Dampak tingkat penerimaan

Sekarang, perhatikan loan_amnt dari setiap pinjaman untuk memahami dampaknya terhadap portofolio pada berbagai tingkat penerimaan. Anda dapat menggunakan tabel silang dengan nilai terhitung, seperti rata-rata jumlah pinjaman, dari himpunan pinjaman baru X_test. Untuk itu, Anda akan mengalikan jumlah masing-masing dengan nilai rata-rata loan_amnt.

Saat mencetak nilai-nilai ini, coba format sebagai mata uang agar angkanya terlihat lebih realistis. Bagaimanapun, credit risk berkaitan erat dengan uang. Ini dapat dilakukan dengan kode berikut:

pd.options.display.float_format = '${:,.2f}'.format

Data frame prediksi test_pred_df, yang sekarang menyertakan kolom loan_amnt dari X_test, telah dimuat ke dalam workspace.

Latihan ini adalah bagian dari kursus

Pemodelan Risiko Kredit dengan Python

Lihat Kursus

Petunjuk latihan

Cetak statistik ringkasan kolom loan_amnt menggunakan .describe().
Hitung nilai rata-rata loan_amnt dan simpan sebagai avg_loan.
Atur pemformatan untuk pandas ke '${:,.2f}'
Cetak tabel silang status pinjaman aktual dan status pinjaman terprediksi dengan mengalikan masing-masing dengan avg_loan.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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))

Edit dan Jalankan Kode