Impatto del tasso di accettazione
Ora osserva il loan_amnt di ciascun prestito per capire l’impatto sul portafoglio dei tassi di accettazione. Puoi usare tabelle a doppia entrata con valori calcolati, come l’importo medio del prestito, sul nuovo insieme di prestiti X_test. Per farlo, moltiplicherai la numerosità di ciascuna categoria per un valore medio di loan_amnt.
Quando stampi questi valori, prova a formattarli come valuta per rendere i numeri più realistici. In fin dei conti, il credit risk riguarda il denaro. Puoi farlo con il seguente codice:
pd.options.display.float_format = '${:,.2f}'.format
Il DataFrame delle previsioni test_pred_df, che ora include la colonna loan_amnt da X_test, è stato caricato nell’area di lavoro.
Questo esercizio fa parte del corso
Credit Risk Modeling in Python
Istruzioni dell'esercizio
- Stampa le statistiche descrittive della colonna
loan_amntusando.describe(). - Calcola il valore medio di
loan_amnte salvalo comeavg_loan. - Imposta la formattazione per
pandasa'${:,.2f}' - Stampa la tabella a doppia entrata dello stato reale e previsto del prestito moltiplicando ciascun valore per
avg_loan.
Esercizio pratico interattivo
Prova a risolvere questo esercizio completando il codice di esempio.
# 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))