Вплив рівня схвалення

Тепер подивіться на loan_amnt для кожного кредиту, щоб зрозуміти вплив на портфель за різних рівнів схвалення. Ви можете використати перехресні таблиці з розрахованими значеннями, наприклад, середньою сумою кредиту, для нового набору кредитів X_test. Для цього помножте кількість кожного на середнє значення loan_amnt.

Під час виведення цих значень спробуйте відформатувати їх як валюту, щоб числа виглядали реалістично. Зрештою, кредитний ризик — це про гроші. Це можна зробити таким кодом:

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

Датафрейм з передбаченнями test_pred_df, у який тепер додано стовпець loan_amnt з X_test, уже завантажено в робочу область.

Ця вправа є частиною курсу

Моделювання кредитного ризику в Python

Переглянути курс

Інструкції до вправи

Виведіть зведену статистику для стовпця loan_amnt, використавши .describe().
Обчисліть середнє значення loan_amnt і збережіть його у змінній avg_loan.
Задайте форматування для pandas як '${:,.2f}'
Виведіть перехресну таблицю істинного статусу кредиту та передбаченого статусу, помноживши кожне значення на avg_loan.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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))

Редагувати та запускати код