Impact du taux d’acceptation
Examinez maintenant loan_amnt pour chaque prêt afin de comprendre l’impact sur le portefeuille selon les taux d’acceptation. Vous pouvez utiliser des tableaux croisés avec des valeurs calculées, comme le montant moyen du prêt, sur le nouveau jeu de prêts X_test. Pour cela, vous multiplierez le nombre de chacun par une valeur moyenne de loan_amnt.
Lors de l’affichage de ces valeurs, pensez à les formater en devise pour que les montants paraissent plus réalistes. Après tout, la gestion du risque de crédit, c’est avant tout une affaire d’argent. Pour ce faire, utilisez le code suivant :
pd.options.display.float_format = '${:,.2f}'.format
La DataFrame de prédictions test_pred_df, qui inclut désormais la colonne loan_amnt issue de X_test, a été chargée dans l’espace de travail.
Cet exercice fait partie du cours
Modélisation du risque de crédit en Python
Instructions
- Affichez les statistiques descriptives de la colonne
loan_amntavec.describe(). - Calculez la valeur moyenne de
loan_amntet enregistrez-la dansavg_loan. - Définissez le formatage de
pandassur'${:,.2f}' - Affichez le tableau croisé entre l’état réel et l’état prédit du prêt en multipliant chaque valeur par
avg_loan.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# 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))