tutoring2
anti fraud
knitr::opts_chunk$set(warning = FALSE, message = FALSE)
list.files()
## [1] "ah_data_base.csv" "ah_data_base02.csv" "ah_data_base03.csv"
## [4] "ah_data_base04.csv" "note.md" "note.Rmd"
## [7] "note_files" "song_heop_2.zip" "维度解释.txt"
library(xfun)
read_utf8('维度解释.txt')
## [1] "<U+FEFF>user_id：申请人唯一编码" "name：申请人姓名"
## [3] "phone_no：手机号" "id_no：身份证号"
## [5] "passdue_day：是否逾期（均逾期）" "registered_from：注册渠道"
## [7] "registered_at：注册时间" "applied_at：申请时间"
## [9] "province：省份证（省）" "phone_province：手机（省）"
## [11] "city：省份证（市）" "phone_city：手机（市）"
## [13] "district：省份证（区/县）"
library(data.table)
data <- fread('ah_data_base.csv',encoding = 'UTF-8')
data <- fread('ah_data_base.csv',encoding = 'UTF-8')
data02 <- fread('ah_data_base02.csv',encoding = 'UTF-8')
data03 <- fread('ah_data_base03.csv',encoding = 'UTF-8')
data04 <- fread('ah_data_base04.csv',encoding = 'UTF-8')
library(tidyverse)
data %>%
group_by(province) %>%
count()
## # A tibble: 26 x 2
## # Groups: province [26]
## province n
## <chr> <int>
## 1 安徽省 1
## 2 北京市 3
## 3 福建省 13
## 4 甘肃省 1
## 5 广西壮族自治区 6
## 6 贵州省 2
## 7 海南省 6
## 8 河北省 1
## 9 河南省 35
## 10 黑龙江省 23
## # ... with 16 more rows
passdue_day这个可以看到逾期天数和第几次逾期吗？- 第二个优先级滞后，我看到这里只有地理信息比较有用，整理省份的接壤数据，参考这个 GitHub文档
这里的接壤和的逻辑
- 接壤 是为1 否为0
- 隔海 如果两省份相隔1个海，那么也算接壤，即接壤=1，但是因为是一种特殊情况，所以需要把“隔海”这一项标记为1
最红我需要这样一个矩阵
library(tidyverse)
mtr_1 <-
matrix(
c(rep(1,9))
,nrow = 3
)
diag(mtr_1) <- 0
mtr_1[2,3] <- 0
mtr_1[3,2] <- 0
mtr_1 %>%
`colnames<-`(str_c('省份',letters[1:3])) %>%
`rownames<-`(str_c('省份',letters[1:3]))
## 省份a 省份b 省份c
## 省份a 0 1 1
## 省份b 1 0 0
## 省份c 1 0 0
这里表示每个省份的接壤情况，
- 假设这个矩阵为A
- 我的一个特征变量是B
我会构造这样一个变量 (AB)
data;data02
## user_id name phone_no id_no passdue_day registered_from
## 1: 1 1 1 1 1 175
## 2: 2 2 2 2 1 158748
## 3: 3 3 3 3 1 158748
## 4: 4 4 4 4 1 158748
## 5: 5 5 5 5 1 158748
## ---
## 254: 254 254 254 254 1 158748
## 255: 255 255 255 255 1 158748
## 256: 256 256 256 256 1 158748
## 257: 257 257 257 257 1 158748
## 258: 258 258 258 258 1 158748
## registered_at applied_at province phone_province city
## 1: 2017-09-02T17:17:21Z 2018/9/25 16:40 四川省 辽宁 南充市
## 2: 2018-09-26T12:36:40Z 2018/9/26 12:40 福建省 福建 漳州市
## 3: 2018-09-30T00:34:06Z 2018/9/30 0:42 山西省 山西 晋中市
## 4: 2018-09-30T11:00:52Z 2018/9/30 11:03 黑龙江省 甘肃 大庆市
## 5: 2018-09-25T12:32:20Z 2018/9/25 12:43 河南省 河南 南阳市
## ---
## 254: 2018-09-30T11:36:25Z 2018/9/30 11:42 云南省 安徽 玉溪市
## 255: 2018-09-30T00:17:38Z 2018/9/30 0:28 江苏省 江苏 南通市
## 256: 2018-09-29T18:01:31Z 2018/9/29 18:03 江苏省 江苏 常州市
## 257: 2018-09-29T23:06:46Z 2018/9/29 23:12 云南省 吉林 曲靖市
## 258: 2018-09-30T12:27:26Z 2018/9/30 12:33 河南省 广东 焦作市
## phone_city district
## 1: 辽阳市 嘉陵区
## 2: 漳州 漳浦县
## 3: 晋中 榆次区
## 4: 兰州市 让胡路区
## 5: 南阳市 社旗县
## ---
## 254: 宣城市 华宁县
## 255: 南通 如东县
## 256: 常州市 武进区
## 257: 松原市 罗平县
## 258: 韶关 马村区
## user_id name phone_no id_no passdue_day registered_from
## 1: 1 1 1 1 48 175
## 2: 2 2 2 2 48 158748
## 3: 3 3 3 3 43 158748
## 4: 4 4 4 4 45 158748
## 5: 5 5 5 5 48 158748
## ---
## 254: 254 254 254 254 43 158748
## 255: 255 255 255 255 43 158748
## 256: 256 256 256 256 44 158748
## 257: 257 257 257 257 43 158748
## 258: 258 258 258 258 43 158748
## registered_at applied_at province phone_province city
## 1: 2017-09-02T17:17:21Z 2018/9/25 16:40 四川省 辽宁 南充市
## 2: 2018-09-26T12:36:40Z 2018/9/26 12:40 福建省 福建 漳州市
## 3: 2018-09-30T00:34:06Z 2018/9/30 0:42 山西省 山西 晋中市
## 4: 2018-09-30T11:00:52Z 2018/9/30 11:03 黑龙江省 甘肃 大庆市
## 5: 2018-09-25T12:32:20Z 2018/9/25 12:43 河南省 河南 南阳市
## ---
## 254: 2018-09-30T11:36:25Z 2018/9/30 11:42 云南省 安徽 玉溪市
## 255: 2018-09-30T00:17:38Z 2018/9/30 0:28 江苏省 江苏 南通市
## 256: 2018-09-29T18:01:31Z 2018/9/29 18:03 江苏省 江苏 常州市
## 257: 2018-09-29T23:06:46Z 2018/9/29 23:12 云南省 吉林 曲靖市
## 258: 2018-09-30T12:27:26Z 2018/9/30 12:33 河南省 广东 焦作市
## phone_city district
## 1: 辽阳市 嘉陵区
## 2: 漳州 漳浦县
## 3: 晋中 榆次区
## 4: 兰州市 让胡路区
## 5: 南阳市 社旗县
## ---
## 254: 宣城市 华宁县
## 255: 南通 如东县
## 256: 常州市 武进区
## 257: 松原市 罗平县
## 258: 韶关 马村区
setequal(data %>% select(-passdue_day),data02 %>% select(-passdue_day))
## [1] TRUE
data03 %>%
ggplot(aes(x = passdue_day)) +
geom_freqpoly() +
theme_bw() +
labs(
title = '定下首逾40天作为欺诈的目标'
,caption = 'Made by Jiaxiang Li'
)
data03 %>%
group_by(phone_no) %>%
count()
## # A tibble: 36 x 2
## # Groups: phone_no [36]
## phone_no n
## <int> <int>
## 1 130 4
## 2 131 3
## 3 132 2
## 4 133 2
## 5 134 6
## 6 135 7
## 7 136 18
## 8 137 12
## 9 138 9
## 10 139 11
## # ... with 26 more rows
# 均匀分布 电话号码没什么用