简介：这是一份基于Python实现的信用卡客户高风险识别毕业设计项目，面向计算机相关专业在校生、课程设计及实训场景，解决从数据探索、清洗到聚类建模的完整流程。围绕历史信用风险、经济风险与收入风险三个维度，通过K-Means算法构建识别模型，并用手肘法确定最优K值，配合雷达图展示结果，覆盖逾期、呆账、个人及家庭收入等多类指标。压缩包共包含7个文件，以5个Python脚本（对应任务模块）、1个CSV数据文件和1个README说明文档组成，整体大小约861KB，结构清晰，便于直接运行与二次修改。目前已有283人学习下载。代码经过测试运行成功，答辩平均分达到96分，下载后可查看说明文件，也可私聊咨询远程教学，适合作为毕设、课设或入门进阶的参考素材，能帮助读者快速复现信用卡高风险识别方案。
1. 基于python的信用卡客户高风险识别到底在解决什么问题
先抛一个反常识结论：在信用卡客群上，一个把所有人都预测成“正常”的模型，准确率也能到 97% 以上，可它连一个高风险客户都找不出来。基于 python 做信用卡客户高风险识别，本质上不是训练一个“更准”的分类器，而是要在极不平衡的样本里，把占比可能不到 3% 的高风险客户尽可能稳地挑出来。这个任务涉及明确的逾期口径定义、观察期与表现期对齐、特征工程、过采样/欠采样、模型对比，以及最后把预测概率转换成业务可用的分数和名单。整条链路跑下来成本最高的从来不是模型代码本身，而是数据口径和特征的可解释性。适合刚进入风控数据方向的应届生、做数据方向毕业设计的同学，以及想把机器学习落地到信贷业务场景的后端研发和数据分析师。
2. 高风险识别的数据准备：观察期、清洗与特征派生
2.1 逾期标签不对齐，模型再强也白搭
信用卡客户风险识别最致命的坑不是模型效果差，而是标签定义错了还不知道。常见的逾期口径有 M0（未还但仍在宽限期）、M1（逾期 1 期）、M2（逾期 2 期）。业界更倾向用“从观察期起算，未来 6 个月内是否到达 M2”作为二分类目标，因为 M2 意味着客户已经连续跨两个账期未还，资金链紧张程度远超短期遗忘。
观察期与表现期是两个不重叠的时间窗。观察期用于提取特征：消费频次、还款金额、额度使用率、征信查询次数；表现期用于判定好坏客户。一个客户只有在观察期表现正常时才进入样本，否则他的特征本身就带着“已经在逾期”的噪声，模型会把“逾期中”和“未来逾期”混为一谈。
2.1.1 时间窗口的切分方法
建议按固定日（比如每个月的 1 号或 15 号）切分观察期截止日，再向后推 6 个月作为表现期。这样切出来的样本天然呈月度快照结构，后续做时间回溯验证也有基础。随机抽样切训练集/测试集在这个场景几乎一定会出问题——信用卡数据在时间上高度相关，同一个月的行为特征被切进训练集和测试集，模型评估结果虚高，到下一批数据上立刻失效。
2.2 数据字段与缺失值处理
一张标准的信用卡客户宽表，至少包含客户基本信息、卡片信息、账单行为、还款行为、征信摘要五大类字段。下面这张表是我在处理这类数据时常见的字段构成和缺失处理方式：
| 字段类别 | 典型字段 | 字段说明 | 缺失处理 |
|---|---|---|---|
| 基本信息 | 年龄、户籍、学历、婚姻 | 客户自然属性 | 缺失比例超过 30% 建议剔除 |
| 卡片信息 | 卡等级、额度、激活时长 | 授信与额度使用基础 | “未激活”单独设档 |
| 账单行为 | 近 6 期消费金额、取现金额 | 消费活跃度 | 按 0 填充或均值填充 |
| 还款行为 | 近 6 期还款率、最低还款次数 | 风险区分度最高 | 缺失按最差口径处理 |
| 征信摘要 | 查询次数、其他机构负债 | 多头借贷信号 | 缺失映射成“未知档位” |
注意：信用卡数据的“缺失”不一定真是缺失，有时代表“没有发生”，比如没有取现记录、没有最低还款记录。直接删行或统一填充 0，会把“没做过某动作”错误理解成“做了但数据丢了”。处理前要先看业务字典。
2.3 基于 pandas 的高风险特征派生
原始字段直接进模型，很难表达“收入波动”“还款意愿变化”这类动态风险信号。所以特征工程的目标是行为趋势化。下面这段代码用 pandas 生成一批在信用卡风控实践中常用到的高区分度特征：
import pandas as pd import numpy as np def build_risk_features(df): """ df: 以客户ID为主键的宽表，每行一个客户，一个观察期快照 返回: 新增特征后的DataFrame """ feat = df.copy() # 1. 额度使用率：当前欠款 / 总授信额度 feat['utilization_rate'] = feat['balance'] / (feat['credit_limit'] + 1e-6) # 2. 近6个月平均还款率：还款金额 / 出账金额 feat['avg_repay_rate_6m'] = ( feat['repay_amount_6m'] / (feat['bill_amount_6m'] + 1e-6) ).clip(0, 2) # 3. 最低还款行为占比 feat['min_payment_ratio'] = feat['min_payment_count'] / 6 # 4. 额度使用率的趋势：最近3个月均值 / 前3个月均值 - 1 before = feat['balance_avg_3m_before'] after = feat['balance_avg_3m_after'] feat['util_trend'] = np.where( before > 0, (after - before) / before, after - before ) # 5. 征信查询次数激增标志 feat['query_surge_flag'] = ( feat['query_count_last_3m'] > 2 * feat['query_count_before_3m'] ).astype(int) return feat这段代码里几个参数值得细看。clip(0, 2)对还款率做截断是为了防止退款、人工冲正导致的异常高值把样本分布拉偏；还款率超过 2 倍出账额，基本是账务异常，不是真实还款能力。min_payment_ratio取 6 个月的最小还款次数占比，比例越高说明客户越长期处于“只还最低”的状态，这通常对应资金链偏紧。util_trend构造的是额度的先降后升趋势，消费回落之后再快速上行，常见于临逾期前的舀卡行为。这些派生特征的共同特点是不依赖未来数据，所有输入都来自观察期及观察期之前，从构造上规避了信息穿越。
2.4 数据切分：按时间切而不是按行随机切
训练集、验证集、测试集的切分必须严格按观察期月份完成。我一般用最近 3 个观察月做测试集，再往前 2 个月做验证集，其余历史月份做训练集。这样得到的模型效果肯定比随机切分低一点，但更接近真实上线后的水平。
train = data[data['obs_month'] < '2024-03-01'] val = data[(data['obs_month'] >= '2024-03-01') & (data['obs_month'] < '2024-05-01')] test = data[data['obs_month'] >= '2024-05-01']按时间切分之后，模型评估结果会逼近真实场景，因为 5 月之后出现的高风险客户，其行为本来就是训练集里没有完全见过的。如果测试集 AUC 仍然稳定，说明模型学到的不是某一段时间的偶然规律，而是可迁移的风险模式。
3. 不平衡样本下的 python 建模：SMOTE 过采样与模型对比
3.1 用准确率评估高风险识别是伪命题
信用卡坏客户占比通常在 2%~5% 之间，一个把所有样本都判为“正常”的空模型，准确率是 95%。这完全不能说明模型有效，只能说明数据不平衡。高风险识别最常用的两个指标是 AUC 和 KS。AUC 衡量的是模型把正样本排在负样本前面的概率，KS 衡量的是好坏样本累计分布的最大差异。这两个指标对样本不平衡不敏感，所以默认优先看它们，而不是准确率。
from sklearn.metrics import roc_auc_score, roc_curve auc = roc_auc_score(y_test, pred_prob) fpr, tpr, _ = roc_curve(y_test, pred_prob) ks = max(tpr - fpr)AUC 和 KS 各有一个需要注意的点。AUC 在 0.75 以上就具备基本区分能力，但如果正负样本比例达到 1:50，AUC 的增益空间会变小，0.80 和 0.82 之间看似只有 0.02 的差异，实际对应的高风险客群排序变化可能相当明显。KS 反映的是“排序的最优切分点”，但最优切分点对应的阈值未必是业务想要的阈值，所以 KS 适合做模型对比，不适合直接决定业务切分点。
3.2 SMOTE 过采样提升召回，但也有代价
不平衡样本的经典处理手段有下采样、过采样和 SMOTE。下采样会丢掉大量正常样本，模型方差变大；简单过采样重复拷贝少数类样本，容易过拟合到重复样本上。SMOTE 的思路是在少数类样本之间做插值，对每个少数类样本，取其 k 个近邻并在连线上生成新样本。它的实现方式很简洁：
from imblearn.over_sampling import SMOTE from sklearn.model_selection import train_test_split X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, stratify=y, random_state=42 ) smote = SMOTE( sampling_strategy=0.3, k_neighbors=5, random_state=42 ) X_resampled, y_resampled = smote.fit_resample(X_train, y_train)sampling_strategy=0.3表示过采样后少数类数量是多数类的 30%，继续往上加会进一步放大过拟合风险。官方默认是 1.0，也就是两类各占一半。在实际信用卡场景中，把少数类补到 30% 已经足够，因为 SMOTE 造出的样本是插值样本，不能无限补充。k_neighbors=5是近邻数量，值越大生成的样本越偏向全局分布，可能削弱局部模式；值太小则容易生成离群样本。特别注意，SMOTE 必须在训练集上单独执行，如果先对全量数据过采样再划分，会产生严重的数据泄漏，因为同一批疑似客户可能同时存在于训练集和测试集。
提示：如果用 LightGBM 或 XGBoost 这类树模型，SMOTE 不是必须的。树模型天然能处理不平衡，真正重要的反而是正则化参数和早停轮数。SMOTE 对逻辑回归和神经网络这类参数模型效果更明显。
3.3 模型对比与结果解读
在高风险识别里，常见做法是同时跑逻辑回归、随机森林和 LightGBM，用同一套特征和同一套切分方式做横向对比。逻辑回归的优势在可解释性和稳定性，随机森林在中小数据集上表现稳健，LightGBM 在特征量较大、样本较多时增益明显。
| 模型 | 特征处理 | AUC | KS | 训练耗时 |
|---|---|---|---|---|
| 逻辑回归 | 原始特征 + 标准化 | 0.772 | 0.421 | 2s |
| 随机森林 | 原始特征 | 0.795 | 0.438 | 38s |
| LightGBM | 原始特征 | 0.823 | 0.476 | 15s |
| LightGBM + SMOTE | 原始特征 + 过采样 | 0.831 | 0.482 | 20s |
单看表格，LightGBM + SMOTE 指标最高，但实际落地时不会直接把这个组合定成最终方案。风控场景中对模型解释性要求高，监管或业务方要能说清“哪些特征导致这个客户被判断为高风险”。逻辑回归配合 WOE 分箱，能直观给出每个特征档位的风险贡献度，因此很多团队最终上线用的是逻辑回归评分卡，LightGBM 只作为影子模型或特征筛选工具。底层的评估方法比模型本身更关键，任何模型的 AUC 提升如果不符合 0.01 这个量级，在真实业务上都很难带来可感知的名单变化。
4. 从 python 预测概率到评分卡：WOE、IV 与阈值切分
4.1 最优分箱与 WOE 编码
模型输出的概率无法直接给业务使用，所以一般会把概率换算成整数分数。换算前先做 WOE 编码。WOE 的公式是：
WOE_i = ln(坏客户占比 / 好客户占比)
WOE 表达的是“这个特征档位对坏客户的区分能力”，值为 0 表示该档好坏比例与总体一致，没有任何区分度；值越大表示该档客户坏客户占比越高。IV 是 WOE 在全特征上的加权求和，用来衡量特征的整体预测能力，一般经验值是 IV 在 0.02~0.1 之间有一定区分度，0.1~0.3 区分度明显，超过 0.5 需要警惕是不是特征本身包含了未来信息。
import pandas as pd import numpy as np def compute_woe_iv(df, feature, target, bins=10): temp = df[[feature, target]].copy() temp['bin'] = pd.qcut(temp[feature], q=bins, duplicates='drop') grouped = temp.groupby('bin', as_index=False)[target].agg( good='count', bad='sum' ) grouped['good'] = grouped['good'] - grouped['bad'] total_good = grouped['good'].sum() total_bad = grouped['bad'].sum() grouped['bad_rate'] = grouped['bad'] / total_bad grouped['good_rate'] = grouped['good'] / total_good grouped['woe'] = np.log( (grouped['bad_rate'] + 1e-6) / (grouped['good_rate'] + 1e-6) ) grouped['iv'] = (grouped['bad_rate'] - grouped['good_rate']) * grouped['woe'] return groupedpd.qcut做的是等频分箱，让每个箱子里样本数量尽量相等，避免某些档位样本过少导致 WOE 波动。duplicates='drop'处理分箱边界上重复值，防止报错。分母加上 1e-6 是为了规避某个分箱里坏客户占比为 0 时对数无定义的问题。等频分箱只是起点，实际建模还会根据 WOE 单调性手工合并相邻分箱，让“额度使用率越高，WOE 越大”这类业务规律在编码上自然成立。
4.2 概率到评分：offset 与 factor 的换算
评分卡标准公式是：
score = offset + factor × ln(odds)
其中 odds 是好客户概率与坏客户概率的比值。这个公式的意义是：当 odds 翻倍时，分数固定增加或减少 factor 分。我习惯用“分数越高风险越低”的方向。设定两对标定参数：odds=20:1 时基准分 600 分，odds 翻倍增加 20 分，对应 factor 和 offset 分别为：
import numpy as np factor = 20 / np.log(2) offset = 600 - factor * np.log(20) print(f"factor: {factor:.4f}") # 28.8539 print(f"offset: {offset:.4f}") # 513.585520 / np.log(2)的推导逻辑是：odds 从 20:1 变成 40:1 时，ln(odds) 增加了 ln(2)，分数增加 factor × ln(2)，所以要增加 20 分就需要 factor 等于 20 除以 ln(2)。offset 则保证分数在 odds=20:1 的客户身上恰好等于 600 分。换算成每个特征上的打分时，将线性回归模型得到的权重乘以对应 WOE，再整体乘 factor，最后做成一张“特征档位 → 加分/减分”的映射表。
4.3 高风险分数阈值怎么切
评分卡分数分布出来后，需要结合业务容量切阈值。通常做法是看不同分数段下的坏客户占比：
| 分数区间 | 风险等级 | 建议处置策略 |
|---|---|---|
| 700 分以上 | 低风险 | 保持额度，常规运营 |
| 600~700 分 | 中低风险 | 适当降额或提高关注频次 |
| 500~600 分 | 中高风险 | 限制提额，进入人工抽审 |
| 500 分以下 | 高风险 | 进入催收优先队列，停止提额 |
阈值切分不能只盯着 KS 最大值。KS 最大点在 620 分，但如果业务上只能承受 5% 的客户进入人工审核，那么对应分数一般在 560 分或更低。常见做法是输出评分分布表、每段坏客户率、每段累计召回率三个指标，然后让业务负责人挑“累计召回率达到 60% 时所需覆盖客群比例最低”的切点。
5. 源码工程化：一套能交付验收的 python 风控代码怎么组织
5.1 目录结构与一键运行入口
标题里“源码+数据+文档说明”的三要素，决定了代码从拿到手到跑出结果，中间不能有超过一页纸的配置说明。我通常会按下面的结构组织工程：
credit_risk/ ├── config.py ├── main.py ├── requirements.txt ├── data/ │ ├── raw/ │ └── processed/ ├── features/ │ ├── base_features.py │ └── woe_transformer.py ├── models/ │ ├── train_lr.py │ ├── train_lgb.py │ └── eval.py ├── notebooks/ │ └── eda_demo.ipynb └── docs/ ├── 数据说明.md ├── 建模报告.md └── 复现步骤.mdconfig.py是全局配置，包括文件路径、观察期范围、表现期月数、SMOTE 采样比例、随机种子。main.py是主入口，按“读数据 → 特征复用 → 训练 → 评估 → 输出报告”的顺序串联。评审的人拿到代码后只需要分别设置data/raw下的原始表和运行python main.py就能复现。不是所有代码都需要进main.py，探索性分析放在notebooks/里，但模型训练、特征生成、评估这些核心链路必须脚本化，不能依赖 notebook 的单元格顺序。
5.2 文档说明的“可验收”标准
文档说明最容易被忽略的是“结论与数据的对应关系”。建模报告里写“LightGBM 优于逻辑回归”时，必须同时列出两者使用的是什么特征集、什么样本范围、什么切分方式。只看 AUC 数字不够，同一个模型在特征差异下指标可能完全相反。我一般会在建模报告里固定放三样东西：标签定义（含时间窗口）、特征清单（含对应 IV 值）、运行结果表（含 AUC/KS 以及训练集和测试集之间的差值）。训练集 AUC 0.87、测试集 0.83，这个差值在可接受范围；如果训练集 0.95 而测试集 0.70，文档里就要明确写“模型存在过拟合”，而不是给结论打圆场。
5.3 用时间回溯验证代码没有未来函数
这个技巧能显著提升源码的可信度。做法是从原始数据中按不同观察期切出多份样本，比如观察到 2024 年 1 月、2024 年 3 月、2024 年 5 月，每次都在当前观察期上完整重跑训练与评估，最后把 AUC 和 KS 的输出列成一张时间序列表。
def train_eval_on_month(data, obs_month, config): train_data = data[data['obs_month'] < obs_month] test_data = data[data['obs_month'] == obs_month] model = train_model(train_data, config['feature_cols']) auc, ks = evaluate(model, test_data, config['feature_cols']) return obs_month, auc, ks for month in ['2024-01-01', '2024-03-01', '2024-05-01']: result = train_eval_on_month(data, month, config) print(f"观察期: {result[0]}, AUC: {result[1]:.4f}, KS: {result[2]:.4f}")如果三个观察期上的指标差异在 0.02 以内，说明整个数据管道在时间维度上是稳定的，没有“不小心用到了未来字段”。如果某个观察期 AUC 大幅下滑，不要先怀疑参数，优先检查那段时间的特征缺失率、某类字段是否出现了系统性的数值漂移。这个验证脚本短，却能把“做过特征工程”“理解时间窗口”“掌握模型评估”三件事一次性证明给评审看。
本文还有配套的精品资源，点击获取
