实战：Lending Club借贷数据探索性分析及可视化

第7章综合实战：Lending Club 个人信贷违约与风险特征多维可视化探索分析

小象实战讲义 · Python数据分析实战

在系统掌握了 Matplotlib 底层精细控制、Seaborn 声明式统计绘图（分布、关系、类别）、Bokeh Web 交互式大屏以及 Pandas 原生敏捷绘图之后，本节我们将迎来第 7 章的压轴综合大实战——《Lending Club 互联网个人借贷风险与违约特征多维可视化探索分析（EDA）》。我们将使用经典的 Lending Club 借贷数据集，综合运用本章所学的全套可视化与统计分析工具链，深度剖析贷款金额分布、信用评级（Grade）与借款利率的关系、不同收入阶层的违约概率，以及全特征相关性热力图，完整走通从数据清洗、多图探索到风险洞察的工业级实战全流程。

💡 核心导读

• 实战业务目标：从借贷金额、借款期限、信用等级、年收入、债务收入比（DTI）多维度剖析信贷违约特征。
• 可视化工程五大核心步骤：
  • 1. 借贷金额与年收入分布的偏态探查（histplot + kde）；
  • 2. 信用等级（A~G）对借款利率与违约状态的箱线图对比（boxplot）；
  • 3. 贷款用途与还款状态的交叉结构分析（堆叠 bar / crosstab）；
  • 4. 连续数值特征的全景相关系数热力图（heatmap）；
  • 5. 综合多图仪表盘（Dashboard）整合交付。
• 高内聚可直接执行的端到端代码实战。

1. 信贷数据集构建与单变量分布探索

为了保证代码在单机环境下 100% 零依赖复现运行，我们构建包含经典信贷特征的样本数据集：

┌─────────────────────────────────────────────────────────────┐
│                 Lending Club 核心信贷特征矩阵               │
├─────────────────────────────────────────────────────────────┤
│ 1. loan_amnt   : 申请借贷金额 (美元)                        │
│ 2. int_rate    : 借款年化利率 (%)                           │
│ 3. grade       : 信用评级 (A 级优质 ~ G 级高风险)           │
│ 4. annual_inc  : 借款人年收入 (美元)                        │
│ 5. dti         : 债务收入比 (Debt-to-Income Ratio)          │
│ 6. loan_status : 贷款状态 (Fully Paid 结清 / Defaulted 违约)│
└─────────────────────────────────────────────────────────────┘

import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
import numpy as np

# 解决中文显示
plt.rcParams['font.sans-serif'] = ['SimHei', 'Microsoft YaHei', 'DejaVu Sans']
plt.rcParams['axes.unicode_minus'] = False
sns.set_theme(style="whitegrid")

# 1. 模拟构建包含 300 条记录的 Lending Club 借贷样本数据集
np.random.seed(42)
n = 300

grades = np.random.choice(["A", "B", "C", "D", "E"], size=n, p=[0.25, 0.30, 0.25, 0.15, 0.05])
# 利率与评级强相关: A级约 6~9%, E级约 18~24%
base_rates = {"A": 7.5, "B": 11.0, "C": 14.5, "D": 18.0, "E": 22.0}
int_rates = np.array([base_rates[g] + np.random.normal(0, 1.2) for g in grades])

# 违约概率与评级强相关
default_probs = {"A": 0.05, "B": 0.12, "C": 0.22, "D": 0.35, "E": 0.50}
statuses = [np.random.choice(["正常结清", "违约逾期"], p=[1 - default_probs[g], default_probs[g]]) for g in grades]

df_loans = pd.DataFrame({
    "loan_amnt": np.random.choice([5000, 10000, 15000, 20000, 25000, 35000], size=n),
    "int_rate": int_rates,
    "grade": grades,
    "annual_inc": np.random.exponential(scale=35000, size=n) + 30000,
    "dti": np.random.uniform(5, 35, n),
    "loan_status": statuses
})

print("=== 1. Lending Club 数据集概览 ===")
print(df_loans.head(5))
print(f"\n总样本数: {len(df_loans)} | 总体违约率: {(df_loans['loan_status'] == '违约逾期').mean():.2%}")

2. 多维风险探索看板与热力矩阵整合

我们构建 2 行 2 列综合看板：分析利率分布、评级与利率箱线图、违约率对比及特征相关性热力图。

# 构建 2x2 综合信贷风险多图看板
fig, axes = plt.subplots(2, 2, figsize=(12, 9))

# 1. 左上: 借贷年利率概率分布与 KDE 曲线
sns.histplot(data=df_loans, x="int_rate", kde=True, color="#2980b9", ax=axes[0, 0])
axes[0, 0].set_title("1. 借贷年化利率总体分布 (Histplot + KDE)", fontsize=12)
axes[0, 0].set_xlabel("年化利率 (%)")

# 2. 右上: 不同信用等级 (Grade) 的借款利率箱线图
grade_order = ["A", "B", "C", "D", "E"]
sns.boxplot(data=df_loans, x="grade", y="int_rate", order=grade_order, palette="Blues", ax=axes[0, 1])
axes[0, 1].set_title("2. 信用评级 vs 借款利率分布 (Boxplot)", fontsize=12)
axes[0, 1].set_xlabel("信用等级 (A 为最佳)")
axes[0, 1].set_ylabel("年化利率 (%)")

# 3. 左下: 各评级违约逾期占比堆叠柱状图
ct_status = pd.crosstab(df_loans["grade"], df_loans["loan_status"], normalize="index") * 100
ct_status.loc[grade_order].plot(kind="bar", stacked=True, color=["#2ecc71", "#e74c3c"], ax=axes[1, 0])
axes[1, 0].set_title("3. 各信用评级的违约概率占比 (%)", fontsize=12)
axes[1, 0].set_xlabel("信用等级")
axes[1, 0].set_ylabel("百分比占比 (%)")
axes[1, 0].legend(loc="upper left")
axes[1, 0].tick_params(axis='x', rotation=0)

# 4. 右下: 数值特征相关系数矩阵热力图
corr_mat = df_loans[["loan_amnt", "int_rate", "annual_inc", "dti"]].corr()
sns.heatmap(corr_mat, annot=True, cmap="coolwarm", fmt=".2f", vmin=-1, vmax=1, ax=axes[1, 1])
axes[1, 1].set_title("4. 信贷核心数值特征相关性热力图", fontsize=12)

plt.tight_layout()
plt.savefig("lending_club_dashboard.png", bbox_inches="tight")
plt.close(fig)

import os
if os.path.exists("lending_club_dashboard.png"): os.remove("lending_club_dashboard.png")
print("✅ Lending Club 信贷风险综合可视化大屏交付完毕！")

📝 动手练一练

1. 业务思考题：在信贷风险分析中，为什么通常会发现信用评级越低（如 D、E 级）的借款人群体，其平均利率显著更高、且实际违约率也显著更高（高风险对应高定价）？

   👉 点击查看参考答案

   参考答案： 这是借贷风控中的风险定价机制（Risk-based Pricing）。借贷机构通过上调高风险人群的借款利率，以更高的利息收益来覆盖坏账带来的本金损失期望；但过高的利率又会进一步加重借款人的还款负担，从而加剧违约概率。

2. 综合编程练习：请编写代码使用 Pandas 统计 Lending Club 数据集中不同信用等级（'grade'）借款人的平均借款金额（'loan_amnt'）。

   👉 点击查看参考答案

   参考答案：

   avg_loan_by_grade = df_loans.groupby('grade')['loan_amnt'].mean()
   print("各信用等级平均借款额:")
   print(avg_loan_by_grade.round(1))

本章小结

• 综合贯通了 Matplotlib、Seaborn 与 Pandas 内置绘图在互联网信贷真实场景下的深度应用；
• 熟练掌握了分布形态、多分类对比、交叉结构比例与相关性热力图的综合看板设计；
• 具备了独立主导业务探索性数据分析（EDA）并输出高水准专业数据大屏的实战能力。

📋 行动清单

• 在本地执行示例代码，观察控制台输出并记录关键指标。
• 复习第 7 章全部 24 节内容，准备进入第 8 章《机器学习入门》，开启智能算法建模新篇章！

—— 小象教研组