【forage】JPMorgan免费量化项目速通 part4完结(已附python源代码)-优快云博客

本文链接：https://blog.youkuaiyun.com/yiny37/article/details/147009796

使用动态规划将FICO分数转换为分类数据，以预测违约情况。

import pandas as pd
file_path_second = 'C:/Users/冰火人/Desktop/项目/Task 3 and 4_Loan_Data.2.csv'
try:
    # 尝试读取文件，假设文件是CSV格式
    data_second = pd.read_csv(file_path_second)
except Exception as e:
    # 如果读取失败，输出错误信息
    error_message_second = str(e)

# 如果成功读取，展示前几行数据；如果失败，展示错误信息
if 'data_second' in locals():
    preview_second = data_second.head()
else:
    preview_second = error_message_second

preview_second

import numpy as np

# 假设我们选择5个评级
num_ratings = 5

# 提取FICO分数数据
fico_scores = data_second['fico_score'].dropna().astype(int)  # 确保FICO分数是整数且没有缺失值

# 计算FICO分数的边界（使用等频分箱方法）
# 这里我们使用numpy的percentile函数来计算分位数，以确保每个桶中的记录数大致相等
percentiles = np.linspace(0, 100, num_ratings + 1)[1:-1]  # 排除0%和100%
fico_boundaries = np.percentile(fico_scores, percentiles)

# 输出FICO分数的边界
fico_boundaries.tolist()

# 创建评级映射函数
def map_fico_to_rating(fico_score, boundaries):
    for i, boundary in enumerate(boundaries):
        if fico_score <= boundary:
            return i + 1  # 评级从1开始
    return len(boundaries) + 1  # 如果FICO分数大于所有边界，则分配到最高评级

# 应用评级映射函数
data_second['rating'] = data_second['fico_score'].apply(lambda x: map_fico_to_rating(x, fico_boundaries))

# 计算每个评级的平均FICO分数和违约率
rating_summary = data_second.groupby('rating').agg({
    'fico_score': 'mean',
    'default': lambda x: (x == 1).mean()  # 违约率，即默认值为1的比例
}).reset_index()

# 重命名列以便理解
rating_summary.columns = ['rating', 'average_fico_score', 'default_rate']

rating_summary

大概项目速通完后会有一个免费证书可以领取。