Impacto da taxa de aceitação
Agora, observe o loan_amnt de cada empréstimo para entender o impacto no portfólio conforme as taxas de aceitação. Você pode usar tabelas cruzadas com valores calculados, como o valor médio do empréstimo, do novo conjunto de empréstimos X_test. Para isso, você vai multiplicar a contagem de cada um por um valor médio de loan_amnt.
Ao imprimir esses valores, tente formatá-los como moeda para que os números pareçam mais realistas. Afinal, risco de crédito é, no fim das contas, sobre dinheiro. Isso é feito com o código a seguir:
pd.options.display.float_format = '${:,.2f}'.format
O data frame de previsões test_pred_df, que agora inclui a coluna loan_amnt de X_test, já foi carregado no workspace.
Este exercício faz parte do curso
Modelagem de Risco de Crédito em Python
Instruções do exercício
- Imprima as estatísticas descritivas da coluna
loan_amntusando.describe(). - Calcule o valor médio de
loan_amnte armazene comoavg_loan. - Defina a formatação do
pandaspara'${:,.2f}' - Imprima a tabela cruzada do status verdadeiro do empréstimo e do status previsto do empréstimo, multiplicando cada valor por
avg_loan.
Exercício interativo prático
Experimente este exercício completando este código de exemplo.
# 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))