p2p网络贷款系统该如何制作？
渗透力软件网贷系统的开发流程，我帮您详细解说一下：
提交需求：提出p2p网贷平台建设的基本要求。
项目时长和估价：每一个系统都是有着不同的需求的，那么其花费的时间的长短等等都是需要明确的安排，所以其价格也是视需要而定的。
达成合作意向：等公司在确定价格以及制作时间之后，就会给客户一个反馈，如果客户能够接受的话，那么就达成了合作的意向，同时客户也要按照最终的价格支付一定的定金。
版本确定：在系统的开发之前，售前工作者都会对客户要求制作的版本进行一个详细的了解，并提交给商务进行报价。
需求确定：在确定开发可行的情况下，对要实现的功能进行详细分析。
页面设计：一般美工人员会进行一个总体设计和详细的设计。
系统程序：在网站前台制作完成之后，就会交到后台程序员进行处理前台的功能的实现。
系统测试：测试环节只要是找出在编程过程中在网站中出现的错误等等，最终目的就是保证整个系统能够正常的运营。
系统维护：保证系统在运行的过程中能顺利的进行
网贷大数据花了，怎么查自己是不是网黑？
1、电话查询法
大家在出现贷款逾期以后，可以主动给贷款机构的客服人员打电话，询问对方是否已经将自己的逾期信息共享给了其他贷款平台。如果大家的逾期信息被共享给了其他贷款平台，那么大家就很有可能成为了网黑。
2、官网查询法
目前，有很多贷款平台会将欠款人的信息曝光到官网上面。大家可以登录自己的网贷平台，看看是否在欠款人员名单当中有自己的信息。如果名单当中有自己的信息，那么大家成为网黑的概率就会很大。
3、征信平台查询法
大家可以通过一些网上征信平台来查询自己是否成为网黑。这些网上征信平台有芝麻信用分、考拉信用分、同盾信用等等。如果在这些平台查询到了大家的贷款逾期信息，那么大家就很有可能已经是一名网黑了。
4、贷款尝试法
查询自己是否为一名网黑的简单方法就是向其他网贷平台再次申请贷款。如果大家仍然可以轻松地从网络贷款平台中借到钱，那么大家就很有可能还不是一名网黑。不过，大家一定要选择非网黑贷款口子来测试。
美国网贷平台Prosper贷款数据分析
本文主要描述了如何用Python对数据集进行评估，整理，清洗。
完成这一过程后，再通过Tableau对问题 “Prosper违约客户具有哪些特点” 进行探索，分析和可视化。
最后，用随机森林算法对2009年7月后数据进行建模分析，并对仍在进行中的贷款进行违约与否的预测。
Prosper是美国第一家P2P借贷平台。此数据集来源于Udacity上的Prosper 2005~2014年的贷款数据。本文希望能通过对已完成贷款的分析，判断出什么类型的客户更容易违约，并预测还未完成的贷款是否会违约。
原始数据集共包含81个变量，113937条数据，下面对部分重要变量进行说明，其他变量含义可参考 变量词典 。
首先加载库和数据。
然后用df.describe()，df.info()观察数据。
此次主要分析1.什么类型的借款人更容易违约。 2.预测未完成的贷款是否会发生违约。所以去掉无关列。
从2009年7月开始，Prosper调整了对客户的评估方式，此次我们只对2009-07-01后的贷款进行分析。
去掉意义重复列：
Prosper对于新客户的评分和老客户有所区别，此次仅针对新客户数据进行分析。
首先查看下，各变量数据缺失情况。
平台把借款状态分为12种:Cancelled(取消)、Chargedoff(冲销，投资人有损失)、Completed(正常完成，投资人无损失)、Current(贷款还款中)、Defaulted(坏账，投资人有损失)、FinalPaymentInProgress(最后还款中，投资人无损失)、Past Due(逾期还款，投资人无损失)。
本文依据交易是仍在进行中还是已关闭,以及已关闭交易中投资人有无损失将所有数据分成以下三组：
Current(包含Current,Past Due)、
Defaulted(包含Defaulted,Chargedoff)、
Completed(包含Completed,FinalPaymentInProgress)。
为了便于后续分析计算，再将“Completed”改为1，“Defaulted”改为0。
已完成的贷款的违约率为defaulted_ratio_finished =26.07%
此数据集有多个特征体现了贷款用户的信用情况。其中，信用等级(ProsperRating)是Prosper根据自身模型建立，是用于确定贷款利率的主要依据，而信用评分(CreditScore)则是由官方信用评级机构提供。
由图5-1可以看到，随着信用等级(ProsperRating)的不断升高，违约率呈现明显的下降趋势。
而在信用评分（CreditScore）中，低分段(640-700)，违约率处于比较高的位置，且没有太大变化。大于720的部分，随着信用评分的升高，违约率明显下降。
说明整体而言，借款人的信用水平越高，违约可能性越低。
在不同年收入(IncomeRange)中，Not employed的借款人，违约率最高，随着收入增加，违约率不断降低。
在不同贷款状态下(Status)，违约用户的整体月收入(MonthlyIncome)明显低于未违约用户。
根据图5-4的左图，违约用户与未违约用户的整体负债收入比差异不大。
再根据负债收入比（DebtToIncome）的四分位点，将所有数据分成数据量接近的四组。从图5-4的右图可以看到低比例（负债收入比0-0.12）与中等比例（0.12-0.19）的违约率都较低。较高比例（0.19-0.29）的违约率略高于前面二者。但高比例（大于0.29）的用户违约率显著升高。
根据银行卡额度透支率(BankcardUtilization)的四分位点，将数据分成 '未使用'，'较低透支(0,0.3]'，'中等透支(0.3,0.7]'， '较高透支(0.7,1]'，'严重透支（1,5]'五组。
可以看到，严重透支的借款人，违约率最高。
其次是未使用的用户，这也是为什么金融机构对于“白户”会格外关注的原因。
近半年征信查询次数（InquiriesLast6Months）可以反应出借款人近期向金融机构申请借款的频繁程度，间接体现了借款人近期的资金状况。
图5-6中，绿线表示不同查询次数下的借款笔数。可以看到，绝大部分在7次以下。
而在查询次数0-7区间内，违约率随着查询次数的增加而升高。
当前逾期(CurrentDelinquencies)可以很好的反应出借款人的信用情况。
由图5-7，可以看到大部分借款人的当前逾期在2次以内。而在0-6的区间内，违约率随当前逾期数的增加而升高。
为了避免某些数量极少的分类对违约率排序的影响，首先筛选出借款笔数在30以上的分类。
由图5-8可以看到，数量最多的是1- Debt Consolidation（债务整合）。
而违约率最高的依次是15- Medical/Dental(医疗),13-Household Expenses(家庭开支),3-Business（商业），均高于30%。
根据贷款金额（LoanAmount）的四分位点，将数据分为数量接近的四组。比较有意思的是，中等借款(3100,4750)的违约率最高，而高额借款（大于8500）的违约率反而最低。
这很可能是因为能申请到高额借款的用户，各方面条件都不错，从而降低了违约率。
由图5-11可以看到，在0-30区间内，随着持续时间的增长，违约率逐渐降低，而这一区间也包含了一半左右的数据。
当持续时间继续增长，违约率看不出有明显变化规律。
在不同地区之间，违约率也存在比较明显的差异。LA,SD等城市，违约率较高。UT,CO等城市，违约率较低。
整体而言，有房产的借款人，违约率要明显低于无房产的借款人。
导入相关库。
将数据中的字符串变量，均转换为数字。
按照测试集30%，训练集70%的比例划分数据集，并使用随机森林算法，建立模型。
该模型测试集预测准确率为：accuracy=73.99%
对于随机森林算法，可以查看在这个模型中，每个特征的重要程度。
如图6-2所示，StatedMonthlyIncome和EmploymentStatusDuration两个特征最为重要。
根据此模型，对目前仍在进行中的贷款进行违约与否的预测。
仍在进行中的贷款违约率为defaulted_ratio_predict =3.64%
本文详细描述了对于Prosper贷款数据，从数据探索到建立模型，并进行预测的完整过程。
发现月收入（StatedMonthlyIncome）以及受雇佣状态持续时间(EmploymentStatusDuration)对是否会违约的影响程度最大。主要是因为这二者是体现借款人稳定性的重要因素。
而在模型建立方面，还可以调整此模型的参数，来进行改进从而提高准确率，也可以尝试使用其他算法，如逻辑回归等，建立新的模型进行比较。
0条大神的评论