起航学习网

Python分析信用卡反欺诈！骗我程序员，不存在的！

前言：

本文研究的是大数据量(284807条数据)下模型选择的问题，也参考了一些文献，但大多不够清晰，因此吐血整理本文，希望对大家有帮助;

本文试着从数据分析师的角度，设想“拿到数据该如何寻找规律、选哪种模型来构建反欺诈模型?”的角度来分析，以业务导向为主，不深究算法原理;

下一篇文章会说明数据结构极度不平衡的情况下，该如何修正数据集、如何调整参数。

数据来源及项目概况

数据是从kaggle上看到的项目，具体链接如下：

https://www.kaggle.com/mlg-ulb/creditcardfraud

获取本例数据的，可在上述项目详情链接中下载数据。

数据集包含欧洲持卡人于2013年9月通过信用卡进行的交易。该数据集提供两天内发生的交易，其中在284,807笔交易中有492起欺诈行为。

数据集非常不平衡，负面类别(欺诈)占所有交易的0.172%。

它只包含数值输入变量，这是PCA变换的结果。不幸的是，由于保密问题，我们无法提供有关数据的原始特征和更多背景信息。特征V1，V2，... V28是用PCA获得的主要组件，唯一没有用PCA转换的特征是'Time'和'Amount'。

• “时间”包含每个事务与数据集中第一个事务之间经过的秒数。
• '金额'是交易金额，该特征可以用于依赖于例子的成本敏感性学习。
• “Class”是响应变量，在欺诈的情况下其值为1，否则为0。

2、准备并初步查看数据集

1. # 导入包 
2. import numpy as np 
3. import pandas as pd 
4. import matplotlib.pyplot as plt 
5. import matplotlib.gridspec as gridspec 
6. import seaborn as sns; plt.style.use('ggplot') 
7. import sklearn 
8. from sklearn.preprocessing import StandardScaler 
9. from sklearn.model_selection import train_test_split 
10. from sklearn.utils import shuffle 
11. from sklearn.metrics import confusion_matrix 
12. from sklearn.manifold import TSNE 
13. pass 
14. # 倒入并查看数据 
15. crecreditcard_data=pd.read_csv('./creditcard.csv') 
16. crecreditcard_data.shape,crecreditcard_data.info() 
17. <class 'pandas.core.frame.DataFrame'> 
18. RangeIndex: 284807 entries, 0 to 284806 
19. Data columns (total 31 columns): 
20. Time 284807 non-null float64 
21. V1 284807 non-null float64 
22. V2 284807 non-null float64 
23. V3 284807 non-null float64 
24. V4 284807 non-null float64 
25. V5 284807 non-null float64 
26. V6 284807 non-null float64 
27. V7 284807 non-null float64 
28. V8 284807 non-null float64 
29. V9 284807 non-null float64 
30. V10 284807 non-null float64 
31. V11 284807 non-null float64 
32. V12 284807 non-null float64 
33. V13 284807 non-null float64 
34. V14 284807 non-null float64 
35. V15 284807 non-null float64 
36. V16 284807 non-null float64 
37. V17 284807 non-null float64 
38. V18 284807 non-null float64 
39. V19 284807 non-null float64 
40. V20 284807 non-null float64 
41. V21 284807 non-null float64 
42. V22 284807 non-null float64 
43. V23 284807 non-null float64 
44. V24 284807 non-null float64 
45. V25 284807 non-null float64 
46. V26 284807 non-null float64 
47. V27 284807 non-null float64 
48. V28 284807 non-null float64 
49. Amount 284807 non-null float64 
50. Class 284807 non-null int64 
51. dtypes: float64(30), int64(1) 
52. memory usage: 67.4 MB 
53. ((284807, 31), None) 
54. crecreditcard_data.describe() 
55. pass 
56. crecreditcard_data.head() 
57. pass 
58. # 看看欺诈与非欺诈的比例如何 
59. count_classes=pd.value_counts(crecreditcard_data['Class'],sort=True).sort_index() 
60. # 统计下具体数据 
61. count_classes.value_counts() 
62. # 也可以用count_classes[0],count_classes[1]看分别数据 
63. 284315 1 
64. 492 1 
65. Name: Class, dtype: int64 
66. count_classes.plot(kind='bar') 
67. plt.show() 

0代表正常，1代表欺诈，二者数量严重失衡,极度不平衡，根本不在一个数量级上。

3、欺诈与时间序列分布关系

1. # 查看二者的描述性统计,与时间的序列分布关系 
2. print('Normal') 
3. print(crecreditcard_data. 
4.  Time[crecreditcard_data.Class == 0].describe()) 
5. print('-'*25) 
6. print('Fraud') 
7. print(crecreditcard_data. 
8.  Time[crecreditcard_data.Class == 1].describe()) 
9. Normal 
10. count 284315.000000 
11. mean 94838.202258 
12. std 47484.015786 
13. min 0.000000 
14. 25% 54230.000000 
15. 50% 84711.000000 
16. 75% 139333.000000 
17. max 172792.000000 
18. Name: Time, dtype: float64 
19. ------------------------- 
20. Fraud 
21. count 492.000000 
22. mean 80746.806911 
23. std 47835.365138 
24. min 406.000000 
25. 25% 41241.500000 
26. 50% 75568.500000 
27. 75% 128483.000000 
28. max 170348.000000 
29. Name: Time, dtype: float64 
30. f,(ax1,ax2)=plt.subplots(2,1,sharex=True,figsize=(12,6)) 
31. bins=50 
32. ax1.hist(crecreditcard_data.Time[crecreditcard_data.Class == 1],bins=bins) 
33. ax1.set_title('欺诈(Fraud))',fontsize=22) 
34. ax1.set_ylabel('交易量',fontsize=15) 
35. ax2.hist(crecreditcard_data.Time[crecreditcard_data.Class == 0],bins=bins) 
36. ax2.set_title('正常(Normal',fontsize=22) 
37. plt.xlabel('时间(单位:秒)',fontsize=15) 
38. plt.xticks(fontsize=15) 
39. plt.ylabel('交易量',fontsize=15) 
40. # plt.yticks(fontsize=22) 
41. plt.show() 

欺诈与时间并没有必然联系，不存在周期性;

正常交易有明显的周期性，有类似双峰这样的趋势。

4、欺诈与金额的关系和分布情况

1. print('欺诈') 
2. print(crecreditcard_data.Amount[crecreditcard_data.Class ==1].describe()) 
3. print('-'*25) 
4. print('正常交易') 
5. print(crecreditcard_data.Amount[crecreditcard_data.Class==0].describe()) 
6. 欺诈 
7. count 492.000000 
8. mean 122.211321 
9. std 256.683288 
10. min 0.000000 
11. 25% 1.000000 
12. 50% 9.250000 
13. 75% 105.890000 
14. max 2125.870000 
15. Name: Amount, dtype: float64 
16. ------------------------- 
17. 正常交易 
18. count 284315.000000 
19. mean 88.291022 
20. std 250.105092 
21. min 0.000000 
22. 25% 5.650000 
23. 50% 22.000000 
24. 75% 77.050000 
25. max 25691.160000 
26. Name: Amount, dtype: float64 
27. f,(ax1,ax2)=plt.subplots(2,1,sharex=True,figsize=(12,6)) 
28. bins=30 
29. ax1.hist(crecreditcard_data.Amount[crecreditcard_data.Class == 1],bins=bins) 
30. ax1.set_title('欺诈(Fraud)',fontsize=22) 
31. ax1.set_ylabel('交易量',fontsize=15) 
32. ax2.hist(crecreditcard_data.Amount[crecreditcard_data.Class == 0],bins=bins) 
33. ax2.set_title('正常(Normal)',fontsize=22) 
34. plt.xlabel('金额($)',fontsize=15) 
35. plt.xticks(fontsize=15) 
36. plt.ylabel('交易量',fontsize=15) 
37. plt.yscale('log') 
38. plt.show() 

金额普遍较低，可见金额这一列的数据对分析的参考价值不大。

5、查看各个自变量(V1-V29)与因变量的关系

看看各个变量与正常、欺诈之间是否存在联系，为了更直观展示，通过distplot图来逐个判断，如下：

1. features=[x for x in crecreditcard_data.columns  
2.  if x not in ['Time','Amount','Class']] 
3. plt.figure(figsize=(12,28*4)) 
4. gs =gridspec.GridSpec(28,1) 
5. import warnings 
6. warnings.filterwarnings('ignore') 
7. for i,cn in enumerate(crecreditcard_data[v_features]): 
8.  ax=plt.subplot(gs[i]) 
9.  sns.distplot(crecreditcard_data[cn][crecreditcard_data.Class==1],bins=50,color='red') 
10.  sns.distplot(crecreditcard_data[cn][crecreditcard_data.Class==0],bins=50,color='green') 
11.  ax.set_xlabel('') 
12.  ax.set_title('直方图：'+str(cn)) 
13. plt.savefig('各个变量与class的关系.png',transparent=False,bbox_inches='tight') 
14. plt.show() 

红色表示欺诈，绿色表示正常。

• 两个分布的交叉面积越大，欺诈与正常的区分度最小，如V15;
• 两个分布的交叉面积越小，则该变量对因变量的影响越大，如V14。

下面我们看看各个单变量与class的相关性分析，为更直观展示，直接作图，如下：

1. # 各个变量的矩阵分布 
2. crecreditcard_data.hist(figsize=(15,15),bins=50) 
3. plt.show() 

6、三种方法建模并分析

本部分将应用逻辑回归、随机森林、支持向量SVM三种方法建模分析，分别展开如下：

准备数据：

1. # 先把数据分为欺诈组和正常组，然后按比例生产训练和测试数据集 
2. # 分组 
3. Fraud=crecreditcard_data[crecreditcard_data.Class == 1] 
4. Normal=crecreditcard_data[crecreditcard_data.Class == 0] 
5. # 训练特征集 
6. x_train=Fraud.sample(frac=0.7) 
7. x_train=pd.concat([x_train,Normal.sample(frac=0.7)],axis=0) 
8. # 测试特征集 
9. x_test=crecreditcard_data.loc[~crecreditcard_data.index.isin(x_train.index)] 
10. # 标签集 
11. y_train=x_train.Class 
12. y_test=x_test.Class 
13. # 去掉特征集里的标签和时间列 
14. x_train=x_train.drop(['Class','Time'],axis=1) 
15. x_test=x_test.drop(['Class','Time'],axis=1) 
16. # 查看数据结构 
17. print(x_train.shape,y_train.shape, 
18.  '\n',x_test.shape,y_test.shape) 
19. (199364, 29) (199364,)  
20.  (85443, 29) (85443,) 

6.1 逻辑回归方法

1. from sklearn import metrics 
2. import scipy.optimize as op 
3. from sklearn.linear_model import LogisticRegression 
4. from sklearn.cross_validation import KFold,cross_val_score 
5. from sklearn.metrics import (precision_recall_curve, 
6.  auc,roc_auc_score, 
7.  roc_curve,recall_score, 
8.  classification_report) 
9. lrmodel = LogisticRegression(penalty='l2') 
10. lrmodel.fit(x_train, y_train) 
11. #查看模型 
12. print('lrmodel') 
13. print(lrmodel) 
14. lrmodel 
15. LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True, 
16.  intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1, 
17.  penalty='l2', random_state=None, solver='liblinear', tol=0.0001, 
18.  verbose=0, warm_start=False) 
19. #查看混淆矩阵 
20. ypred_lr=lrmodel.predict(x_test) 
21. print('confusion_matrix') 
22. print(metrics.confusion_matrix(y_test,ypred_lr)) 
23. confusion_matrix 
24. [[85284 11] 
25.  [ 56 92]] 
26. #查看分类报告 
27. print('classification_report') 
28. print(metrics.classification_report(y_test,ypred_lr)) 
29. classification_report 
30.  precision recall f1-score support 
31.  0 1.00 1.00 1.00 85295 
32.  1 0.89 0.62 0.73 148 
33. avg / total 1.00 1.00 1.00 85443 
34. #查看预测精度与决策覆盖面 
35. print('Accuracy:%f'%(metrics.accuracy_score(y_test,ypred_lr))) 
36. print('Area under the curve:%f'%(metrics.roc_auc_score(y_test,ypred_lr))) 
37. Accuracy:0.999216 
38. Area under the curve:0.810746 

6.2 随机森林模型

1. from sklearn.ensemble import RandomForestClassifier 
2. rfmodel=RandomForestClassifier() 
3. rfmodel.fit(x_train,y_train) 
4. #查看模型 
5. print('rfmodel') 
6. rfmodel 
7. rfmodel 
8. RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini', 
9.  max_depth=None, max_features='auto', max_leaf_nodes=None, 
10.  min_impurity_decrease=0.0, min_impurity_split=None, 
11.  min_samples_leaf=1, min_samples_split=2, 
12.  min_weight_fraction_leaf=0.0, n_estimators=10, n_jobs=1, 
13.  oob_score=False, random_state=None, verbose=0, 
14.  warm_start=False) 
15. #查看混淆矩阵 
16. ypred_rf=rfmodel.predict(x_test) 
17. print('confusion_matrix') 
18. print(metrics.confusion_matrix(y_test,ypred_rf)) 
19. confusion_matrix 
20. [[85291 4] 
21.  [ 34 114]] 
22. #查看分类报告 
23. print('classification_report') 
24. print(metrics.classification_report(y_test,ypred_rf)) 
25. classification_report 
26.  precision recall f1-score support 
27.  0 1.00 1.00 1.00 85295 
28.  1 0.97 0.77 0.86 148 
29. avg / total 1.00 1.00 1.00 85443 
30. #查看预测精度与决策覆盖面 
31. print('Accuracy:%f'%(metrics.accuracy_score(y_test,ypred_rf))) 
32. print('Area under the curve:%f'%(metrics.roc_auc_score(y_test,ypred_rf))) 
33. Accuracy:0.999625 
34. Area under the curve:0.902009 

6.3支持向量机SVM

1. # SVM分类 
2. from sklearn.svm import SVC 
3. svcmodel=SVC(kernel='sigmoid') 
4. svcmodel.fit(x_train,y_train) 
5. #查看模型 
6. print('svcmodel') 
7. svcmodel 
8. SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, 
9.  decision_function_shape='ovr', degree=3, gamma='auto', kernel='sigmoid', 
10.  max_iter=-1, probability=False, random_state=None, shrinking=True, 
11.  tol=0.001, verbose=False) 
12. #查看混淆矩阵 
13. ypred_svc=svcmodel.predict(x_test) 
14. print('confusion_matrix') 
15. print(metrics.confusion_matrix(y_test,ypred_svc)) 
16. confusion_matrix 
17. [[85197 98] 
18.  [ 142 6]] 
19. #查看分类报告 
20. print('classification_report') 
21. print(metrics.classification_report(y_test,ypred_svc)) 
22. classification_report 
23.  precision recall f1-score support 
24.  0 1.00 1.00 1.00 85295 
25.  1 0.06 0.04 0.05 148 
26. avg / total 1.00 1.00 1.00 85443 
27. #查看预测精度与决策覆盖面 
28. print('Accuracy:%f'%(metrics.accuracy_score(y_test,ypred_svc))) 
29. print('Area under the curve:%f'%(metrics.roc_auc_score(y_test,ypred_svc))) 
30. Accuracy:0.997191 
31. Area under the curve:0.519696 

7、小结

1. 通过三种模型的表现可知，随机森林的误杀率最低;
2. 不应只盯着精度，有时候模型的精度高并不能说明模型就好，特别是像本项目中这样的数据严重不平衡的情况。举个例子，我们拿到有1000条病人的数据集，其中990人为健康，10个有癌症，我们要通过建模找出这10个癌症病人，如果一个模型预测到了全部健康的990人，而10个病人一个都没找到，此时其正确率仍然有99%，但这个模型是无用的，并没有达到我们寻找病人的目的;
3. 建模分析时，遇到像本例这样的极度不平衡数据集，因采取下采样、过采样等办法，使数据平衡，这样的预测才有意义，下一篇文章将针对这个问题进行改进;
4. 模型、算法并没有高低、好坏之分，只是在不同的情况下有不同的发挥罢了，这点应正确的看待。 

文章出自：http://qh.itpxw.cn/peixun/software/201956822.html

文章标题：信用卡诈骗不用怕 程序员利用python分析一招搞定



免责声明：本站文章均由入驻起航学习网的会员所发或者网络转载，所述观点仅代表作者本人，不代表起航学习网立场。如有侵权或者其他问题，请联系举报，必删。侵权投诉

(责任编辑：IT培训网)