利用python进行保险数据分析及可视化

前言

      现在数据分析在各个行业都在广泛的使用，尤其由于python语言的简便、高效性，在一些中小型企业的实际应用中逐渐替代excel公式、透视图等传统方式。网上各种博客论坛这类文章很多，但保险行业的数据分析文章相对较少，笔者正好是保险行业的，有一些计算机编程基础，写了这篇博文，希望与大家共同进步学习。

       几乎所有的数据分析都需要经历以下五步：

一、明确问题
二、理解数据
三、数据清洗
四、数据分析和可视化
五、结论和建议

---

 

一、明确问题

     本文原始数据是基于一个54517条的历史车险保单的csv文件，由于涉及行业保密消息，选取了时间相对“较远”的2015年的数据。

由于本篇仅是对保险行业数据分析的一个初探，旨在共同学习交流，所以提出的统计分析问题相对维度较少，包含以下三个方面：

• 1、车辆使用年限中保费排在前十的

• 2、保费前十的起保日期

• 3、用户消费行为（购买次数）

---

二、理解数据 

     1、先导入基础库，使用python的pandas和numpy库

import pandas as pd
import numpy as np

     2、导入基础数据

data=pd.read_csv('2015-01.csv')

    3、查看data数据的第一行

data.head(1)

 4、查看data数据字段信息

data.info()

 

  这是一个拥有54517行，37个字段的数据， 部分字段有缺省值。能与本文分析相关的字段有：sumpremium保费、startdate起保时间、insuredname被保险人、licenseno车牌号等。

---

三、数据清洗

   在上一步中可以看到，startdate起保时间的数据类型是object，我们首先需要把该字段格式修改为日期格式

data['startdate']=pd.to_datetime(data['startdate'],errors='coerce')  #将startdate由str格式修改成日期格式

由于我们需要的字段都没有缺省值，所以处理缺省值这一步我们省了，但在实际工作中原始数据会有一些字段有缺省值和异常值，常用的处理方法有：

data.dropna()   #只要行中有一个缺失值就会删除该行
data.dropna(how='all',axis=0)  #行中全部为缺失值则删除
data.dropna(subset=['mobile.1','phonenumber.1'],how='all',axis=0)  #行中其中两个字段为缺失值则删除
data['age.1'].fillna(df['age.1'].mean())   #均值填补法
data['age.1'].fillna(df['age.1'].median())   #中位数填补法
data['age.1'].fillna(df['age.1'].mode()[0])   #众数填补法
data['age.1'].fillna(100)   #全用某一个值填补

。。。。。。。

 

---

四、数据分析及可视化

     1、车辆使用年限中保费排在前十的

         数据清洗完毕后，下面就需要写python语句来呈现分析结果。车辆使用年限是useyears字段，保费是sumpremium字段，我们需要使用groupby语句，以useyears维度来呈现保费的sum信息，并显示前10名，故coding如下：

sumpremium_first10=data[data['sumpremium']>0].groupby('insuredname')\
.sum()['sumpremium'].sort_values(ascending=False).head(10)

 查看计算结果：

进行可视化作图：

     导入plotly可视化库

import plotly as py
import plotly.graph_objs as go
py.offline.init_notebook_mode()
pyplot=py.offline.iplot

 trace_basic是数据，layout是布局。

trace_basic=[go.Bar(x=sumpremium_first10.index.tolist(),y=sumpremium_first10.values.tolist(),marker=dict(color='orange'),opacity=0.5)]
layout=go.Layout(title='保费前10名客户',xaxis=dict(title='客户'))
figure_basic=go.Figure(data=trace_basic,layout=layout)
pyplot(figure_basic)

最终效果图如下：（关键信息已打码）

 

---

2、保费前十的起保日期

     添加一个day字段来展示具体日期

data['day']=data['startdate'].dt.day   #添加一个字段显示日期

  使用groupby函数，根据新建的day日期维度来统计保费和，并取前十名

sumpremium_first10day=data[data['sumpremium']>0]\
.groupby('day').sum()['sumpremium'].sort_values(ascending=False).head(10)

这次我们使用Python中的另一个可视化库seaborn来作图 

导入seaborn库，设置背景格式

import seaborn as sns
sns.set(style='darkgrid',context='notebook',font_scale=1.2)

 做柱状图，并将横坐标轴刻度置成45度

sumpremium_first10day.plot(kind='bar')
plt.xticks(rotation=45)

最终可视化图如下： 

---

 3、用户消费行为（购买次数） 

    这次行为分析，我们不做图，做类似excel的透视图进行呈现。

    分析购买次数，要根据被保险人名称的维度进行分组分类，并要排除同一个保险人同一个车牌号的多次投保，熟悉车险的可能知道，同一个被保险人投保同一辆车大多需要投保一个商业、一个交强险，这个在系统里是用两行不同的数据来显示的。

    故python代码如下：

customer=data[data['sumpremium']>0].groupby('insuredname')\
.agg({'licenseno':'nunique','sumpremium':np.sum})  #根据车牌号去重

    进行数据详细描述

customer.describe()

---

五、结论和建议 

   根据上面三个不同维度的分析，得到的初步分析结果如下：

• 用户平均投保车辆1.27台，最高客户投保了191台，该客户是企业的忠实客户。
• 用户平均消费金额5818元，50%的用户平均消费4052元，而75%的客户消费6369元，说明至少有25%的用户消费金额远大于平均用户，这类客户要着重维护。
• 月初1号是投保的最高峰，保费量远超其他日期，要合理安排月初的人力。

---

尾记

      本博文利用python对保险行业的数据进行简单的分析，走了一遍全流程。使用了pandas、numpy库进行数据读取、清洗、计算和分析，并分别调用了plotly、seaborn库进行可视化绘图。为了方便演示，分析的维度不多，逻辑相对简单，旨在与大家共同交流学习！希望python语言能在保险行业的日常统计分析工作中发扬光大！