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

# 导入包 
import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt 
import matplotlib.gridspec as gridspec 
import seaborn as sns; plt.style.use('ggplot') 
import sklearn 
from sklearn.preprocessing import StandardScaler 
from sklearn.model_selection import train_test_split 
from sklearn.utils import shuffle 
from sklearn.metrics import confusion_matrix 
from sklearn.manifold import TSNE 
pass 
# 倒入并查看数据 
crecreditcard_data=pd.read_csv('./creditcard.csv') 
crecreditcard_data.shape,crecreditcard_data.info() 
<class 'pandas.core.frame.DataFrame'> 
RangeIndex: 284807 entries, 0 to 284806 
Data columns (total 31 columns): 
Time 284807 non-null float64 
V1 284807 non-null float64 
V2 284807 non-null float64 
V3 284807 non-null float64 
V4 284807 non-null float64 
V5 284807 non-null float64 
V6 284807 non-null float64 
V7 284807 non-null float64 
V8 284807 non-null float64 
V9 284807 non-null float64 
V10 284807 non-null float64 
V11 284807 non-null float64 
V12 284807 non-null float64 
V13 284807 non-null float64 
V14 284807 non-null float64 
V15 284807 non-null float64 
V16 284807 non-null float64 
V17 284807 non-null float64 
V18 284807 non-null float64 
V19 284807 non-null float64 
V20 284807 non-null float64 
V21 284807 non-null float64 
V22 284807 non-null float64 
V23 284807 non-null float64 
V24 284807 non-null float64 
V25 284807 non-null float64 
V26 284807 non-null float64 
V27 284807 non-null float64 
V28 284807 non-null float64 
Amount 284807 non-null float64 
Class 284807 non-null int64 
dtypes: float64(30), int64(1) 
memory usage: 67.4 MB 
((284807, 31), None) 
crecreditcard_data.describe() 
pass 
crecreditcard_data.head() 
pass 
# 看看欺诈与非欺诈的比例如何 
count_classes=pd.value_counts(crecreditcard_data['Class'],sort=True).sort_index() 
# 统计下具体数据 
count_classes.value_counts() 
# 也可以用count_classes[0],count_classes[1]看分别数据 
284315 1 
492 1 
Name: Class, dtype: int64 
count_classes.plot(kind='bar') 
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

# 查看二者的描述性统计,与时间的序列分布关系 
print('Normal') 
print(crecreditcard_data. 
 Time[crecreditcard_data.Class == 0].describe()) 
print('-'*25) 
print('Fraud') 
print(crecreditcard_data. 
 Time[crecreditcard_data.Class == 1].describe()) 
Normal 
count 284315.000000 
mean 94838.202258 
std 47484.015786 
min 0.000000 
25% 54230.000000 
50% 84711.000000 
75% 139333.000000 
max 172792.000000 
Name: Time, dtype: float64 
------------------------- 
Fraud 
count 492.000000 
mean 80746.806911 
std 47835.365138 
min 406.000000 
25% 41241.500000 
50% 75568.500000 
75% 128483.000000 
max 170348.000000 
Name: Time, dtype: float64 
f,(ax1,ax2)=plt.subplots(2,1,sharex=True,figsize=(12,6)) 
bins=50 
ax1.hist(crecreditcard_data.Time[crecreditcard_data.Class == 1],bins=bins) 
ax1.set_title('欺诈(Fraud))',fontsize=22) 
ax1.set_ylabel('交易量',fontsize=15) 
ax2.hist(crecreditcard_data.Time[crecreditcard_data.Class == 0],bins=bins) 
ax2.set_title('正常(Normal',fontsize=22) 
plt.xlabel('时间(单位:秒)',fontsize=15) 
plt.xticks(fontsize=15) 
plt.ylabel('交易量',fontsize=15) 
# plt.yticks(fontsize=22) 
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

print('欺诈') 
print(crecreditcard_data.Amount[crecreditcard_data.Class ==1].describe()) 
print('-'*25) 
print('正常交易') 
print(crecreditcard_data.Amount[crecreditcard_data.Class==0].describe()) 
欺诈 
count 492.000000 
mean 122.211321 
std 256.683288 
min 0.000000 
25% 1.000000 
50% 9.250000 
75% 105.890000 
max 2125.870000 
Name: Amount, dtype: float64 
------------------------- 
正常交易 
count 284315.000000 
mean 88.291022 
std 250.105092 
min 0.000000 
25% 5.650000 
50% 22.000000 
75% 77.050000 
max 25691.160000 
Name: Amount, dtype: float64 
f,(ax1,ax2)=plt.subplots(2,1,sharex=True,figsize=(12,6)) 
bins=30 
ax1.hist(crecreditcard_data.Amount[crecreditcard_data.Class == 1],bins=bins) 
ax1.set_title('欺诈(Fraud)',fontsize=22) 
ax1.set_ylabel('交易量',fontsize=15) 
ax2.hist(crecreditcard_data.Amount[crecreditcard_data.Class == 0],bins=bins) 
ax2.set_title('正常(Normal)',fontsize=22) 
plt.xlabel('金额($)',fontsize=15) 
plt.xticks(fontsize=15) 
plt.ylabel('交易量',fontsize=15) 
plt.yscale('log') 
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：

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

# 各个变量的矩阵分布 
crecreditcard_data.hist(figsize=(15,15),bins=50) 
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：

# 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 
# 分组 
Fraud=crecreditcard_data[crecreditcard_data.Class == 1] 
Normal=crecreditcard_data[crecreditcard_data.Class == 0] 
# 训练特征集 
x_train=Fraud.sample(frac=0.7) 
x_train=pd.concat([x_train,Normal.sample(frac=0.7)],axis=0) 
# 测试特征集 
x_test=crecreditcard_data.loc[~crecreditcard_data.index.isin(x_train.index)] 
# 标签集 
y_train=x_train.Class 
y_test=x_test.Class 
# 去掉特征集里的标签和时间列 
x_train=x_train.drop(['Class','Time'],axis=1) 
x_test=x_test.drop(['Class','Time'],axis=1) 
# 查看数据结构 
print(x_train.shape,y_train.shape, 
 '\n',x_test.shape,y_test.shape) 
(199364, 29) (199364,)  
 (85443, 29) (85443,) 

6.1 逻辑回归方法

from sklearn import metrics 
import scipy.optimize as op 
from sklearn.linear_model import LogisticRegression 
from sklearn.cross_validation import KFold,cross_val_score 
from sklearn.metrics import (precision_recall_curve, 
 auc,roc_auc_score, 
 roc_curve,recall_score, 
 classification_report) 
lrmodel = LogisticRegression(penalty='l2') 
lrmodel.fit(x_train, y_train) 
#查看模型 
print('lrmodel') 
print(lrmodel) 
lrmodel 
LogisticRegression(C=1.0, class_weight=None, dual=False, fit_intercept=True, 
 intercept_scaling=1, max_iter=100, multi_class='ovr', n_jobs=1, 
 penalty='l2', random_state=None, solver='liblinear', tol=0.0001, 
 verbose=0, warm_start=False) 
#查看混淆矩阵 
ypred_lr=lrmodel.predict(x_test) 
print('confusion_matrix') 
print(metrics.confusion_matrix(y_test,ypred_lr)) 
confusion_matrix 
[[85284 11] 
 [ 56 92]] 
#查看分类报告 
print('classification_report') 
print(metrics.classification_report(y_test,ypred_lr)) 
classification_report 
 precision recall f1-score support 
 0 1.00 1.00 1.00 85295 
 1 0.89 0.62 0.73 148 
avg / total 1.00 1.00 1.00 85443 
#查看预测精度与决策覆盖面 
print('Accuracy:%f'%(metrics.accuracy_score(y_test,ypred_lr))) 
print('Area under the curve:%f'%(metrics.roc_auc_score(y_test,ypred_lr))) 
Accuracy:0.999216 
Area under the curve:0.810746 

6.2 随机森林模型

from sklearn.ensemble import RandomForestClassifier 
rfmodel=RandomForestClassifier() 
rfmodel.fit(x_train,y_train) 
#查看模型 
print('rfmodel') 
rfmodel 
rfmodel 
RandomForestClassifier(bootstrap=True, class_weight=None, criterion='gini', 
 max_depth=None, max_features='auto', max_leaf_nodes=None, 
 min_impurity_decrease=0.0, min_impurity_split=None, 
 min_samples_leaf=1, min_samples_split=2, 
 min_weight_fraction_leaf=0.0, n_estimators=10, n_jobs=1, 
 oob_score=False, random_state=None, verbose=0, 
 warm_start=False) 
#查看混淆矩阵 
ypred_rf=rfmodel.predict(x_test) 
print('confusion_matrix') 
print(metrics.confusion_matrix(y_test,ypred_rf)) 
confusion_matrix 
[[85291 4] 
 [ 34 114]] 
#查看分类报告 
print('classification_report') 
print(metrics.classification_report(y_test,ypred_rf)) 
classification_report 
 precision recall f1-score support 
 0 1.00 1.00 1.00 85295 
 1 0.97 0.77 0.86 148 
avg / total 1.00 1.00 1.00 85443 
#查看预测精度与决策覆盖面 
print('Accuracy:%f'%(metrics.accuracy_score(y_test,ypred_rf))) 
print('Area under the curve:%f'%(metrics.roc_auc_score(y_test,ypred_rf))) 
Accuracy:0.999625 
Area under the curve:0.902009 

6.3支持向量机SVM

# SVM分类 
from sklearn.svm import SVC 
svcmodel=SVC(kernel='sigmoid') 
svcmodel.fit(x_train,y_train) 
#查看模型 
print('svcmodel') 
svcmodel 
SVC(C=1.0, cache_size=200, class_weight=None, coef0=0.0, 
 decision_function_shape='ovr', degree=3, gamma='auto', kernel='sigmoid', 
 max_iter=-1, probability=False, random_state=None, shrinking=True, 
 tol=0.001, verbose=False) 
#查看混淆矩阵 
ypred_svc=svcmodel.predict(x_test) 
print('confusion_matrix') 
print(metrics.confusion_matrix(y_test,ypred_svc)) 
confusion_matrix 
[[85197 98] 
 [ 142 6]] 
#查看分类报告 
print('classification_report') 
print(metrics.classification_report(y_test,ypred_svc)) 
classification_report 
 precision recall f1-score support 
 0 1.00 1.00 1.00 85295 
 1 0.06 0.04 0.05 148 
avg / total 1.00 1.00 1.00 85443 
#查看预测精度与决策覆盖面 
print('Accuracy:%f'%(metrics.accuracy_score(y_test,ypred_svc))) 
print('Area under the curve:%f'%(metrics.roc_auc_score(y_test,ypred_svc))) 
Accuracy:0.997191 
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。