繁荣的贷款数据 从繁荣的数据集中探索贷款数据。 为了完整性，数据集包含在数据集文件夹中。 数据由Udacity提供，是“探索和汇总数据”的一部分。 该数据集包含113,937笔贷款，每笔贷款有81个变量，包括贷款金额，借款人利率（或利率），当前贷款状态，借款人收入，借款人就业状态，借款人信用记录和最新付款信息。 可以在数据集目录中找到更多说明。

可视化 prosper.com 借款人的状态 可视化、要点和 github 链接 可视化可以在这里看到： 。 概括 Prosper 是美国第一个市场借贷平台，拥有超过 80 亿美元的融资贷款。 了解更多信息，请访问 。 根据公布的贷款数据，我提取了每个州的贷款数量。 [数据/borrower_states.csv]。 公司应该关注贷款数量较多的州，但是如果这些州的人口数量已经非常多怎么办！为此，我创建了一个名为“score”的新变量来给每个州一个分数，这个分数的计算方式是对每个州的 (loans/population) 和 (loans/total_loans) 求和，然后将这些值映射到 0 到 1 之间的值。 因此得分较高的州意味着这些州的贷款数量和人口数量都很高，值得关注。 ->如下图所示，加利福尼亚州、伊利诺伊州和佐治亚州三个州的得分高于0.7，此外，还有18个州的得分高于0

（繁荣的贷款数据集探索） 由（Ujwala K） 数据集 该数据集包含113,937笔贷款，每笔贷款有81个变量，包括贷款金额，借款人利率（或利率），当前贷款状态，借款人收入等。 调查结果摘要 我的主要重点是回答以下问题：-1）负责贷款状态结果的因素，例如已完成或已取消或过期等2）影响借款人的APR的因素（通常包括经纪人费用，交易成本，回扣和折扣点） 3）影响借款人利率的因素4）贷款金额差异大的因素（根据原始贷款金额的多少，贷款之间是否存在差异？） 在Univariate Exploration中，我绘制了一些用于分配BorrowerAPR，BorrowerRate，DebtToIncomeRatio，Borrower's职业，整体LoanStatus，LoanOriginalAmount分布图，收入范围，ProperRating和CreditGrads的图，并观察到：- 1）借款人的

kaggle上之前上传的prosper的数据，包含81个变量，具体的变量描述网上有很多，这个数据我也找了挺久的，现在kaggle上已经不支持下载了。