sklearn进阶教程：金融数据分类案例精讲，从数据清洗到模型部署全流程

做金融数据分类时总卡壳？信贷违约预测模型准确率上不去？数据清洗完还是一堆坑，模型部署更是摸不着头脑？之前有银行的朋友跟我说，他们团队花了三个月做风控模型，结果因为数据清洗没做好，上线后误判率高得离谱。其实啊，金融数据分类不难，难的是把全流程走顺 —— 今天兔子哥就拿信贷违约预测案例，从数据拿到手到模型上线部署，一步一步拆解开，全是实战里攒的经验，新手朋友照着做准没错。

第一步：金融数据长啥样？先把数据摸透

咱们用的是某信贷平台的脱敏数据，里面有用户基本信息（年龄、收入）、信贷记录（逾期次数、借款金额）、还款能力（负债率、月还款额）这些字段，目标是预测用户会不会违约（1 = 违约，0 = 正常）。
拿到数据先别急着建模，得先看看 “家底”：
python

import pandas as pddata = pd.read_csv('credit_data.csv')print(data.shape)  # 看看有多少行多少列print(data.info())  # 检查数据类型和缺失值print(data['default'].value_counts())  # 看看违约和正常用户的比例

这里要注意啊，金融数据跟其他数据不一样 —— 缺失值特别多（比如有些用户没填收入），而且类别不平衡（违约用户可能只占 5%-10%），这俩问题不解决，后面模型白搭。之前有朋友直接跳过这步，结果模型把所有人都预测成正常用户，准确率看着高，实际没法用。

第二步：金融数据清洗，这些坑必须避开

金融数据最脏，清洗得下狠功夫。咱们分三步走：
处理缺失值：别上来就用均值填充！年龄、收入这种用中位数更靠谱（金融数据极端值多，均值会被拉高）；像 “逾期次数” 这种离散值，用众数或者 “0” 填充更合理。代码这么写：
python

# 数值型用中位数data['income'] = data['income'].fillna(data['income'].median())# 离散型用众数data['overdue_count'] = data['overdue_count'].fillna(data['overdue_count'].mode()[0])

干掉异常值：收入突然出现 1000 万？年龄写 150 岁？这些肯定是错的。用箱线图或者 3σ 法则找异常值，金融数据里一般把超过 99% 分位的值截断处理：
python

income_upper = data['income'].quantile(0.99)data['income'] = data['income'].apply(lambda x: income_upper if x > income_upper else x)

解决类别不平衡：违约样本少咋办？用 SMOTE 过采样，给少数类造点 “相似样本”：
python

from imblearn.over_sampling import SMOTEX = data.drop('default', axis=1)y = data['default']smote = SMOTE(random_state=42)X_res, y_res = smote.fit_resample(X, y)  # 处理后正负样本比例基本1:1

之前有用户反馈，说过采样后模型波动大，那是因为没做好交叉验证，后面训练时得注意。

第三步：特征工程，金融数据要这么 “加料”

光用原始数据不够，得给模型喂 “好料”。金融数据常用这几个特征：

• 比率特征：负债率（月还款 / 月收入）、信贷使用率（已用额度 / 总授信）
• 衍生特征：年龄分段（20-30 岁、30-50 岁）、逾期频率（逾期次数 / 借款次数）
• 交互特征：高收入且低负债（收入 > 8000 & 负债率 < 30%）

代码实操下：
python

# 算负债率data['debt_ratio'] = data['monthly_payment'] / data['income']# 年龄分段data['age_group'] = pd.cut(data['age'], bins=[0,30,50,100], labels=['青年','中年','老年'])# 把类别特征转成数值（模型不认文字）data = pd.get_dummies(data, columns=['age_group'])  # 独热编码

这里提醒下，金融特征别搞太复杂，像 “年龄 + 收入 + 逾期次数” 这种三层交互，容易过拟合，模型在测试集根本跑不动。

第四步：模型训练 + 调优，风控模型这么选

金融分类常用这几个模型：逻辑回归（解释性强，监管爱用）、随机森林（准确率高）、XGBoost（对不平衡数据友好）。咱们用随机森林先跑 baseline，再用网格搜索调优：
python

from sklearn.ensemble import RandomForestClassifierfrom sklearn.model_selection import train_test_split, GridSearchCVX_train, X_test, y_train, y_test = train_test_split(X_res, y_res, test_size=0.2, random_state=42)# 初始模型model = RandomForestClassifier(random_state=42)model.fit(X_train, y_train)print("初始准确率：", model.score(X_test, y_test))# 调优参数param_grid = {'n_estimators': [100,200], 'max_depth': [10,20]}grid = GridSearchCV(model, param_grid, cv=5)grid.fit(X_train, y_train)print("调优后准确率：", grid.score(X_test, y_test))  # 一般能提5%-10%

金融模型不光看准确率，还得看精确率（别冤枉好人）和召回率（别放过坏人），用混淆矩阵多瞅瞅：
python

from sklearn.metrics import confusion_matrixy_pred = grid.predict(X_test)print(confusion_matrix(y_test, y_pred))  # 看看真阳性、假阳性有多少

第五步：模型部署，金融模型要落地

训练好的模型得能被调用才行。用 joblib 保存模型，再写个简单的预测接口：
python

import joblib# 保存模型joblib.dump(grid.best_estimator_, 'credit_model.pkl')# 加载模型预测新数据def predict_default(new_data):model = joblib.load('credit_model.pkl')return model.predict(new_data)# 测试新用户数据new_user = pd.DataFrame([[35, 15000, 2, 0.2]], columns=['age','income','overdue_count','debt_ratio'])print("是否违约预测：", predict_default(new_user))

金融模型部署后不能不管，得定期监控准确率，数据分布变了（比如突然来一批高收入用户），模型就得重新训练，不然会 “失效”。之前有小贷公司的朋友没做监控，模型用了半年，坏账率飙升才发现问题。
兔子哥说句实在话，金融数据分类核心不在模型多复杂，而在数据质量和流程规范。数据清洗干净了，特征做得合理，哪怕用简单的逻辑回归，效果都不会差。反过来，数据一堆问题，再好的模型也白搭。
还有啊，金融场景对模型解释性要求高，别光顾着堆复杂模型，得让业务方看懂 “为啥这个用户被预测为违约”—— 比如逾期次数多、负债率高，这样模型才能真正落地。动手试试这个案例，你会发现金融数据分类其实没那么神秘，把每个环节做扎实就行！

标签： 摸不着头脑 第一步