用，请访问官方文档：
http://scikit-learn.org/
注：微信内打开百度网盘链接，可能会被提示说，找不到链接，使用其它浏览器打开即可。
金融数学建模题目
河南暴雨牵动着全国人民的心。有这样一群青年人，他们自发组织收集求助信息和援助情况，汇总成一个不断扩容的在线文档——《待救援人员信息》，让他们被更多人看到。
据统计，24小时内这份文档更新270多版，已有超250万条信息汇集于此。
有破羊水亟待分娩的被困孕妇通过这个文档被成功送往医院，在暴雨中迎接新生命；
有被困在车里一天没喝水喝奶的小宝宝得到了救助；
有84岁的耄耋老人被成功救援；
还有众多缺水缺物资的市民通过这个文档找到了可以避灾的店铺，买到了应急物资......
在一群志愿者的齐心协力下，这个在线文档变成了一个巨大的信息中转站，成为和时间赛跑的工具，更是受灾人民心中的希望，可以抱团取暖的地方。
而它的发起人，正是上海财经大学金融学院一名河南籍2021级研究生——李睿。20日晚上，她在朋友圈发出呼吁，随即便有多名校友加入其中，逐渐这支队伍扩充到30多人。据悉，这支志愿者队伍中，大多是青年学生，不乏00后。他们来自天南海北。
电视剧《觉醒年代》中，北大教授辜鸿铭说，中国人的最大特点是骨子里的温良。这些青年志愿者们用自己的行动在诠释着这份美德。来自上海财经大学的00后学生志愿者说，“危难时更懂得什么叫同胞，灾难面前人如蚂蚁一般渺小，但永远有勇敢无畏的人愿意站出来。风雨同舟，我们愿意为河南老乡出一份力！”
“我想帮一下大家”
“郑州暴雨！一小时雨量，相当于106个西湖倒入！”看到微博上的各种暴雨、求救信息，身为河南人的李睿决定要做点什么。
梳理思路后，很快，她发了一条朋友圈号召救援：1、整理网上的各种求救信息，判断优先级；2、同步联系被困人员和求救人员；3、跟进后续救援情况；4、搜集新的救援联系方式。
这条呼吁很快在同学中得到了响应。上海财经大学2021届毕业生小鲸（化名）便是其中之一。晚上九点，正在山东老家的她从手机上刷到消息了河南暴雨的消息。随即，她便在学妹的朋友圈看到了这条呼吁：召集志愿者，扫码入群。最初群里只有9名志愿者，但是很快人数便扩充到了33人。身在福建的上海财经大学2018级本科生林浩宇也通过朋友圈看到了这条消息，他毫不犹豫加入其中。
最初，团队最开始想用Excel（表格），为了最大程度提供实时信息，达到多人在线编辑，最终敲定了在线文档。经过团队头脑风暴，晚上八点五十七分，李睿创建了文档并敲下第一行字：求救人员信息，救援人员信息。
在李睿的分工下，志愿者被分在不同小组，线上组负责搜集信息、核实信息等。线下组主要是河南当地志愿者，其中还有志愿车队，负责联系待救援对象，及时提供帮助。即使是信息搜集组，成员也有不同分工，有的负责更新表格、有的负责核实信息。
李睿介绍，信息主要是从微博微信实时搜索整理到文档里。难点在于，信息重复率很高，而且需要核实信息的真实性和准确性。而后有团队成员建议用网络爬虫（Python）收集，提高效率。从提出意见到执行仅花费5-10分钟。所有志愿者的双手都无形中紧紧相握。
林浩宇记得，很多求救者心情焦急，在信息中往往未标全求救地点。作为外地志愿者，他们只能先初步整理投入群里，再由本地志愿者确认地点，最终输入在线文档。“好在志愿者们齐心协力，大家都很耐心地梳理信息，尽量保证信息准确。”林浩宇回忆，当晚他从晚上八点开始，一直搜索到深夜十一点，第二天一早他便从九点搜索到下午一点。求救信息填入文档后，志愿者们还需要继续通过网络搜索核实对方有无接受救助。“据我所知，很多同学都熬了大夜。”
为了提高效率，李睿介绍，后来团队联系到了专门的志愿服务组织和救援机构。“我们建了专门的救援群，把文档投到群里，让他们根据信息来判断是否可以去救援。后续很多媒体的工作者也加入进来整理信息。”如今，这个在线文档已由专业团队打理，不仅有了首页，还增添了医疗信息栏、孕妇生产指南、郑州可充电地点等信息。救助者和受灾者可以在其中迅速对接。
一声声来自受灾者的回复，是最好的礼物
21日晚上九点五十六分三十五秒，文档创建的第一个小时，表格已经更新了12版。小鲸从网络上看到一位即将分娩的孕妇发出的求救信息。当时这名孕妇已经破水、即将分娩急需120救助。
“我当时真的很难过，一个新生命很有可能会因为这场暴雨而无法来到人世间，这位准妈妈一定非常绝望，很多人帮忙转发这条消息。”小鲸回忆，看到信息后，她立刻将信息誊到表格里。“后续看到这名孕妇已经获救了，也就放心了。”填入的种种求救信息里，最让她揪心的当属一名环卫工人。她从微博看到一位环卫工人环抱在大树上，手机被泡在水里，身下的水马上就要漫上来了，是从桥上路过的女生帮忙发微博、联系救援。但无奈当时一直打不通救援电话。直到现在她仍然心系这位工人的情况。
让林浩宇印象深刻的是郑州大学第一附属医院停电停水的求救信息。看到这条消息后，他立刻填入在线文档。“我不知道有没有其他志愿者重复填写了这项信息，但管不了这么多，看到求救信息，迅速核实，迅速填入，才会让更多受灾者被看到。”
到在线文档发布的第八个小时，表格上出现了许多振奋人心的消息：
“我们的救援队到了”
“制氧机来了”
“发电机有消息了”
......
“已成功救援”、“问题已经不大”开始一个个出现。看到这些消息，志愿者们都感到兴奋极了！
李睿回忆，自己在晚上的10点38分给求救者发去第一条短信确认救援情况，一直到凌晨一点零八分她终于得到回复：已经得到救援，谢谢辛苦你们了！简单一句话，却让李睿泪目。后续，她负责与50组求救者对接救助情况，她说，这一声声来自受灾者的回复，是最好的礼物。
林浩宇表示，自己之所以加入这支志愿者队伍，正是因为武汉疫情期间，“那种什么忙都帮不上的无力感真的很折磨人”。小鲸也说，自己泪点很低，看到捐款捐物救援的消息总会热泪盈眶。“我的家乡在18年也遭遇过洪灾，我们很感谢当年的救援人员和捐助物资的人们，希望在天灾人祸面前大家都能尽自己所能互相帮助。河南挺住！一定行！”
招牌课有了用武之地，立志做对社会有贡献的人
记者了解到，上海财大的几位学生志愿者来自金融学院。他们表示，这次整理组织待救援人员信息离不开专业知识的帮助。“平时课堂上学到的知识，比如制表，爬虫等没想到在急救中可以发挥如此大的作用！”他们都没料到，这次志愿活动可以发展成如此规模，可以帮助到这么多受灾群众。他们打心底里自豪，也打心底里感到满足。
据悉，上海财经大学有一门招牌课《经济管理中的计算机应用》。主要内容，就是深度发掘excel各种鲜为人知的功能，用表格建模解决上天入地各种问题。记者了解到，发起人李睿，正是金融学院制作表格、擅长数学建模的“大神”。
记者从学院了解到，李睿平时非常低调朴素。辅导员本人也是从腾讯刷屏的报道中猜测，manto可能就是李睿。辅导员在22日凌晨十二点四十发来消息确认，李睿在凌晨3点半才有空回复“确实，是我”。那时，她已经连续“作战”，熬了个大夜。
无论从老师还是校友的口中，他们对李睿的评价都是“优秀！”即使在学霸如云的实验班，一直保持高度自律、高效学习的李睿仍在大三获得综评第一名，不仅是学校“十佳”同学，还获得了本校保研的资格。
优异的学业成绩之外，她还是同学心中热心公益、乐于助人的知心“小姐姐”。
她不仅担任了新生辅导员助理，帮助新生快速适应大学生活，还主动帮助同学解决学业难题。“无论是学习上的困难，还是学生会中遇到的挫折，学姐总是不吝帮忙。”林浩宇说，最初与李睿相识，两人并非在学生会同一部门，但他遇到文案写作上的难题，学姐总是愿意帮忙修改。凭借优秀的组织能力，李睿本科期间还当选了学生会主席。
在微博上，李睿记录下自己的心路历程。她说，“这次家乡灾难给我的就业启示：要做一个能对社会有贡献有价值的人。”
作者：吴金娇
编辑：储舒婷
图片：微博截图、校方供图、网络截图等
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信，我们会及时处理和回复。
原文地址"贷款问题 数学建模（金融数学建模题目）"：http://www.ljycsb.cn/dkzs/118525.html。
微信扫描二维码投放广告
▲长按图片识别二维码
