1.1.3 金融机构信用评估系统中的业务数据审核流程设计

工作任务

某金融机构计划引入智能信用评估系统，通过分析客户的历史交易数据和信用记录，使用机器学习算法预测客户的信用风险等级，从而辅助贷款审批和风险控制。

我们提供一个客户信用数据集（credit_data.csv），包含以下字段：

CustomerID: 客户ID Name: 客户姓名 Age: 年龄
Income: 收入 LoanAmount: 贷款金额 LoanTerm: 贷款期限（月）
CreditScore: 信用评分 Default: 是否违约（0/1）
TransactionHistory: 历史交易记录（JSON格式）

具体要求

（1）数据完整性审核：检查数据集中的每个字段是否存在缺失值和重复值。截图保存为 1.1.3-1.jpg。

（2）数据合理性审核：审核以下字段的合理性：年龄应在18到70岁之间；收入应大于2000；贷款金额应小于收入的5倍；信用评分应在300到850之间。截图保存为 1.1.3-2.jpg。

（3）数据清洗：将不合理的数据进行标记，对异常值所在行进行删除，清洗后的数据保存为 cleaned_credit_data.csv。

注意事项

在代码的橙色下划线处填写正确的 Python 代码
请勿修改源代码的其他部分
填写完成后点击 "检查答案" 查看评分
点击 "显示答案" 可直接查看所有参考答案
点击 "重置" 清空所有填写内容

当前得分

0 / 15

In [1] — 导入库 & 读取数据无填空

import pandas as pd import numpy as np import matplotlib.pyplot as plt # 读取数据集 data = pd.read_csv('credit_data.csv')

In [2] — 数据完整性审核 4分

# 1. 数据完整性审核 # 数据缺失值统计 2分 missing_values = data. # 数据重复值统计 2分 duplicate_values = data. # 输出结果 print("缺失值统计:") print(missing_values) print("重复值统计:") print(duplicate_values)

In [3] — 数据合理性审核 8分

# 2. 数据合理性审核 # Age数据的合理性审核 2分 data['is_age_valid'] = .(18, 70) # Income数据的合理性审核 2分 data['is_income_valid'] = > # LoanAmount数据的合理性审核 2分 data['is_loan_amount_valid'] = < ( * 5) # CreditScore数据的合理性审核 2分 data['is_credit_score_valid'] = .(300, 850) # 合理性检查结果 validity_checks = data[['is_age_valid', 'is_income_valid', 'is_loan_amount_valid', 'is_credit_score_valid']].all(axis=1) data['is_valid'] = validity_checks # 输出结果 print("数据合理性检查:") print(data[['is_age_valid', 'is_income_valid', 'is_loan_amount_valid', 'is_credit_score_valid', 'is_valid']].describe())

In [4] — 数据清洗和异常值处理 3分

# 3. 数据清洗和异常值处理 # 标记不合理数据 invalid_rows = data[~data['is_valid']] # 删除不合理数据行 cleaned_data = data[data['is_valid']] # 删除标记列 cleaned_data = cleaned_data.drop(columns=['is_age_valid', 'is_income_valid', 'is_loan_amount_valid', 'is_credit_score_valid', 'is_valid']) # 保存清洗后的数据 3分 .(, index=False) print("数据清洗完成，已保存为 'cleaned_credit_data.csv'")

人工智能训练师（三级）实操考试 — 1.1.3 金融机构信用评估系统中的业务数据审核流程设计