Acceptansgradernas påverkan
Nu ska du titta på loan_amnt för varje lån för att förstå hur acceptansgraderna påverkar portföljen. Du kan använda korstabeller med beräknade värden – till exempel det genomsnittliga lånebeloppet – för den nya uppsättningen lån X_test. För detta multiplicerar du antalet i varje kategori med ett genomsnittligt loan_amnt-värde.
När du skriver ut dessa värden kan du formatera dem som valuta så att talen ser mer realistiska ut. Kreditrisk handlar trots allt om pengar. Det görs med följande kod:
pd.options.display.float_format = '${:,.2f}'.format
Dataramen med prediktioner test_pred_df, som nu inkluderar kolumnen loan_amnt från X_test, har lästs in i arbetsytan.
Den här övningen är en del av kursen
Kreditriskmodellering i Python
Övningsinstruktioner
- Skriv ut sammanfattande statistik för kolumnen
loan_amntmed.describe(). - Beräkna medelvärdet för
loan_amntoch spara det somavg_loan. - Ställ in formateringen för
pandastill'${:,.2f}'. - Skriv ut korstabellen för den faktiska lånestatus och den predikterade lånestatus, och multiplicera varje värde med
avg_loan.
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# 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))