Kreuztabellen und Pivot-Tabellen
Finanzdaten werden häufig als Pivot-Tabelle in Tabellenkalkulationen wie Excel betrachtet.
Mit Kreuztabellen erhältst du einen schnellen Überblick über ausgewählte Spalten und kannst sogar Aggregationen wie Anzahl oder Durchschnitt berechnen. Für die meisten Kreditrisikomodelle, insbesondere für die Ausfallwahrscheinlichkeit, sind Spalten wie person_emp_length und person_home_ownership typische Startpunkte für die Analyse.
So siehst du, wie sich Werte im Datensatz verteilen, und kannst sie visualisieren. Zunächst sollst du prüfen, wie loan_status durch Faktoren wie Wohneigentumsstatus, Kreditklasse und den Kreditanteil am Einkommen beeinflusst wird.
Der Datensatz cr_loan wurde im Workspace geladen.
Diese Übung ist Teil des Kurses
Kreditrisikomodellierung in Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Create a cross table of the loan intent and loan status
print(pd.____(cr_loan[____], cr_loan[____], margins = True))