3. 数据获取与探索：以Lending Club为例，理解信贷数据字段和业务含义
做信用评分建模，第一步是啥？不是调模型，也不是算WOE。是先把数据搞清楚。说白了，数据都不了解，后面再花哨也是白搭。
我个人非常喜欢用Lending Club的公开数据来做教学案例。为什么？因为它字段够多、样本够大、业务含义够清晰。你想想看，一个数据集里既有借款人的收入、负债，又有贷款金额、利率，还有完整的还款记录——这不就是信用评分建模的天然实验室吗？
3.1 为什么选Lending Club
Lending Club是美国最大的P2P借贷平台之一，从2007年到2020年，他们公开了大量真实的贷款数据。我记得第一次下载这个数据集的时候，打开一看，好家伙，200多万条记录，上百个字段。数据质量也还不错，缺失率比很多金融数据集低得多。
这套数据有几个特点，让它特别适合做信用评分教学：
- 目标变量明确：
loan_status字段直接告诉你这笔贷款是好是坏 - 字段覆盖全面：从借款人资质到贷款属性，从信用历史到还款行为，都有
- 样本足够大：几十万到上百万条，做WOE分组统计时不会出现空桶
- 真实业务场景：不是人工合成的数据，是真实发生的借贷行为
核心观点：数据探索不是随便看看，而是带着业务问题去理解每个字段的"前世今生"。你后面做WOE编码、做特征筛选，本质上都是在跟这些字段打交道。
3.2 数据获取渠道
获取Lending Club数据主要有两个渠道：
- Kaggle平台：搜索"Lending Club Loan Data"，能找到多个版本。我建议用有
loan_status完整标注的那个版本。 - Lending Club官方统计页面：他们定期发布历史贷款数据，格式是CSV，直接用pandas就能读。
数据下载下来后，通常是一个CSV文件，几百兆到1个G不等。我建议你用pd.read_csv()配合nrows参数先读一小部分看看结构，别一上来就全量加载——我曾经因为这个把笔记本内存撑爆过，嗯，尴尬。
3.3 核心字段分类与业务含义
Lending Club的字段虽然多，但按业务逻辑可以分成四大类。我在项目中习惯先按这个分类梳理一遍，再看具体字段。
| 字段分类 | 字段名 | 业务含义 | 数据类型 | 建模用途 |
|---|---|---|---|---|
| 借款人信息 | annual_inc | 年收入 | 数值型 | 还款能力评估 |
| 借款人信息 | emp_length | 工作年限 | 类别型 | 收入稳定性 |
| 借款人信息 | home_ownership | 住房拥有状况 | 类别型 | 资产稳定性 |
| 贷款详情 | loan_amnt | 贷款金额 | 数值型 | 风险敞口 |
| 贷款详情 | term | 贷款期限（36/60月） | 类别型 | 违约时间窗口 |
| 贷款详情 | int_rate | 利率 | 数值型 | 风险定价 |
| 贷款详情 | grade | 贷款等级（A~G） | 有序类别 | 信用评级 |
| 信用历史 | fico_range_low | FICO分数下限 | 数值型 | 外部征信分 |
| 信用历史 | dti | 债务收入比 | 数值型 | 负债压力 |
| 信用历史 | delinq_2yrs | 过去2年逾期次数 | 数值型 | 违约历史 |
| 还款表现 | loan_status | 贷款状态（目标变量） | 类别型 | 好坏定义 |
| 还款表现 | total_pymnt | 已还总额 | 数值型 | 还款充分性 |
| 还款表现 | last_pymnt_amnt | 最后一笔还款金额 | 数值型 | 还款行为模式 |
小技巧：别急着把所有字段都用上。先挑出跟你业务目标最相关的10~15个字段，深入理解它们的分布和业务含义，远比一股脑把所有字段塞进模型要有效。
这里我要提一下loan_status这个字段——它是我们的目标变量。但要注意，它不是简单的"好"或"坏"。原始数据里这个字段有十几种取值，比如"Fully Paid"、"Charged Off"、"Default"、"Late (31-120 days)"等等。你需要根据自己的业务定义来做好坏样本映射。我在项目中遇到过一个问题：把"Late (31-120 days)"算作好样本还是坏样本？这完全取决于你的建模目标。如果是做申请评分，通常把"逾期90天以上"算作坏样本。