第2章 数据准备：先搞清楚你手里有啥牌

做评分卡模型，数据就是弹药。很多人一上来就调包、跑算法，结果跑完才发现数据一堆坑——说白了，白费功夫。我个人的习惯是，拿到数据集先花半天时间摸清它的底细。这一章我们就来干这件事。

2.1 获取信贷数据集

课程用的数据集是 Kaggle 上的经典案例——Give Me Some Credit。这是一个二元分类问题，预测借款人未来两年内是否会经历严重财务困境（拖欠 90 天以上或更糟）。

加载数据很简单，Pandas 一行搞定：

import pandas as pd

df = pd.read_csv('cs-training.csv')
print(df.head())

2.2 字段解释

字段一共 12 个，不过有些名字起得挺绕。我帮你翻译成人话，顺便标出我踩过的坑：

2.3 数据初步探索

拿到数据别急着建模，先跑几个基础检查。我习惯用 .info() 和 .describe() 快速扫一眼。

# 数据规模、类型、缺失情况
df.info()

# 数值统计概览
df.describe().T

从 .info() 你能看到：

• 总样本 150,000 条
• 缺失字段：MonthlyIncome（约 30% 空）、NumberOfDependents（少量）
• 所有字段除目标变量外都是 float64 或 int64，没有 object 类型，省了编码步骤

.describe() 则暴露了更多问题。你看 RevolvingUtilizationOfUnsecuredLines 的最大值是 507？这显然是异常。还有 age 的最小值 0？不可能有 0 岁的借款人。这些数据必须清洗。

2.4 缺失值检查

缺失值处理是评分卡建模的必修课。我一般先用热力图可视化缺失情况，不过这一节我们先看数字。

miss = df.isnull().sum()
miss_pct = miss / len(df) * 100
miss_df = pd.DataFrame({'缺失数': miss, '缺失率%': miss_pct})
print(miss_df[miss_df['缺失数'] > 0])

结果一目了然：MonthlyIncome 缺失 29,731 条，占比 19.8%；NumberOfDependents 缺失 1,924 条，占比 1.3%。

缺失率低于 5% 的可以用众数或中位数填补，但这里是 20%。怎么办？

• 直接删除会损失大量样本（尤其正样本本来就少）
• 用中位数填补？可能会扭曲收入分布
• 我常用的方案：先对收入做对数变换，再用回归模型预测缺失值，或者用 KNN 填补

具体怎么做我们放在数据清洗章节细讲。现在你只需要知道：缺失值不是洪水猛兽，但一定要排查清楚。