Incidence du taux d'acceptation
Examinez maintenant loan_amnt pour chaque prêt afin de comprendre l'incidence sur le portefeuille en fonction des taux d'acceptation. Vous pouvez utiliser des tableaux croisés avec des valeurs calculées, comme le montant moyen du prêt, sur le nouvel ensemble de prêts X_test. Pour ce faire, vous allez multiplier le nombre de chacun par une valeur moyenne de loan_amnt.
Lorsque vous affichez ces valeurs, essayez de les formater en devise pour rendre les nombres plus parlants. Après tout, le risque de crédit concerne avant tout l'argent. Cela se fait avec le code suivant :
pd.options.display.float_format = '${:,.2f}'.format
La trame de données des prédictions test_pred_df, qui inclut maintenant la colonne loan_amnt provenant de X_test, a été chargée dans l'espace de travail.
Cette activité fait partie du cours
Modélisation du risque de crédit en Python
Instructions de l’exercice
- Affichez les statistiques sommaires de la colonne
loan_amntà l'aide de.describe(). - Calculez la valeur moyenne de
loan_amntet stockez-la dansavg_loan. - Définissez le formatage pour
pandasà'${:,.2f}' - Affichez le tableau croisé de l'état réel du prêt et de l'état prédit du prêt en multipliant chaque valeur par
avg_loan.
Exercice interactif pratique
Essayez cet exercice en complétant ce code d’exemple.
# Print the statistics of the loan amount column
print(____[____].____())
# Store the average loan amount
____ = np.____(____[____])
# Set the formatting for currency, and print the cross tab
pd.options.display.float_format = ____.format
print(pd.____(____[____],
____[____]).apply(lambda x: x * ____, axis = 0))