信用评分模型开发-基于R语言（2）

数据的获取与整合

2.1 信用评分卡的数据来源

一般而言，信用评分卡的数据主要可以分为如下几组：

1. 人口统计特征，这个使用户的基本信息，包括，家庭收入，性别，年龄等
2. 征信机构的数据，比如人行征信
3. 交易数据，这一部分就很多的，购物信息，金融交易信息等等
4. 其他产品所有权和使用记录，客户可能会在其他的金融机构同样有使用产品

通常，所有权和状态变量用二元表示（0，1），交易可以提供两个类型的数据：频率和汇总值。频率记录了特定事件的发生情况，例如一个客户在一定时间内使用淘宝的次数。汇总值是账户余额或者交易值的计算和汇总统计，例如，客户每天的平均交易金额。

汇总值有几类，这里可以做一个总结：

1. 计数，有过多少次贷款 ，有过多少消费记录
2. 求和，总的消费金额
3. 占比，贷款额度与年收入的占比
4. 时间差，第一次开户距今时常
5. 波动率，过去三年每一份工作的时常标准差

有的时候，用户会有多条记录，因此需要用汇总值来处理，将多条记录转变成为1条记录

2.2 数据整合

为了整合不同来源的数据，通常有两周操作方式：合并与联结

合并是用一个常用的关键变量，例如客户ID，合并不同来源的数据

联结是指将相同字段的不同记录合并到一起

2.3 完整性检验

数据获取并且整合之后，需要进行一些列完整性检验，包括

1. 行的唯一性，一个ID只能有一条记录
2. 范围与取值，每一个特征都需要有一个清晰的取值范围
3. 缺失值，
4. 样本是否能够代替整体