银行客户贷款行为数据挖掘与分析

#1024程序员节 | 征文#

在新时代下，消费者的需求结构、内容与方式发生巨大改变，企业要想获取更多竞争优势，需要借助大数据技术持续创新。本文分析了传统商业银行面临的挑战，并基于knn、逻辑回归、人工神经网络三种算法 ，对银行客户的贷款需求进行分析。最后，使用KMeans聚类算法 进行客群分析，绘制出雷达图、t-SNE散点图、柱状图，多方面展现客户贷款行为。

前言

1、研究背景

银行主要业务包括:资产业务、负债业务、中间业务。其中资产业务主要是指贷款业务，并且它也是银行目前主要的收入来源。同时，随着互联网金融的兴起，一些客户向线上交易方式转移，国有银行的垄断地位开始动摇，其原因主要是这些互联网金融机构利用大数据、云计算、区块链、人工智能、物联网等技术，将其应用在很多应用场景中，包括智能投研、智能投顾、智能客服、智能营销、智能风控、银行云等，这些技术的作用不只是扩大客户的融资需求，还可以用于风险控制、项目评估等方面，达到利益与风险相均衡的状态。为扭转这一局面，传统银行业开始转型升级，与互联网领域融合，优化盈利模式。

2、影响客户贷款需求的因素

⑴客户基本信息

分析贷款客户的年龄、婚姻状况、教育水平、职业等特征，针对这些客户的特征进行分类，对每一类客户群体做出不同的营销方案。

如图1-1、1-2所示，从年龄上分析，进入银行办理业务的客户年龄大多集中在25-65岁之间，而具有贷款需求的客户的年龄分布与之相一致，同时，贷款客户占银行客户总人数的16.03%，说明贷款业务有很大的市场潜力，可以通过一些措施来激发客户的贷款需求。

复制代码

import matplotlib.pyplot as plt
#设置字体
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.hist(o_data.loc[o_data['loan']=='yes','age'].values,color='red',label='y',range=(10,80),alpha=0.1)
plt.hist(o_data.loc[o_data['loan']=='no','age'].values,color='green',label='n',range=(10,80),alpha=0.1)
plt.xlabel('年龄')
plt.ylabel('人数')
plt.title('银行客户的年龄分布')
plt.legend(['y','n'])
plt.show()

图1-1 银行客户的年龄分布图

复制代码

u,c=np.unique(np.array(data['loan']).astype(np.str),return_counts=True,axis=0)
#种类对应的个数
num=list(c)
#设置字体
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.pie(num,labels=['no', 'yes'],autopct='%1.2f%%') #绘制饼图，百分比保留小数点后两位
plt.title('贷款百分比饼图')
plt.show()

图1-2 贷款百分比饼图

如图1-3所示，从职业上分析，银行客户的职业大多集中在蓝领、银行人员、服务业从事人员、技术人员，而职业为蓝领的客户贷款可能性最大。

图1-3 银行客户的职业分布图

如图1-4所示，从受教育水平上分析，大部分银行客户的受教育水平处在中等、高等教育水平，有一小部分客户的受教育水平未知。

复制代码

import seaborn as sns
from matplotlib import pyplot as plt
#教育水平
fig, ax = plt.subplots(figsize=(8,6))
ax = sns.countplot(x=data.education,hue=data.loan,palette="Set1")

图1-4 客户受教育水平的分布图

如图1-5所示，从婚姻状况上分析，各种情况的人数占比都差不多，其中，已婚和离婚的客户人数较多。

复制代码

dataY=data.loc[data['loan']=='yes',:]
a=round(dataY.loc[dataY['marital']=='single','marital'].count()/data.loc[data['marital']=='single','marital'].count(),2)
b=round(dataY.loc[dataY['marital']=='married','marital'].count()/data.loc[data['marital']=='married','marital'].count(),2)
c=round(dataY.loc[dataY['marital']=='divorced','marital'].count()/data.loc[data['marital']=='divorced','marital'].count(),2)
print(a,b,c)
l=[0.13,0.17,0.18]

plt.bar(['single', 'married', 'divorced'],l)
plt.xlabel('婚姻状况')
plt.ylabel('贷款人数/总人数')
plt.title('银行贷款客户的婚姻状况分布')
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.show()

⑵业务情况

与业务情况相关的因素，主要包括与客户的交流方式、交流次数、客户的账户平均余额，通过对这一方面的分析，可以制定出贷款方案，以更大程度的满足客户需求，同时，通过对客户交易情况的了解，将信息推送限制在一定范围内，给客户带来银行交易的愉悦感，增强与客户之间的信任。

如图1-6、1-7、1-8所示，从账户平均余额上分析，客户的贷款金额较小，大多集中在0-3000元之间，高端客户资源稀少。从与客户办理业务时的交流方式上分析，大部分客户使用手机进行信息咨询。从交流次数上分析，与客户的交流次数大多集中在1-5次之间。

复制代码

plt.rcParams['font.sans-serif'] = 'SimHei'
plt.hist(data['balance'],color='blue',label='y',range=(0,15000),alpha=0.1)
plt.xlabel('账户平均余额')
plt.ylabel('人数')
plt.title('银行客户的账户平均余额分布')
plt.show()

复制代码

#把异常值用均值代替
mean=round(data.iloc[:,14].describe()[1],0)
data.loc[data[:]['previous']>250,'previous']=mean
data.loc[data[:]['previous']==0,'previous']=mean
data[:]['previous']=data[:]['previous'].astype('int64')

#交流次数
dataY=data.loc[data['loan']=='yes',:]
fig, ax = plt.subplots(figsize=(10,6))
ax =sns.countplot(x='previous',data=dataY.loc[dataY['previous']<30,:],palette="Set1")

图1-8 交流次数分布图

数据预处理

1、筛选有效特征

如图1-9、1-10所示，由于原始数据的列数过多，考虑到在构建模型阶段可能会浪费很多的时间，因此，我们用逻辑回归分析方法对数据进行筛选，删除不必要的列，最后筛选出job、material、education、balance、housing、contact、previous、loan这几列，经过评估，模型的平均正确率为0.8438。

复制代码

data.corr()

复制代码

data=data.loc[:,['job','marital','education','balance','housing','contact','previous','loan','age','default']]

图1-9 原始数据

图1-10 筛选后数据

2、连续型数据的处理

如图1-10所示，使用info()方法来查看每一列的数据类型，其中，balance、previous这两列属于连续型数据。这类数据的处理方法是通过绘制箱线图，查看是否存在异常值，如果存在，需要利用describe()查看该列的均值，用均值替换掉异常值。

复制代码

#连续型数据的处理
import matplotlib.pyplot as plt
#设置字体
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.boxplot(data.iloc[:,3]) #绘制饼图，百分比保留小数点后两位
plt.title('账户余额箱线图')
plt.show()

复制代码

#把异常值用均值代替
mean=round(data.iloc[:,3].describe()[1],0)
data.loc[data[:]['balance']>100000,'balance']=mean
data.loc[data[:]['balance']==0,'balance']=mean

3、离散型数据的处理

构造如下函数来处理离散型数据，首先要查看所在列中的值的种类数，并创建一个连续的数组，然后将该列的所有数据用数据进行替换，并将数据类型转成int64。

复制代码

def replaceData(df):

    count=data[df].describe()[1]

    l=[]

    for i in range(0,count):

        l.append(str(i))

     data[df].replace(np.unique(data[df]),l,inplace=True)

     data[df]=data[df].astype('int64')

#数据离散化
l=[]
for i in range(0,10):
    l.append(str(i))
print(l)
data['job'].replace(['blue-collar', 'entrepreneur', 'housemaid', 'management',
       'retired', 'self-employed', 'services', 'student', 'technician',
       'unemployed'],l,inplace=True)

#把离散数据转成连续型
def replaceData(df):
    count=data[df].describe()[1]
    l=[]
    for i in range(0,count):
        l.append(str(i))
    data[df].replace(np.unique(data[df]),l,inplace=True)

replaceData('marital')
replaceData('education')
replaceData('default')
replaceData('housing')
replaceData('loan')
replaceData('contact')
replaceData('poutcome')

4、处理后的数据

数据预测方法

对银行客户的贷款需求做分析，需要用到分类算法，我们将使用knn、逻辑回归分析和人工神经网络三种算法来构建模型，并对模型进行评估，计算每种算法的准确率。

1、knn

（1）实现原理

Knn是一种基于已有样本进行推理的算法，通过对已有训练样本集和新进的未知样本做比较，找到与未知样本最相似的k个样本。最后通过对这k个样本的类标号投票得出该测试样本的类别。

（2）步骤

1.对离散数据做one-hot编码，将编码后的数据与连续型数据进行拼接，并对该数据统一做归一化处理，保证所有列对预测结果的影响程度都相同。

2.编写函数，根据测试集准确率与训练集准确率的比值，选定n-neighbors参数的值。

3.预测并得出测试集准确率与训练集准确率。通过计算得出，测试集准确率为0.8368，训练集准确率为0.8482。

复制代码

from sklearn.model_selection import train_test_split#导入模块
from sklearn.neighbors import KNeighborsClassifier
def ping(n):
    X_train, X_test, y_train, y_test = train_test_split(iris_X, iris_y,test_size=0.4,random_state=2)
    knn = KNeighborsClassifier(n_neighbors=n)
    # 训练
    knn.fit(X_train,y_train)
    accuracy_train=knn.score(X_train, y_train)#评估-精确率
    accuracy_test=knn.score(X_test, y_test)#评估-精确率
    print(str(round(accuracy_test/accuracy_train,2)))

（3）评估

如图2-1、2-2所示，通过构建混淆矩阵的方式对模型进行评估，其中，对无贷款需求的客户判定的准确率为85%，对有贷款需求的客户判定的准确率为24%，总体准确率为84%，证明预测结果有效。

复制代码

#混淆矩阵
from sklearn import metrics
metrics.accuracy_score(y_test_pre, y_test)
import matplotlib.pyplot as plt
%matplotlib inline
plt.imshow(metrics.confusion_matrix(y_test_pre, y_test),
           interpolation='nearest', 
           cmap=plt.cm.binary)
plt.grid(False)
plt.colorbar()
plt.xlabel("predicted label")
plt.ylabel("true label")

复制代码

#评估报告
from sklearn.metrics import classification_report
print(classification_report(y_test,y_test_pre))

复制代码

from matplotlib import pyplot as plt
fig = plt.figure(figsize=(10, 6))
plt.scatter(range(0,50),data.iloc[39951:,8], color='g',label='实际值',linewidth=3,alpha=0.1)
plt.scatter(range(0,50),y_train[23950:], color='r',label='预测值',linewidth=2,alpha=0.1)
plt.legend()
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.title('knn预测结果')
plt.show()

（4）预测

复制代码

import seaborn as sns
from matplotlib import pyplot as plt
fig, ax = plt.subplots(figsize=(8,6))
ax = sns.barplot(x=ndata.job,y=ndata.education,hue=ndata.knn,palette="Set1")

贷款客户主要集中在蓝领、管理者、技术人员中，且客户的教育水平普遍都很高。

复制代码

from matplotlib import pyplot as plt
plt.hist(ndata.loc[ndata['knn']==1,'balance'].values,range=(0,15000))
plt.xlabel('账户余额')
plt.ylabel('人数')
plt.title('银行贷款客户的账户余额分布')
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.show()

2、逻辑回归

（1）实现原理

逻辑回归是根据输入值域对记录进行分类的统计方法。它是将输入值域与输出字段每一类别的概率联系起来。一旦生成模型，便可用于预测。对于每一记录，计算其从属于每种可能输出类的概率，概率最大的类即为预测结果。

（2）步骤

1.划分测试集与训练集。

复制代码

#划分自变量数据集与因变量数据集
x = data.iloc[:,[1,2,3,4,5,6,7,9,10,11,12,13,14,15,16,17]]
y = data.iloc[:,8]

2.使用RandomizedLogisticRegression筛选特征

复制代码

#使用RandomizedLogisticRegression筛选有效特征
from sklearn.linear_model import RandomizedLogisticRegression as RLR 
rlr = RLR() #建立随机逻辑回归模型，筛选变量
rlr.fit(x, y) #训练模型
rlr.get_support() #获取特征筛选结果，也可以通过.scores_方法获取各个特征的分数
print(u'通过随机逻辑回归模型筛选特征结束。')
print(u'有效特征为：%s' % ','.join(data.columns[rlr.get_support(indices=True)]))
x = data[data.columns[rlr.get_support(indices=True)]].as_matrix()#筛选好特征

x = data.loc[:,['job','marital','education','balance','housing','contact','previous']]

3.进行预测并计算准确率。通过计算得出，测试集准确率为0.8403，训练集准确率为0.8461。

复制代码

#使用筛选后的特征数据用LogisticRegression来训练模型
from sklearn.linear_model import LogisticRegression as LR
lr = LR() #建立逻辑回归模型
#训练集
x=p_data.iloc[0:24000,1:8]
y=p_data.iloc[0:24000,8]
#测试集
x1=p_data.iloc[24000:,1:8]
y1=p_data.iloc[24000:,8]
lr.fit(x, y) #训练数据
r=lr.score(x, y); # 模型准确率（针对训练数据）
#训练集的预测准确率
trainR=lr.predict(x)
trainZ=trainR-y
trainRs=len(trainZ[trainZ==0])/len(trainZ)
print('训练集的预测准确率为：',trainRs)
#测试集的预测准确率
R=lr.predict(x1)
Z=R-y1
Rs=len(Z[Z==0])/len(Z)
print('测试集的预测准确率为：',Rs)

（3）评估

如图2-3、2-4所示，通过构建混淆矩阵的方式对模型进行评估，其中，对无贷款需求的客户判定的准确率为84%，召回率100%；对有贷款需求的客户判定的准确率为0%，总体准确率为84%。

复制代码

from sklearn import metrics
metrics.accuracy_score(R, y1)
import matplotlib.pyplot as plt
%matplotlib inline
plt.imshow(metrics.confusion_matrix(R, y1),
           interpolation='nearest', 
           cmap=plt.cm.binary)
plt.grid(False)
plt.colorbar()
plt.xlabel("predicted label")
plt.ylabel("true label")

3、人工神经网络

（1）实现原理

在人工神经网络算法中，对损失函数用梯度下降法进行迭代优化求极小值的过程使用的是BP算法。BP算法由信号的正向传播和误差的反向传播构成。首先，将信号从输入层传递至输出层。若实际输出与期望输出不一致，则进入误差反向传播阶段，将误差反向传递，获得各层的误差信号，对误差做调整。通过反复执行信号的正向传播和误差的反向传播操作，直至输出误差达到期望值，或进行到预定的学习次数为止。

（2）步骤

1.对离散数据做one-hot编码，将编码后的数据与连续型数据进行拼接，并对该数据统一做归一化处理，保证所有列对预测结果的影响程度都相同。

2.划分训练集和测试集。

复制代码

#分离训练集与测试集，median_house_value列的数据是研究的目标
from sklearn.model_selection import train_test_split
Train_X,Test_X,Train_y,Test_y=train_test_split(x,y,
                                              test_size=0.4,random_state=2)

3.采用GridSearchCV来进行参数调整实验，对solver、hidden_layer_sizes两个参数的值进行调整，找出最佳参数组合。

4.预测并计算准确率。通过计算得出，测试集准确率为0.9997，训练集准确率为0.9998。

复制代码

#采用GridSearchCV来进行参数调整实验，找出最佳参数组合
from sklearn.model_selection import GridSearchCV
from sklearn.neural_network import MLPRegressor 
param_grid = {'solver':['lbfgs','sgd','adam'],
 'hidden_layer_sizes': [(5,5),(10,10)]
             }
#对param_grid中的各参数进行组合，传递进MPL回归器。
#cv=3,3折交叉验证，将数据集随机分为3份，每次将一份作为测试集，其他为训练集
#n_jobs=-1，使用CPU核心数，-1表示所有可用的核
best_mlp =GridSearchCV(MLPRegressor(max_iter=200),param_grid,cv=3)
best_mlp.fit(Train_X,Train_y)
print('当前最佳参数组合：',best_mlp.best_params_)
best_score=best_mlp.score(Test_X,Test_y)*100
print('sklearn人工神经网络上述参数得分: %.1f' %best_score + '%')
#用以上模型对Test_X进行预测
mlp_pred = best_mlp.predict(Test_X)

（3）评估

复制代码

accuracy_train=best_mlp.score(Train_X,Train_y)#评估-精确率
accuracy_test=best_mlp.score(Test_X,Test_y)#评估-精确率
print('训练集精确率：'+str(accuracy_train)+' 测试集：'+str(accuracy_test))

三种算法之间的比较

（1）逻辑回归：该算法的数据处理过程较为简单，并且在构建模型的时候不能输入参数进行设置，因此需要手动划分训练集和测试集。

（2）人工神经网络：该算法内部带有很多方法，可以对数据进行one-hot编码、归一化等处理，排除特殊数值对结果的影响，还能进行参数调整，找到最佳参数组合，因此，在这三种算法中，人工神经网络算法的拟合度最高。

（3）Knn：在预测前需要对数据进行处理，排除特殊数值对结果的影响，同时，该算法在构建模型的过程中可以指定参数，尤其是n-neighbors，这个需要我们自行编写方法来找到n-neighbors的最佳值。

复制代码

from matplotlib import pyplot as plt
fig = plt.figure(figsize=(10, 6))
plt.plot(range(0,50),data.iloc[39951:,8], 'go--',label='实际值',linewidth=1)
plt.plot(range(0,50),f_data1.iloc[:,1], 'y--',label='逻辑分析',linewidth=2)
plt.plot(range(0,50),f_data1.iloc[:,2], 'r:',label='knn',linewidth=2)
plt.plot(range(0,50),f_data1.iloc[:,3], 'b',label='sklearn',linewidth=2,alpha=0.5)
plt.legend()
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.title('三种算法预测结果')
plt.show()

KMeans聚类客群分析

1、将每个特征值归一化到一个固定范围

复制代码

from sklearn import preprocessing
x=data.iloc[:,[1,3,4,5,6,7]]
x= preprocessing.MinMaxScaler(feature_range=(0,1)).fit_transform(x)#将每个特征值归一化到一个固定范围

2、开始聚类

复制代码

from sklearn.cluster import KMeans
import numpy as np
#model = KMeans(init=np.array([[4,5],[5,5]]),n_clusters = k, n_jobs = 4, max_iter = iteration) #分为k类，并发数4
model = KMeans(n_clusters = 4,max_iter = 200) #分为k类，并发数4
model.fit(x) #开始聚类

3、预测并绘图

（1）雷达图

复制代码

coreData=np.array(model.cluster_centers_)
ydata0 = np.concatenate((coreData[0], [coreData[0][0]]))
ydata1 = np.concatenate((coreData[1], [coreData[1][0]]))
ydata2 = np.concatenate((coreData[2], [coreData[2][0]]))
ydata3 = np.concatenate((coreData[3], [coreData[3][0]]))

xdata = np.linspace(0,2*np.pi,6,endpoint=False)
xdata = np.concatenate((xdata,[xdata[0]]))
from matplotlib import pyplot as plt
fig = plt.figure()
ax = fig.add_subplot(111,polar=True)  #111表示"1×1网格，第一子图"
ax.plot(xdata, ydata0, 'ro--', linewidth=1.2, label='A组客户')
ax.plot(xdata, ydata1, 'b^--', linewidth=1.2, label='B组客户')
ax.plot(xdata, ydata2, 'y*--', linewidth=1.2, label='C组客户')
ax.plot(xdata, ydata2, 'g+-', linewidth=1.2, label='D组客户')
# ax.plot(xdata, ydata3, 'go--', linewidth=1.2, label='D组客户')
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 解决负号"-"显示异常
ax.set_thetagrids(xdata * 180 / np.pi, ['job ', 'education', 'balance', 'housing', 'contact','previous'])  # 有六个值，将一个圆分为六块
ax.set_rlim(-4, 13)  # 轴值范围，圆点是-4，最外层是13
plt.legend(loc=4)
plt.show()

复制代码

#简单打印结果
r1 = pd.Series(model.labels_).value_counts() #统计各个类别的数目
r2 = pd.DataFrame(model.cluster_centers_) #找出聚类中心
r = pd.concat([r2, r1], axis = 1) #横向连接（0是纵向），得到聚类中心对应的类别下的数目
r.columns =  ['job ', 'education', 'balance', 'housing', 'contact','previous'] + [u'kind'] #重命名表头

（2）t-SNE散点图

复制代码

from sklearn.manifold import TSNE
t=TSNE()
t.fit_transform(x)
t=pd.DataFrame(t.embedding_)

d=t[r[u'kind']==0]
plt.scatter(d[0],d[1],color='r')
d=t[r[u'kind']==1]
plt.scatter(d[0],d[1],color='b')
d=t[r[u'kind']==2]
plt.scatter(d[0],d[1],color='y')
# d=t[r[u'聚类类别']==3]
# plt.scatter(d[0],d[1],color='g')
plt.show()

（3）柱状图

复制代码

import seaborn as sns
sns.countplot(x='job',color='salmon',data=r,hue='kind')

复制代码

from matplotlib import pyplot as plt
l=[1415.26, 1599.9, 1661.7, 1056.26]
plt.bar(['客群1','客群2','客群3','客群4'],l)
plt.xlabel('客群种类')
plt.ylabel('账户余额')
plt.title('银行贷款客户的账户余额分布')
plt.rcParams['font.sans-serif'] = 'SimHei'
plt.show()

复制代码

sns.barplot(x='contact',y='education',color='salmon',data=r,hue='kind')

结论

如图2-5所示，在这三种算法中，人工神经网络算法的拟合度最高。通过模型评估发现，每个算法对于无贷款需求的判定准确率较高，而对于有贷款需求的判定准确率较低。