-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathCreditRisk_preparacao.R
286 lines (231 loc) · 9.72 KB
/
CreditRisk_preparacao.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
# Mini Projeto 2 - Análise de Risco de Crédito
# O objetivo deste projeto é avaliar o risco de concessão de crédito a
# clientes de instituições financeiras
# Como o diretório já foi setado ao criar o projeto no RStudio, não há necessidade
# de fazê-lo novamente. Porém, se surgir a necessidade eventualmente no futuro:
# setwd("C:/Users/vieir/Documents/DSA/FCD/RMicrosoftAzure/Cap18")
# FASES DO PROJETO
# 0 - Limpeza e organização dos dados
# 1 - Análise Exploratória
# 2 - Feature Selection (Seleção de variáveis)
# 3 - Preparação do Dataset
# 4 - Criação do Modelo
# 5 - Avaliação do Modelo
# 6 - Otimização do Modelo
## Instalação e Carregamento de Pacotes
library(readr)
library(tidyr)
library(dplyr)
########################## ANÁLISE EXPLORATÓRIA ################################
# Primeiro faremos a importação do dataset
dados <- read.csv('original_german_dataset.csv', header = FALSE)
?read_csv
# Verificando as colunas
str(dados)
summary(dados)
# Descrevendo as colunas segundo o site oficial:
# https://archive.ics.uci.edu/ml/datasets/Statlog+%28German+Credit+Data%29
######################## INFORMAÇÕES DOS ATRIBUTOS #############################
#### existing_checking_account: (qualitative)
#Status of existing checking account
#A11 (0): ... < 0 DM
#A12 (1): 0 <= ... < 200 DM
#A13 (2): ... >= 200 DM / salary assignments for at least 1 year
#A14 (3): no checking account
#### duration_month: (numerical)
# Duration in month
#### credit_history: (qualitative)
# Credit history
# A30 (0): no credits taken/ all credits paid back duly
# A31 (1): all credits at this bank paid back duly
# A32 (2): existing credits paid back duly till now
# A33 (3): delay in paying off in the past
# A34 (4): critical account/ other credits existing (not at this bank)
#### purpose: (qualitative)
# Purpose
# A40 (0): car (new)
# A41 (1): car (used)
# A42 (2): furniture/equipment
# A43 (3): radio/television
# A44 (4): domestic appliances
# A45 (5): repairs
# A46 (6): education
# A47 (7): (vacation - does not exist?)
# A48 (8): retraining
# A49 (9): business
# A410 (10): others
#### credit_amount: (numerical)
# Credit amount
#### saving_account: (qualitative)
# Savings account/bonds
# A61 (0): ... < 100 DM
# A62 (1): 100 <= ... < 500 DM
# A63 (2): 500 <= ... < 1000 DM
# A64 (3): .. >= 1000 DM
# A65 (4): unknown/ no savings account
#### present_employment_since: (qualitative)
# Present employment since
# A71 (0): unemployed
# A72 (1): ... < 1 year
# A73 (2): 1 <= ... < 4 years
# A74 (3): 4 <= ... < 7 years
# A75 (4): .. >= 7 years
#### disposable_income_rate: (numerical)
# Installment rate in percentage of disposable income
#### personal_status_and_sex: (qualitative)
# Personal status and sex
# A91 (0): male : divorced/separated
# A92 (1): female : divorced/separated/married
# A93 (2): male : single
# A94 (3): male : married/widowed
# A95 (4): female : single
#### debtors_guarantor: (qualitative)
# Other debtors / guarantors
# A101 (0): none
# A102 (1): co-applicant
# A103 (2): guarantor
#### present_residence_since: (numerical)
# Present residence since
#### property: (qualitative)
# Property
# A121 (0): real estate
# A122 (1): if not A121 : building society savings agreement/ life insurance
# A123 (2): if not A121/A122 : car or other, not in attribute 6
# A124 (3): unknown / no property
#### age: (numerical)
# Age in years
#### installment_plans: (qualitative)
# Other installment plans
# A141 (0): bank
# A142 (1): stores
# A143 (2): none
#### housing: (qualitative)
# Housing
# A151 (0): rent
# A152 (1): own
# A153 (2): for free
#### credits_this_bank: (numerical)
# Number of existing credits at this bank
#### job: (qualitative)
# Job
# A171 (0): unemployed/ unskilled - non-resident
# A172 (1): unskilled - resident
# A173 (2): skilled employee / official
# A174 (3): management/ self-employed/highly qualified employee/ officer
#### people_provide_manutenance: (numerical)
# Number of people being liable to provide maintenance for
#### telephone: (qualitative)
# Telephone
# A191 (0): none
# A192 (1): yes, registered under the customers name
#### foreign_worker: (qualitative)
# foreign worker
# A201 (0): yes
# A202 (1): no
#### credit_risk: (qualitative)
# 1 (0): good credit risk
# 2 (1): bad credit risk
# Visualizando o dataframe
View(dados)
# Separando as colunas
?separate
dados2 <- dados %>% separate(V1, c('existing_checking_account', 'duration_month',
'credit_history', 'purpose', 'credit_amount',
'saving_account', 'present_employment_since',
'disposable_income_rate', 'personal_status_and_sex',
'debtors_guarantor', 'present_residence_since',
'property', 'age', 'installment_plans', 'housing',
'credits_this_bank', 'job', 'people_provide_manutenance',
'telephone', 'foreign_worker', 'credit_risk'))
View(dados2)
str(dados2)
# Com os atributos acima definidos e as colunas devidamente nomeadas, podemos
# prosseguir com a limpeza dos dados.
# Observe que nos atributos em que temos as variáveis categóricas,
# irei substituir os valores de string pelo número em parênteses descrito
dados2_0 <- dados2
# coluna existing_checking_account
dados2_0$existing_checking_account[dados2_0$existing_checking_account == 'A11'] <- 0
dados2_0$existing_checking_account[dados2_0$existing_checking_account == 'A12'] <- 1
dados2_0$existing_checking_account[dados2_0$existing_checking_account == 'A13'] <- 2
dados2_0$existing_checking_account[dados2_0$existing_checking_account == 'A14'] <- 3
# coluna credit_history
dados2_0$credit_history[dados2_0$credit_history == 'A30'] <- 0
dados2_0$credit_history[dados2_0$credit_history == 'A31'] <- 1
dados2_0$credit_history[dados2_0$credit_history == 'A32'] <- 2
dados2_0$credit_history[dados2_0$credit_history == 'A33'] <- 3
dados2_0$credit_history[dados2_0$credit_history == 'A34'] <- 4
# coluna purpose
dados2_0$purpose[dados2_0$purpose == 'A40'] <- 0
dados2_0$purpose[dados2_0$purpose == 'A41'] <- 1
dados2_0$purpose[dados2_0$purpose == 'A42'] <- 2
dados2_0$purpose[dados2_0$purpose == 'A43'] <- 3
dados2_0$purpose[dados2_0$purpose == 'A44'] <- 4
dados2_0$purpose[dados2_0$purpose == 'A45'] <- 5
dados2_0$purpose[dados2_0$purpose == 'A46'] <- 6
dados2_0$purpose[dados2_0$purpose == 'A47'] <- 7
dados2_0$purpose[dados2_0$purpose == 'A48'] <- 8
dados2_0$purpose[dados2_0$purpose == 'A49'] <- 9
dados2_0$purpose[dados2_0$purpose == 'A410'] <- 10
# coluna saving_account
dados2_0$saving_account[dados2_0$saving_account == 'A61'] <- 0
dados2_0$saving_account[dados2_0$saving_account == 'A62'] <- 1
dados2_0$saving_account[dados2_0$saving_account == 'A63'] <- 2
dados2_0$saving_account[dados2_0$saving_account == 'A64'] <- 3
dados2_0$saving_account[dados2_0$saving_account == 'A65'] <- 4
# coluna present_employment_since
dados2_0$present_employment_since[dados2_0$present_employment_since == 'A71'] <- 0
dados2_0$present_employment_since[dados2_0$present_employment_since == 'A72'] <- 1
dados2_0$present_employment_since[dados2_0$present_employment_since == 'A73'] <- 2
dados2_0$present_employment_since[dados2_0$present_employment_since == 'A74'] <- 3
dados2_0$present_employment_since[dados2_0$present_employment_since == 'A75'] <- 4
# coluna personal_status_and_sex
dados2_0$personal_status_and_sex[dados2_0$personal_status_and_sex == 'A91'] <- 0
dados2_0$personal_status_and_sex[dados2_0$personal_status_and_sex == 'A92'] <- 1
dados2_0$personal_status_and_sex[dados2_0$personal_status_and_sex == 'A93'] <- 2
dados2_0$personal_status_and_sex[dados2_0$personal_status_and_sex == 'A94'] <- 3
dados2_0$personal_status_and_sex[dados2_0$personal_status_and_sex == 'A95'] <- 4
# coluna debtors_guarantor
dados2_0$debtors_guarantor[dados2_0$debtors_guarantor == 'A101'] <- 0
dados2_0$debtors_guarantor[dados2_0$debtors_guarantor == 'A102'] <- 1
dados2_0$debtors_guarantor[dados2_0$debtors_guarantor == 'A103'] <- 2
# coluna property
dados2_0$property[dados2_0$property == 'A121'] <- 0
dados2_0$property[dados2_0$property == 'A122'] <- 1
dados2_0$property[dados2_0$property == 'A123'] <- 2
dados2_0$property[dados2_0$property == 'A124'] <- 3
# coluna installment_plans
dados2_0$installment_plans[dados2_0$installment_plans == 'A141'] <- 0
dados2_0$installment_plans[dados2_0$installment_plans == 'A142'] <- 1
dados2_0$installment_plans[dados2_0$installment_plans == 'A143'] <- 2
# coluna housing
dados2_0$housing[dados2_0$housing == 'A151'] <- 0
dados2_0$housing[dados2_0$housing == 'A152'] <- 1
dados2_0$housing[dados2_0$housing == 'A153'] <- 2
# coluna job
dados2_0$job[dados2_0$job == 'A171'] <- 0
dados2_0$job[dados2_0$job == 'A172'] <- 1
dados2_0$job[dados2_0$job == 'A173'] <- 2
dados2_0$job[dados2_0$job == 'A174'] <- 3
# coluna telephone
dados2_0$telephone[dados2_0$telephone == 'A191'] <- 0
dados2_0$telephone[dados2_0$telephone == 'A192'] <- 1
# coluna foreign_worker
dados2_0$foreign_worker[dados2_0$foreign_worker == 'A201'] <- 0
dados2_0$foreign_worker[dados2_0$foreign_worker == 'A202'] <- 1
# coluna credit_risk
dados2_0$credit_risk[dados2_0$credit_risk == '1'] <- 0
dados2_0$credit_risk[dados2_0$credit_risk == '2'] <- 1
# Visualizando a tabela
View(dados2_0)
str(dados2_0)
# Precisamos definir agora qual o tipo das colunas, uma vez que todas estão como chr
# Definindo colunas como fator
dados2_0[, c(1, 3:4, 6:10, 12, 14:21)] <- lapply(dados2_0[, c(1, 3:4, 6:10, 12, 14:21)], as.factor)
str(dados2_0)
# Definindo colunas como numeric (basicamente todas as colunas, exceto as defininas anteriormente)
dados2_0[, -c(1, 3:4, 6:10, 12, 14:21)] <- lapply(dados2_0[, -c(1, 3:4, 6:10, 12, 14:21)], as.numeric)
str(dados2_0)
# Com os dados devidamente preparados, irei salvar aqui o dataset e criar um novo
# RScript para seguir com as próximas etapas
write_csv(dados2_0,'german_dataset_tratado.csv')