4. Vintage 数据准备：所需数据字段、清洗与预处理、聚合与透视表构建

Vintage 分析的核心在于“按放贷批次追踪资产质量随账龄的演变”。数据准备阶段的质量直接决定后续归因分析的可靠性。本节将系统梳理所需字段、清洗规则与聚合方法，确保原始数据能够准确映射到 Vintage 曲线上。

4.1 所需数据字段清单

构建 Vintage 分析所需的最小数据集包含三类核心字段：标识字段、时间字段与状态字段。下表列出标准字段定义及示例：

4.2 数据清洗与预处理

原始数据通常存在缺失、异常与逻辑冲突，必须经过以下清洗步骤才能进入聚合阶段：

1. 缺失值处理： 删除 issue_date 或 loan_status 为空的记录；若 overdue_days 缺失但 loan_status 非0，按状态区间中位数填充。
2. 异常值过滤： 剔除 issue_date 早于产品上线日期或晚于当前日期的记录；剔除 overdue_days 大于合同期限的异常数据。
3. 逻辑校验： 确保 obs_date >= issue_date；若 loan_status = 0（正常），则 overdue_days 必须为0。
4. 账龄计算： 使用 DATEDIFF(month, issue_date, obs_date) 或自定义月差函数生成 tenure_month，注意跨年处理。
5. 坏样本标记： 定义坏样本阈值（如逾期天数 >= 30 天），生成二值标签 is_bad（0/1）。

4.3 数据聚合与透视表构建

清洗后的明细数据需按 Vintage 批次 × 账龄 进行聚合，生成用于绘制 Vintage 曲线的透视表。聚合逻辑如下：

• 分组键： vintage_month（行索引）、tenure_month（列索引）。
• 聚合指标： 坏样本率 = SUM(is_bad) / COUNT(loan_id)；也可同时聚合逾期率、回收率等。
• 透视表结构： 行代表不同放贷月份，列代表账龄月数，单元格值为对应批次的坏样本率。

以下为 Python 伪代码示例：

import pandas as pd

# 假设 df 为清洗后的明细数据
pivot_table = df.pivot_table(
    index='vintage_month',
    columns='tenure_month',
    values='is_bad',
    aggfunc='mean'
)

# 填充缺失账龄（如某批次尚未观测到第12个月）
pivot_table = pivot_table.fillna(method='ffill', axis=1)

# 输出透视表
print(pivot_table.round(4))

生成的透视表示例如下（仅展示部分数据）：

4.4 数据准备流程总览

以下 SVG 图展示了从原始数据到 Vintage 透视表的完整数据准备流程：

4.5 常见避坑指南