简介：这套基于Python实现的信用卡客户高风险识别源码包，主要面向毕业设计及金融风控实训场景，围绕历史信用风险、经济风险、收入风险三个维度构建客户属性，通过K-Means聚类训练识别模型，并借助雷达图展示可视化结果。压缩包共7个文件，包含5个Python脚本（覆盖数据探索、异常值清洗、模型构建与绘图模块）、1个CSV数据集以及1份README说明文档，整体体积仅861KB，结构紧凑便于查阅。目前已有283人学习或下载，代码均经运行测试通过，遇到问题还可获得远程讲解支持。完成学习后可掌握风控场景下的聚类分群方法、手肘法确定最优K值、数据预处理与结果可视化等完整思路，适合计科、人工智能、自动化等专业学生用于项目二次开发或课设、毕设演示。
1. 信用卡高风险识别：K-Means 建模与雷达图可视化的完整落地
做信用卡客户风险识别，很多同学一上来就奔着逻辑回归或 XGBoost 去，但这份基于 Python 的毕业设计源码走的是另一条路——用 K-Means 无监督聚类把客户按风险画像切成簇，再配合雷达图把每个簇的特征直接画出来。整个项目从历史信用风险、经济风险、收入风险三个维度构建属性，覆盖数据探索、数据清洗、手肘法选 K 值、聚类训练与结果可视化的完整流程，适合计科、人工智能、自动化等专业的课设和毕设场景。源码包含 task1.py、task2.py、task3.py、main.py、Radar.py 等脚本和一份 credit_card.csv 数据文件，代码经过验证可运行，你拿到的是一套从数据到结论都能讲清楚的教学型项目，而不是一个跑不通的黑匣子。
2. 数据清洗与维度构建：把原始信贷数据变成模型能吃的特征
2.1 credit_card.csv 里到底有什么：先做数据探索
拿到项目后别急着跑模型，第一步是打开 data 目录下的 credit_card.csv，搞清楚每一列的真实含义。信用卡客户风险识别的前提是数据质量，这份数据里既有客户的历史信用表现，比如是否逾期、是否有呆账，也有客户的经济状况，比如个人收入和家庭收入。项目在 task1.py 里做的事，就是先把这些字段的分布情况摸一遍。
import pandas as pd import matplotlib.pyplot as plt df = pd.read_csv('data/credit_card.csv') print(df.head()) print(df.info()) print(df.describe()) # 把瑕疵户（高风险客户）的分布单独画出来 bad = df[df['is_bad'] == 1] print('瑕疵户数量:', len(bad), '占比: {:.2f}%'.format(len(bad) / len(df) * 100)) # 分别查看逾期、呆账在瑕疵户中的分布 for col in ['overdue_days', 'bad_debt_amount']: print(col, bad[col].describe())这段代码的逻辑很直接：先用info()看每列是否有缺失值，用describe()看数值列的均值、极值和分位数，再把高风险客户单独筛出来观察。参数上，is_bad是标签列，1 表示高风险瑕疵户，0 表示正常客户；overdue_days是逾期天数，bad_debt_amount是呆账金额。这一步的核心目的就是验证数据是否值得继续做下去——如果瑕疵户占比过低或者某些字段缺失太多，后续聚类出来的结果就没有说服力。
我一般会额外打印df.isnull().sum()来确认每列缺失情况，如果缺失比例超过 30%，就不要硬留这个特征了。数据探索阶段最容易翻车的地方在于你只看平均值，不看分布，比如逾期天数平均只有 5 天，但 90 分位数已经到 60 天了，这种长尾分布会直接影响聚类的效果。
2.2 删除无效记录与单位统一：清洗的边界在哪里
原始数据里经常会混入一些无效或错误的记录，比如收入字段出现负数、家庭收入和个人收入的数量级不一致，甚至同一字段在不同行里单位不同。这个项目在数据清洗阶段做了两件关键的事：删除无效记录、把收入单位统一为万元。
# 删除收入为负或为零的记录 df = df[df['personal_income'] > 0] df = df[df['family_income'] > 0] # 统一收入单位为万元 # 假设原始数据里 personal_income 和 family_income 部分单位为元，部分为万元 df.loc[df['personal_income'] > 100, 'personal_income'] = df['personal_income'] / 10000 df.loc[df['family_income'] > 100, 'family_income'] = df['family_income'] / 10000 print(df[['personal_income', 'family_income']].describe())这段代码的判断逻辑是基于业务常识的：正常个人月收入不太可能超过 100 万，所以把大于 100 的记录统一除以 10000 转为万元。同理，family_income也做相同处理。如果你拿到的是自己的数据，这个阈值要根据业务场景调整——比如某些高净值客户的家庭年收入确实超过 100 万，那你就要先看原始单位再决定是否缩放。
清洗的边界在于：删数据要克制，只删明确错误的记录，不要因为某个字段异常就整行丢弃。比如逾期天数为 0 的客户可能是优质客户，不能删；但收入为负的客户基本可以确定是数据录入错误，删掉不影响整体分布。
3. K-Means 模型构建：手肘法定 K 值与聚类训练
3.1 为什么选 K-Means 而不是逻辑回归
这个项目的核心建模方式是 K-Means，很多人会疑惑：风险识别不都是分类问题吗，为什么用无监督聚类？关键在于数据标注的粒度。信用风险评估里，你往往只知道自己关注的高风险客户有哪些特征，但并不知道客户到底该被分成几类风险等级。K-Means 能把客户按特征空间的距离自然分组，每组代表一种风险画像，之后再映射到低风险、中风险、高风险标签上。
from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 选取特征列 features = ['history_risk_score', 'economic_risk_score', 'income_risk_score'] X = df[features].values # 标准化：聚类对量纲敏感，必须归一化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 手肘法找最优 K 值 import matplotlib.pyplot as plt inertia = [] for k in range(1, 11): kmeans = KMeans(n_clusters=k, random_state=42, n_init=10) kmeans.fit(X_scaled) inertia.append(kmeans.inertia_) plt.plot(range(1, 11), inertia, marker='o') plt.xlabel('K') plt.ylabel('Inertia') plt.title('Elbow Method') plt.show()我这里用到的三个特征——history_risk_score、economic_risk_score、income_risk_score——是项目从原始字段聚合出来的评分列，分别对应历史信用风险、经济风险、收入风险。标准化这步是必须的，StandardScaler会把每个特征变成均值为 0 方差为 1 的分布，否则收入这种量级大的特征会在距离计算中主导聚类结果。n_init=10表示 K-Means 会随机初始化 10 次取最优结果，random_state=42保证每次运行结果一致，方便论文复现。
手肘法的判断标准是找 inertia 下降幅度明显放缓的拐点。如果曲线没有明显拐点，可以结合业务含义选 K=3，对应低中高三档风险等级。
3.2 task2.py 与 task3.py 中聚类训练与标签映射
实际训练在 task2.py 中完成，task3.py 则负责把聚类结果回贴到原始数据，并做后续分析。这里要特别注意一件事：聚类出来的簇编号是 0、1、2，它们本身没有风险含义，需要你手动映射到业务标签。
# 假设手肘法确定 K=3 kmeans = KMeans(n_clusters=3, random_state=42, n_init=10) kmeans.fit(X_scaled) # 给每个样本打上簇标签 df['cluster'] = kmeans.labels_ # 按簇统计特征均值，判断哪个簇风险最高 cluster_profile = df.groupby('cluster')[features].mean() print(cluster_profile) # 根据业务逻辑手动映射簇编号 -> 风险等级 # 特征均值越高，风险越高 risk_mapping = {0: '低风险', 1: '中风险', 2: '高风险'} # 具体映射需要根据 cluster_profile 的输出调整 df['risk_level'] = df['cluster'].map(risk_mapping)这段代码的关键在于风险映射不是自动完成的，你必须先看cluster_profile的输出再决定哪个簇对应高风险。常见做法是看均值最高的簇映射为高风险。如果cluster_profile里簇 0 的三个特征均值都最高，那就把 0 映射为高风险，而不是像我示例代码里默认写的{0: '低风险'}。这种细节在答辩时很容易被问到，建议提前把cluster_profile打印出来贴在论文里。
聚类结果出来后，还需要验证稳定性。K-Means 对初始点敏感，虽然n_init=10缓解了这个问题，但我建议你换几个random_state跑一遍，看每个样本的簇归属是否变化剧烈。如果某个样本在不同随机种子下被分到不同簇，说明它处于聚类边界，需要人工核查。
4. Radar.py 雷达图可视化：把聚类结果变成答辩能用的图
4.1 雷达图的设计逻辑：三个维度一个簇一条线
项目里的 Radar.py 负责把每个风险簇的特征向量绘制成雷达图。雷达图适合展示多维特征在不同簇之间的对比，尤其是三个维度的场景，非常直观。高风险簇会在三个轴上整体外扩，低风险簇则整体内缩，一眼就能看出差异。
import numpy as np import matplotlib.pyplot as plt def plot_radar(kmeans_model, scaler, feature_names): # 获取每个簇的中心点（标准化后的坐标） centers = kmeans_model.cluster_centers_ # 反标准化回原始尺度，让图上的数值可解释 centers_original = scaler.inverse_transform(centers) # 设置雷达图角度 angles = np.linspace(0, 2 * np.pi, len(feature_names), endpoint=False).tolist() angles += angles[:1] # 闭合图形 fig, ax = plt.subplots(figsize=(6, 6), subplot_kw=dict(polar=True)) for i, center in enumerate(centers_original): values = center.tolist() values += values[:1] ax.plot(angles, values, label=f'Cluster {i}') ax.fill(angles, values, alpha=0.15) ax.set_xticks(angles[:-1]) ax.set_xticklabels(feature_names) ax.legend(loc='upper right') plt.show()这段代码的核心逻辑是取cluster_centers_作为每个簇的特征均值，然后用inverse_transform把标准化后的坐标还原成原始数值。这一步很重要，因为你答辩时不可能说“簇 0 在标准化后的坐标是 1.2”，你要说的是“簇 0 的平均经济风险分是 78 分”。angles的生成方式是雷达图的标准写法，3 个维度对应 3 个轴，最后把首尾相连形成闭合多边形。
颜色填充的alpha=0.15是透明度参数，用来避免多条线互相遮挡时看不清轮廓。如果簇数超过 4 个，雷达图会变得拥挤，这时候可以只画高风险和低风险两个簇的对比图。
4.2 可视化输出与结果保存：让图和数据对得上
绘制完雷达图之后，需要同步保存聚类结果到 CSV 文件，方便后续在论文或答辩 PPT 中引用。导出数据时要把聚类标签、风险等级和原始特征列放在一起，这样你写报告时可以直接查某一类客户的典型画像。
# 保存带聚类标签和风险等级的完整数据 output_cols = ['personal_income', 'family_income', 'overdue_days', 'bad_debt_amount', 'history_risk_score', 'economic_risk_score', 'income_risk_score', 'cluster', 'risk_level'] df[output_cols].to_csv('data/credit_card_with_risk.csv', index=False) # 同时保存每个簇的中心点画像 cluster_centers_df = pd.DataFrame(centers_original, columns=features) cluster_centers_df['cluster'] = range(len(centers_original)) cluster_centers_df.to_csv('data/cluster_profile.csv', index=False)保存文件的命名建议带上时间戳或版本号，比如credit_card_with_risk_v1.csv，这样你不会在反复调试后分不清哪个文件是最新结果。我在实际做这类项目时，会把原始数据、清洗后数据、聚类结果数据分成三个目录存放，避免一份 CSV 从头盖到尾。
5. 避坑指南：信用卡风险识别项目最常见的五个坑
5.1 现象：聚类结果每次跑都不一样
原因：K-Means 初始化中心点是随机的，如果random_state没有固定，每次运行得到的簇归属可能不同。
解决：在KMeans()中固定random_state=42，同时设置n_init=10甚至更高，让算法从多个初始点中选最优结果。如果你已经运行了多次且结果不同，不要慌，固定参数后重新跑一遍，论文中的截图用同一组参数的结果。
5.2 现象：手肘法完全找不到拐点
原因：特征分布本身比较均匀，inertia 曲线平滑下降，没有明显的肘部；或者特征没有标准化，量纲差异导致距离计算失真。
解决：先确认StandardScaler是否应用，再看特征数量——如果只有 3 个特征且相关性不高，曲线平滑是正常的。此时直接按业务含义选 K=3（低、中、高风险），并说明选 3 的理由是风控场景一般分三档，手肘法作为辅助验证。
5.3 现象：某个簇的样本数量极少，比如只有 5 个样本
原因：数据中瑕疵户本身占比低，如果 K 值设得太大，小簇会被切得很碎。
解决：先查数据里is_bad == 1的比例，如果不足 5%，建议用KMeans聚类后把占比低于 1% 的簇合并到最近的簇，或者直接改用 K=2（高风险/低风险）。在论文里一定要写清楚样本分布，否则答辩老师会追问为什么高风险簇这么小。
5.4 现象：收入和逾期天数的量级差异导致聚类完全看收入
原因：personal_income是几十万的量级，overdue_days是几十的量级，聚类距离被收入主导。
解决：所有特征参与聚类前必须标准化。除了StandardScaler，也可以用MinMaxScaler把数据压缩到 [0, 1] 区间。标准化后如果你还想看原始尺度的特征值，用inverse_transform还原，但聚类过程必须在标准化后的空间里进行。
5.5 现象：雷达图显示三个簇的轮廓几乎重叠
原因：选择的特征区分度太低，或者清洗后数据分布太集中，没有明显的簇结构。
解决：回到特征构建阶段，检查history_risk_score、economic_risk_score、income_risk_score这三个评分列是不是由原始字段线性加权得到的。如果是，可以考虑加入交互特征，比如“收入比”（个人收入/家庭收入），它比绝对收入更能反映客户的经济独立性。雷达图重叠说明聚类本身区分度不足，你的重点应该放在特征构建上而不是调 K 值。
6. 模型验证与边界分析：手肘法之外的第二重保险
聚类模型不像是分类模型有准确率的天然度量，K-Means 的评估通常用轮廓系数（Silhouette Coefficient）来衡量簇内紧凑度和簇间分离度。这个指标在毕设答辩时很加分，它能证明你选的 K 值不仅是手肘法找的，还经过了量化验证。
from sklearn.metrics import silhouette_score silhouette_scores = [] for k in range(2, 11): kmeans = KMeans(n_clusters=k, random_state=42, n_init=10) labels = kmeans.fit_predict(X_scaled) score = silhouette_score(X_scaled, labels) silhouette_scores.append(score) for k, score in zip(range(2, 11), silhouette_scores): print(f'K={k}, Silhouette Score={score:.4f}')轮廓系数取值范围是 [-1, 1]，大于 0.5 说明聚类结构比较明显，低于 0.3 则说明数据本身没有清晰的簇结构。我跑过的经验是，这份信用卡数据在 K=3 时轮廓系数通常在 0.35 到 0.5 之间，属于“可用但要结合业务解释”的水平。如果你的结果低于 0.3，不要硬撑着用 K-Means 的结论，可以尝试先用 PCA 把高维特征压缩到两维再看聚类，有时候降维后轮廓系数会提升。
验证维度之外，聚类结果的业务合理性检查也很重要。把每个簇的overdue_days和bad_debt_amount均值打印出来，对照你设定的风险等级——如果“低风险”簇的平均逾期天数反而高于“高风险”簇，说明特征和业务语义是冲突的，要么是特征选错了，要么是清洗阶段出了问题。
从那以后，我每次做聚类项目都会强制把 silhouette_score 和 cluster_profile 一起跑出来，两个结果对不上就回退到数据清洗阶段重新查，绝不硬着头皮出图。这个习惯帮我避开了很多“图好看但结论经不起问”的尴尬场面，希望帮到你。
本文还有配套的精品资源，点击获取
