Spaces:
Sleeping
Sleeping
File size: 74,027 Bytes
0f82473 | 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480 481 482 483 484 485 486 487 488 489 490 491 492 493 494 495 496 497 498 499 500 501 502 503 504 505 506 507 508 509 510 511 512 513 514 515 516 517 518 519 520 521 522 523 524 525 526 527 528 529 530 531 532 533 534 535 536 537 538 539 540 541 542 543 544 545 546 547 548 549 550 551 552 553 554 555 556 557 558 559 560 561 562 563 564 565 566 567 568 569 570 571 572 573 574 575 576 577 578 579 580 581 582 583 584 585 586 587 588 589 590 591 592 593 594 595 596 597 598 599 600 601 602 603 604 605 606 607 608 609 610 611 612 613 614 615 616 617 618 619 620 621 622 623 624 625 626 627 628 629 630 631 632 633 634 635 636 637 638 639 640 641 642 643 644 645 646 647 648 649 650 651 652 653 654 655 656 657 658 659 660 661 662 663 664 665 666 667 668 669 670 671 672 673 674 675 676 677 678 679 680 681 682 683 684 685 686 687 688 689 690 691 692 693 694 695 696 697 698 699 700 701 702 703 704 705 706 707 708 709 710 711 712 713 714 715 716 717 718 719 720 721 722 723 724 725 726 727 728 729 730 731 732 733 734 735 736 737 738 739 740 741 742 743 744 745 746 747 748 749 750 751 752 753 754 755 756 757 758 759 760 761 762 763 764 765 766 767 768 769 770 771 772 773 774 775 776 777 778 779 780 781 782 783 784 785 786 787 788 789 790 791 792 793 794 795 796 797 798 799 800 801 802 803 804 805 806 807 808 809 810 811 812 813 814 815 816 817 818 819 820 821 822 823 824 825 826 827 828 829 830 831 832 833 834 835 836 837 838 839 840 841 842 843 844 845 846 847 848 849 850 851 852 853 854 855 856 857 858 859 860 861 862 863 864 865 866 867 868 869 870 871 872 873 874 875 876 877 878 879 880 881 882 883 884 885 886 887 888 889 890 891 892 893 894 895 896 897 898 899 900 901 902 903 904 905 906 907 908 909 910 911 912 913 914 915 916 917 918 919 920 921 922 923 924 925 926 927 928 929 930 931 932 933 934 935 936 937 938 939 940 941 942 943 944 945 946 947 948 949 950 951 952 953 954 955 956 957 958 959 960 961 962 963 964 965 966 967 968 969 970 971 972 973 974 975 976 977 978 979 980 981 982 983 984 985 986 987 988 989 990 991 992 993 994 995 996 997 998 999 1000 1001 1002 1003 1004 1005 1006 1007 1008 1009 1010 1011 1012 1013 1014 1015 1016 1017 1018 1019 1020 1021 1022 1023 1024 1025 1026 1027 1028 1029 1030 1031 1032 1033 1034 1035 1036 1037 1038 1039 1040 1041 1042 1043 1044 1045 1046 1047 1048 1049 1050 1051 1052 1053 1054 1055 1056 1057 1058 1059 1060 1061 1062 1063 1064 1065 1066 1067 1068 1069 1070 1071 1072 1073 1074 1075 1076 1077 1078 1079 1080 1081 1082 1083 1084 1085 1086 1087 1088 1089 1090 1091 1092 1093 1094 1095 1096 1097 1098 1099 1100 1101 1102 1103 1104 1105 1106 1107 1108 1109 1110 1111 1112 1113 1114 1115 1116 1117 1118 1119 1120 1121 1122 1123 1124 1125 1126 1127 1128 1129 1130 1131 1132 1133 1134 1135 1136 1137 1138 1139 1140 1141 1142 1143 1144 1145 1146 1147 1148 1149 1150 1151 1152 1153 1154 1155 1156 1157 1158 1159 1160 1161 1162 1163 1164 1165 1166 1167 1168 1169 1170 1171 1172 1173 1174 1175 1176 1177 1178 1179 1180 1181 1182 1183 1184 1185 1186 1187 1188 1189 1190 1191 1192 1193 1194 1195 1196 1197 1198 1199 1200 1201 1202 1203 1204 1205 1206 1207 1208 1209 1210 1211 1212 1213 1214 1215 1216 1217 1218 1219 1220 1221 1222 1223 1224 1225 1226 1227 1228 1229 1230 1231 1232 1233 1234 1235 1236 1237 1238 1239 1240 1241 1242 1243 1244 1245 1246 1247 1248 1249 1250 1251 1252 1253 1254 1255 1256 1257 1258 1259 1260 1261 1262 1263 1264 1265 1266 1267 1268 1269 1270 1271 1272 1273 1274 1275 1276 1277 1278 1279 1280 1281 1282 1283 1284 1285 1286 1287 1288 1289 1290 1291 1292 1293 1294 1295 1296 1297 1298 1299 1300 1301 1302 1303 1304 1305 1306 1307 1308 1309 1310 1311 1312 1313 1314 1315 1316 1317 1318 1319 1320 1321 1322 1323 1324 1325 1326 1327 1328 1329 1330 1331 1332 1333 1334 1335 1336 1337 1338 1339 1340 1341 1342 1343 1344 1345 1346 1347 1348 1349 1350 1351 1352 1353 1354 1355 1356 1357 1358 1359 1360 1361 1362 1363 1364 1365 1366 1367 1368 1369 1370 1371 1372 1373 1374 1375 1376 1377 1378 1379 1380 1381 1382 1383 1384 1385 1386 1387 1388 1389 1390 1391 1392 1393 1394 1395 1396 1397 1398 1399 1400 1401 1402 1403 1404 1405 1406 1407 1408 1409 1410 1411 1412 1413 1414 1415 1416 1417 1418 1419 1420 1421 1422 1423 1424 1425 1426 1427 1428 1429 1430 1431 1432 1433 1434 1435 1436 1437 1438 1439 1440 1441 1442 1443 1444 1445 1446 1447 1448 1449 1450 1451 1452 1453 1454 1455 1456 1457 1458 1459 1460 1461 1462 1463 1464 1465 1466 1467 1468 1469 1470 1471 1472 1473 1474 1475 1476 1477 1478 1479 1480 1481 1482 1483 1484 1485 1486 1487 1488 1489 1490 1491 1492 1493 1494 1495 1496 1497 1498 1499 1500 1501 1502 1503 1504 1505 1506 1507 1508 1509 1510 1511 1512 1513 1514 1515 1516 1517 1518 1519 1520 1521 1522 1523 1524 1525 1526 1527 1528 1529 1530 1531 1532 1533 1534 1535 1536 1537 1538 1539 1540 1541 1542 1543 1544 1545 1546 1547 1548 1549 1550 1551 1552 1553 | # Ce fichier constitue le pipeline complet de prétraitement des données pour
# un modèle de scoring de crédit (type Home Credit Default Risk).
#
# L'objectif est de fusionner plusieurs sources de données (demandes de prêt,
# historique bureau de crédit, remboursements, cartes de crédit, etc.) en un
# seul DataFrame prêt à l'entraînement d'un modèle de machine learning.
#
# Flux général :
# application_train.csv → données principales du demandeur
# bureau.csv + bureau_balance.csv → historique crédits externes (Credit Bureau)
# previous_application.csv → demandes de prêt passées chez Home Credit
# POS_CASH_balance.csv → soldes mensuels des prêts/POS précédents
# installments_payments.csv → historique des paiements d'échéances
# credit_card_balance.csv → soldes mensuels des cartes de crédit
#
# Toutes ces tables sont agrégées par client (SK_ID_CURR) puis fusionnées.
# =============================================================================
import os
import gc
import time
import re
import numpy as np
import pandas as pd
from contextlib import contextmanager
import multiprocessing as mp
from functools import partial
from scipy.stats import kurtosis, iqr, skew
from sklearn.linear_model import LinearRegression
import warnings
warnings.simplefilter(action='ignore', category=FutureWarning)
warnings.filterwarnings('ignore', category=pd.errors.PerformanceWarning)
# =============================================================================
# FONCTION PRINCIPALE : load_dataset
# =============================================================================
def load_dataset(debug=False):
"""
Charge et prétraite toutes les sources de données, puis retourne le
DataFrame final fusionné (données d'entraînement uniquement).
Paramètre :
debug (bool) : Si True, charge seulement 30 000 lignes par fichier
pour accélérer les tests. Par défaut False (toutes les données).
Retourne :
df (pd.DataFrame) : DataFrame final avec toutes les features engineered,
prêt pour l'entraînement d'un modèle ML.
"""
# En mode debug, on limite à 30 000 lignes pour aller plus vite
num_rows = 30000 if debug else None
# Chargement des données principales des demandeurs de prêt
with timer("application_train"):
df = get_train(DATA_DIRECTORY, num_rows=num_rows)
print("Application dataframe shape: ", df.shape)
# Fusion avec les données du bureau de crédit externe
# Le bureau de crédit contient l'historique des crédits ouverts ailleurs
with timer("Bureau and bureau_balance data"):
bureau_df = get_bureau(DATA_DIRECTORY, num_rows=num_rows)
df = pd.merge(df, bureau_df, on='SK_ID_CURR', how='left')
print("Bureau dataframe shape: ", bureau_df.shape)
del bureau_df; gc.collect() # Libère la mémoire immédiatement après fusion
# Fusion avec les demandes de prêt précédentes chez Home Credit
with timer("previous_application"):
prev_df = get_previous_applications(DATA_DIRECTORY, num_rows)
df = pd.merge(df, prev_df, on='SK_ID_CURR', how='left')
print("Previous dataframe shape: ", prev_df.shape)
del prev_df; gc.collect()
# Fusion avec les balances mensuelles des prêts/POS, remboursements et cartes
with timer("previous applications balances"):
# Soldes mensuels des prêts à la consommation / POS (Point Of Sale)
pos = get_pos_cash(DATA_DIRECTORY, num_rows)
df = pd.merge(df, pos, on='SK_ID_CURR', how='left')
print("Pos-cash dataframe shape: ", pos.shape)
del pos; gc.collect()
# Historique détaillé des paiements d'échéances
ins = get_installment_payments(DATA_DIRECTORY, num_rows)
df = pd.merge(df, ins, on='SK_ID_CURR', how='left')
print("Installments dataframe shape: ", ins.shape)
del ins; gc.collect()
# Soldes mensuels des cartes de crédit
cc = get_credit_card(DATA_DIRECTORY, num_rows)
df = pd.merge(df, cc, on='SK_ID_CURR', how='left')
print("Credit card dataframe shape: ", cc.shape)
del cc; gc.collect()
# Post-traitement final
df = add_ratios_features(df) # Ajout de ratios croisant plusieurs sources
df = replace_infinite_with_nan(df) # Remplace les +/-inf par NaN (divisions par zéro)
df = reduce_memory(df) # Réduit l'empreinte mémoire en castant les types numériques
df = sanitize_feature_names(df) # Nettoie les noms de colonnes (caractères spéciaux, doublons)
# Suppression colonnes > 40 % NaN
nan_pct = df.isna().mean() * 100
df = df.drop(columns=nan_pct[nan_pct > 40].index.tolist())
# Suppression quasi-constantes (>= 99 % même valeur)
PROTECTED_COLS = ["SK_ID_CURR", "TARGET"]
dominant_ratio = df.apply(lambda s: s.value_counts(normalize=True, dropna=False).iloc[0])
quasi_cst = dominant_ratio[(dominant_ratio >= 0.99) & (~dominant_ratio.index.isin(PROTECTED_COLS))].index
df = df.drop(columns=quasi_cst)
# Feature engineering
df["ANNUITY_CREDIT_RATIO"] = df["GROUP_ANNUITY_MEAN"] / df["GROUP_CREDIT_MEAN"]
df["DEF_ESCALATION"] = df["DEF_60_CNT_SOCIAL_CIRCLE"] - df["DEF_30_CNT_SOCIAL_CIRCLE"]
# Suppressions validées (mode full)
cols_to_drop = [
"AMT_CREDIT", "EXT_SOURCES_MEAN", "DAYS_EMPLOYED", "EXT_SOURCES_MIN",
"INCOME_TO_EMPLOYED_RATIO", "AMT_ANNUITY", "AMT_GOODS_PRICE",
"EXT_SOURCES_NANMEDIAN", "EMPLOYED_TO_BIRTH_RATIO", "AGE_RANGE",
"REGION_RATING_CLIENT_W_CITY", "DAYS_LAST_PHONE_CHANGE", "INCOME_TO_BIRTH_RATIO",
"DEF_60_CNT_SOCIAL_CIRCLE", "ID_TO_BIRTH_RATIO", "NEW_DOC_KURT", "GROUP_ANNUITY_MEAN",
]
df = df.drop(columns=[c for c in cols_to_drop if c in df.columns])
return df
# =============================================================================
# FEATURES CROISÉES : add_ratios_features
# =============================================================================
def add_ratios_features(df):
"""
Crée des features de ratio croisant les données de la demande principale
avec les informations agrégées du bureau et des demandes précédentes.
Ces ratios permettent au modèle de comparer le comportement actuel du client
à son historique de crédit.
"""
# Ratio crédit du bureau / revenu total
# Mesure la charge de crédit externe par rapport aux revenus
df['BUREAU_INCOME_CREDIT_RATIO'] = df['BUREAU_AMT_CREDIT_SUM_MEAN'] / df['AMT_INCOME_TOTAL']
df['BUREAU_ACTIVE_CREDIT_TO_INCOME_RATIO'] = df['BUREAU_ACTIVE_AMT_CREDIT_SUM_SUM'] / df['AMT_INCOME_TOTAL']
# Ratio crédit actuel / crédit des demandes précédentes approuvées
# Permet de voir si le client emprunte plus ou moins qu'habituellement
df['CURRENT_TO_APPROVED_CREDIT_MIN_RATIO'] = df['APPROVED_AMT_CREDIT_MIN'] / df['AMT_CREDIT']
df['CURRENT_TO_APPROVED_CREDIT_MAX_RATIO'] = df['APPROVED_AMT_CREDIT_MAX'] / df['AMT_CREDIT']
df['CURRENT_TO_APPROVED_CREDIT_MEAN_RATIO'] = df['APPROVED_AMT_CREDIT_MEAN'] / df['AMT_CREDIT']
# Ratio annuité actuelle / annuités des demandes précédentes
# Mesure si la mensualité demandée est cohérente avec le passé
df['CURRENT_TO_APPROVED_ANNUITY_MAX_RATIO'] = df['APPROVED_AMT_ANNUITY_MAX'] / df['AMT_ANNUITY']
df['CURRENT_TO_APPROVED_ANNUITY_MEAN_RATIO'] = df['APPROVED_AMT_ANNUITY_MEAN'] / df['AMT_ANNUITY']
# Ratios entre les paiements effectifs (installments) et l'annuité actuelle
df['PAYMENT_MIN_TO_ANNUITY_RATIO'] = df['INS_AMT_PAYMENT_MIN'] / df['AMT_ANNUITY']
df['PAYMENT_MAX_TO_ANNUITY_RATIO'] = df['INS_AMT_PAYMENT_MAX'] / df['AMT_ANNUITY']
df['PAYMENT_MEAN_TO_ANNUITY_RATIO'] = df['INS_AMT_PAYMENT_MEAN'] / df['AMT_ANNUITY']
# Ratio crédit/annuité des demandes précédentes vs actuelle
# Compare la durée implicite du prêt (crédit ÷ annuité) avec le passé
df['CTA_CREDIT_TO_ANNUITY_MAX_RATIO'] = df['APPROVED_CREDIT_TO_ANNUITY_RATIO_MAX'] / df[
'CREDIT_TO_ANNUITY_RATIO']
df['CTA_CREDIT_TO_ANNUITY_MEAN_RATIO'] = df['APPROVED_CREDIT_TO_ANNUITY_RATIO_MEAN'] / df[
'CREDIT_TO_ANNUITY_RATIO']
# Ratios temporels
# Normalise les durées (en jours) par rapport à l'âge et à l'ancienneté du client
df['DAYS_DECISION_MEAN_TO_BIRTH'] = df['APPROVED_DAYS_DECISION_MEAN'] / df['DAYS_BIRTH']
df['DAYS_CREDIT_MEAN_TO_BIRTH'] = df['BUREAU_DAYS_CREDIT_MEAN'] / df['DAYS_BIRTH']
df['DAYS_DECISION_MEAN_TO_EMPLOYED'] = df['APPROVED_DAYS_DECISION_MEAN'] / df['DAYS_EMPLOYED']
df['DAYS_CREDIT_MEAN_TO_EMPLOYED'] = df['BUREAU_DAYS_CREDIT_MEAN'] / df['DAYS_EMPLOYED']
# Les ratios peuvent produire +/-inf si le dénominateur vaut 0 → on les remplace par NaN
df = replace_infinite_with_nan(df)
return df
# =============================================================================
# PIPELINE DEMANDE PRINCIPALE : get_train
# =============================================================================
def get_train(path, num_rows=None):
"""
Lit et prétraite le fichier application_train.csv.
Ce fichier contient une ligne par demande de prêt en cours, avec les
informations socio-démographiques du demandeur, les montants demandés,
et la variable cible TARGET (1 = défaut de paiement, 0 = remboursé).
Paramètre :
path (str) : Répertoire contenant les fichiers CSV.
num_rows (int) : Nombre de lignes à lire (None = toutes).
Retourne :
df (pd.DataFrame) : DataFrame prétraité avec features engineered.
"""
df = pd.read_csv(os.path.join(path, 'application_train.csv'), nrows=num_rows)
# Nettoyage des données aberrantes
df = df[df['CODE_GENDER'] != 'XNA'] # Supprime 4 individus avec genre inconnu ('XNA')
df = df[df['AMT_INCOME_TOTAL'] < 20000000] # Supprime un outlier extrême (117M€ dans le train, max 4M dans le test)
df['DAYS_EMPLOYED'] = df['DAYS_EMPLOYED'].replace(365243, np.nan) # 365243 = valeur sentinelle "non employé"
df['DAYS_LAST_PHONE_CHANGE'] = df['DAYS_LAST_PHONE_CHANGE'].replace(0, np.nan) # 0 = pas de changement connu
# Features sur les documents fournis
# FLAG_DOC_X indique si le client a fourni le document X (0/1)
docs = [f for f in df.columns if 'FLAG_DOC' in f]
df['DOCUMENT_COUNT'] = df[docs].sum(axis=1) # Nombre total de documents fournis
df['NEW_DOC_KURT'] = df[docs].kurtosis(axis=1) # Kurtosis = mesure de la distribution des documents fournis
# Tranche d'âge
# Basée sur l'analyse de la corrélation TARGET=1 / âge
df['AGE_RANGE'] = df['DAYS_BIRTH'].apply(lambda x: get_age_label(x))
# Features dérivées des scores externes (EXT_SOURCE_1/2/3)
# Ces scores sont fournis par des bureaux de crédit externes et sont très prédictifs
df['EXT_SOURCES_PROD'] = df['EXT_SOURCE_1'] * df['EXT_SOURCE_2'] * df['EXT_SOURCE_3']
# Somme pondérée (SOURCE_3 compte double car plus prédictif)
df['EXT_SOURCES_WEIGHTED'] = df.EXT_SOURCE_1 * 2 + df.EXT_SOURCE_2 * 1 + df.EXT_SOURCE_3 * 3
# Agrégations statistiques des 3 scores externes sur chaque ligne
warnings.filterwarnings('ignore', r'All-NaN (slice|axis) encountered')
for function_name in ['min', 'max', 'mean', 'nanmedian', 'var']:
feature_name = 'EXT_SOURCES_{}'.format(function_name.upper())
df[feature_name] = eval('np.{}'.format(function_name))(
df[['EXT_SOURCE_1', 'EXT_SOURCE_2', 'EXT_SOURCE_3']], axis=1)
# Ratios financiers internes à la demande
# Rapport entre le montant emprunté et la mensualité → durée implicite du prêt
df['CREDIT_TO_ANNUITY_RATIO'] = df['AMT_CREDIT'] / df['AMT_ANNUITY']
# Rapport entre le crédit accordé et la valeur du bien financé
df['CREDIT_TO_GOODS_RATIO'] = df['AMT_CREDIT'] / df['AMT_GOODS_PRICE']
# Ratios de charge financière par rapport aux revenus
df['ANNUITY_TO_INCOME_RATIO'] = df['AMT_ANNUITY'] / df['AMT_INCOME_TOTAL']
df['CREDIT_TO_INCOME_RATIO'] = df['AMT_CREDIT'] / df['AMT_INCOME_TOTAL']
df['INCOME_TO_EMPLOYED_RATIO'] = df['AMT_INCOME_TOTAL'] / df['DAYS_EMPLOYED']
df['INCOME_TO_BIRTH_RATIO'] = df['AMT_INCOME_TOTAL'] / df['DAYS_BIRTH']
# Ratios temporels : ancienneté professionnelle, véhicule, etc. par rapport à l'âge
df['EMPLOYED_TO_BIRTH_RATIO'] = df['DAYS_EMPLOYED'] / df['DAYS_BIRTH']
df['ID_TO_BIRTH_RATIO'] = df['DAYS_ID_PUBLISH'] / df['DAYS_BIRTH']
df['CAR_TO_BIRTH_RATIO'] = df['OWN_CAR_AGE'] / df['DAYS_BIRTH']
df['CAR_TO_EMPLOYED_RATIO'] = df['OWN_CAR_AGE'] / df['DAYS_EMPLOYED']
df['PHONE_TO_BIRTH_RATIO'] = df['DAYS_LAST_PHONE_CHANGE'] / df['DAYS_BIRTH']
# Statistiques de groupe
# Pour chaque combinaison (type d'organisation, niveau d'éducation, profession,
# tranche d'âge, genre), calcule des statistiques de référence
# → permet de comparer un individu à ses "pairs"
group_cols = ['ORGANIZATION_TYPE', 'NAME_EDUCATION_TYPE', 'OCCUPATION_TYPE', 'AGE_RANGE', 'CODE_GENDER']
df = do_median(df, group_cols, 'EXT_SOURCES_MEAN', 'GROUP_EXT_SOURCES_MEDIAN')
df = do_std(df, group_cols, 'EXT_SOURCES_MEAN', 'GROUP_EXT_SOURCES_STD')
df = do_mean(df, group_cols, 'AMT_INCOME_TOTAL', 'GROUP_INCOME_MEAN')
df = do_std(df, group_cols, 'AMT_INCOME_TOTAL', 'GROUP_INCOME_STD')
df = do_mean(df, group_cols, 'CREDIT_TO_ANNUITY_RATIO', 'GROUP_CREDIT_TO_ANNUITY_MEAN')
df = do_std(df, group_cols, 'CREDIT_TO_ANNUITY_RATIO', 'GROUP_CREDIT_TO_ANNUITY_STD')
df = do_mean(df, group_cols, 'AMT_CREDIT', 'GROUP_CREDIT_MEAN')
df = do_mean(df, group_cols, 'AMT_ANNUITY', 'GROUP_ANNUITY_MEAN')
df = do_std(df, group_cols, 'AMT_ANNUITY', 'GROUP_ANNUITY_STD')
# Encodage des variables catégorielles
# Les colonnes de type texte sont converties en entiers avec pd.factorize
df, le_encoded_cols = label_encoder(df, None)
# Suppression des colonnes peu informatives
df = drop_application_columns(df)
return df
def drop_application_columns(df):
"""
Supprime les colonnes identifiées comme peu importantes par analyse
de permutation feature importance.
Ces colonnes ajoutent du bruit sans améliorer les performances du modèle.
"""
drop_list = [
'CNT_CHILDREN', 'CNT_FAM_MEMBERS', 'HOUR_APPR_PROCESS_START',
'FLAG_EMP_PHONE', 'FLAG_MOBIL', 'FLAG_CONT_MOBILE', 'FLAG_EMAIL', 'FLAG_PHONE',
'FLAG_OWN_REALTY', 'REG_REGION_NOT_LIVE_REGION', 'REG_REGION_NOT_WORK_REGION',
'REG_CITY_NOT_WORK_CITY', 'OBS_30_CNT_SOCIAL_CIRCLE', 'OBS_60_CNT_SOCIAL_CIRCLE',
'AMT_REQ_CREDIT_BUREAU_DAY', 'AMT_REQ_CREDIT_BUREAU_MON', 'AMT_REQ_CREDIT_BUREAU_YEAR',
'COMMONAREA_MODE', 'NONLIVINGAREA_MODE', 'ELEVATORS_MODE', 'NONLIVINGAREA_AVG',
'FLOORSMIN_MEDI', 'LANDAREA_MODE', 'NONLIVINGAREA_MEDI', 'LIVINGAPARTMENTS_MODE',
'FLOORSMIN_AVG', 'LANDAREA_AVG', 'FLOORSMIN_MODE', 'LANDAREA_MEDI',
'COMMONAREA_MEDI', 'YEARS_BUILD_AVG', 'COMMONAREA_AVG', 'BASEMENTAREA_AVG',
'BASEMENTAREA_MODE', 'NONLIVINGAPARTMENTS_MEDI', 'BASEMENTAREA_MEDI',
'LIVINGAPARTMENTS_AVG', 'ELEVATORS_AVG', 'YEARS_BUILD_MEDI', 'ENTRANCES_MODE',
'NONLIVINGAPARTMENTS_MODE', 'LIVINGAREA_MODE', 'LIVINGAPARTMENTS_MEDI',
'YEARS_BUILD_MODE', 'YEARS_BEGINEXPLUATATION_AVG', 'ELEVATORS_MEDI', 'LIVINGAREA_MEDI',
'YEARS_BEGINEXPLUATATION_MODE', 'NONLIVINGAPARTMENTS_AVG', 'HOUSETYPE_MODE',
'FONDKAPREMONT_MODE', 'EMERGENCYSTATE_MODE'
]
# Supprime également la plupart des indicateurs de documents (peu discriminants)
for doc_num in [2,4,5,6,7,9,10,11,12,13,14,15,16,17,19,20,21]:
drop_list.append('FLAG_DOCUMENT_{}'.format(doc_num))
df.drop(drop_list, axis=1, inplace=True)
return df
def get_age_label(days_birth):
"""
Convertit un nombre de jours depuis la naissance (négatif dans le dataset)
en un label de tranche d'âge (entier de 1 à 5).
Tranches :
1 : moins de 27 ans
2 : 27 à 39 ans
3 : 40 à 49 ans
4 : 50 à 64 ans
5 : 65 à 98 ans
0 : valeur invalide (≥ 99 ans)
"""
age_years = -days_birth / 365 # DAYS_BIRTH est négatif dans le dataset (jours avant aujourd'hui)
if age_years < 27: return 1
elif age_years < 40: return 2
elif age_years < 50: return 3
elif age_years < 65: return 4
elif age_years < 99: return 5
else: return 0
# =============================================================================
# PIPELINE BUREAU : get_bureau / get_bureau_balance
# =============================================================================
def get_bureau(path, num_rows=None):
"""
Lit et agrège les données du Credit Bureau externe.
Le Credit Bureau contient l'historique de tous les crédits du client
auprès d'autres institutions financières (pas seulement Home Credit).
Sources :
bureau.csv : Un ligne par crédit externe par client
bureau_balance.csv : Historique mensuel de chaque crédit externe
Retourne :
agg_bureau (pd.DataFrame) : Une ligne par client (SK_ID_CURR) avec
des features agrégées.
"""
bureau = pd.read_csv(os.path.join(path, 'bureau.csv'), nrows=num_rows)
# Features engineered sur chaque crédit
# Durée totale du crédit (du début à la date de fin prévue)
bureau['CREDIT_DURATION'] = -bureau['DAYS_CREDIT'] + bureau['DAYS_CREDIT_ENDDATE']
# Différence entre la date de fin prévue et la date de clôture réelle
bureau['ENDDATE_DIF'] = bureau['DAYS_CREDIT_ENDDATE'] - bureau['DAYS_ENDDATE_FACT']
# Taux d'endettement : dette restante / montant total du crédit
bureau['DEBT_PERCENTAGE'] = bureau['AMT_CREDIT_SUM'] / bureau['AMT_CREDIT_SUM_DEBT']
# Différence absolue entre le crédit accordé et la dette restante
bureau['DEBT_CREDIT_DIFF'] = bureau['AMT_CREDIT_SUM'] - bureau['AMT_CREDIT_SUM_DEBT']
# Ratio crédit / annuité (durée implicite du remboursement)
bureau['CREDIT_TO_ANNUITY_RATIO'] = bureau['AMT_CREDIT_SUM'] / bureau['AMT_ANNUITY']
# Encodage one-hot des variables catégorielles du bureau
# Ex: CREDIT_ACTIVE → CREDIT_ACTIVE_Active, CREDIT_ACTIVE_Closed, etc.
bureau, categorical_cols = one_hot_encoder(bureau, nan_as_category=False)
# Fusion avec les données mensuelles du bureau (bureau_balance)
bureau = bureau.merge(get_bureau_balance(path, num_rows), how='left', on='SK_ID_BUREAU')
# Certaines colonnes STATUS peuvent être absentes après encodage one-hot si
# aucun crédit n'avait ce statut dans le sous-ensemble chargé → on les initialise à 0
for col in ['STATUS_0', 'STATUS_1', 'STATUS_2', 'STATUS_3', 'STATUS_4', 'STATUS_5', 'STATUS_C', 'STATUS_X']:
if col not in bureau.columns:
bureau[col] = 0
# Indicateur de retard de paiement
# STATUS_1 à STATUS_5 indiquent des retards de 1 à 5 mois → on les cumule
bureau['STATUS_12345'] = 0
for i in range(1,6):
bureau['STATUS_12345'] += bureau['STATUS_{}'.format(i)]
# Agrégation par durée de crédit (MONTHS_BALANCE_SIZE)
# Calcule les moyennes des features clés pour chaque "durée de crédit"
# puis fusionne ces statistiques sur chaque ligne individuelle
features = ['AMT_CREDIT_MAX_OVERDUE', 'AMT_CREDIT_SUM_OVERDUE', 'AMT_CREDIT_SUM',
'AMT_CREDIT_SUM_DEBT', 'DEBT_PERCENTAGE', 'DEBT_CREDIT_DIFF', 'STATUS_0', 'STATUS_12345']
agg_length = bureau.groupby('MONTHS_BALANCE_SIZE')[features].mean().reset_index()
agg_length.rename({feat: 'LL_' + feat for feat in features}, axis=1, inplace=True)
bureau = bureau.merge(agg_length, how='left', on='MONTHS_BALANCE_SIZE')
del agg_length; gc.collect()
# Agrégation générale de tous les crédits par client
agg_bureau = group(bureau, 'BUREAU_', BUREAU_AGG)
# Agrégation séparée pour les crédits actifs et fermés
# Les crédits actifs et fermés ont des comportements très différents
active = bureau[bureau['CREDIT_ACTIVE_Active'] == 1]
agg_bureau = group_and_merge(active, agg_bureau, 'BUREAU_ACTIVE_', BUREAU_ACTIVE_AGG)
closed = bureau[bureau['CREDIT_ACTIVE_Closed'] == 1]
agg_bureau = group_and_merge(closed, agg_bureau, 'BUREAU_CLOSED_', BUREAU_CLOSED_AGG)
del active, closed; gc.collect()
# Agrégation par type de crédit
# Crédit consommation, carte de crédit, hypothèque, prêt auto, microcrédit
for credit_type in ['Consumer credit', 'Credit card', 'Mortgage', 'Car loan', 'Microloan']:
type_df = bureau[bureau['CREDIT_TYPE_' + credit_type] == 1]
prefix = 'BUREAU_' + credit_type.split(' ')[0].upper() + '_'
agg_bureau = group_and_merge(type_df, agg_bureau, prefix, BUREAU_LOAN_TYPE_AGG)
del type_df; gc.collect()
# Agrégation par fenêtre temporelle (6 et 12 derniers mois)
for time_frame in [6, 12]:
prefix = "BUREAU_LAST{}M_".format(time_frame)
time_frame_df = bureau[bureau['DAYS_CREDIT'] >= -30*time_frame]
agg_bureau = group_and_merge(time_frame_df, agg_bureau, prefix, BUREAU_TIME_AGG)
del time_frame_df; gc.collect()
# Impayé maximal du dernier crédit contracté
sort_bureau = bureau.sort_values(by=['DAYS_CREDIT'])
gr = sort_bureau.groupby('SK_ID_CURR')['AMT_CREDIT_MAX_OVERDUE'].last().reset_index()
gr.rename({'AMT_CREDIT_MAX_OVERDUE': 'BUREAU_LAST_LOAN_MAX_OVERDUE'}, inplace=True)
agg_bureau = agg_bureau.merge(gr, on='SK_ID_CURR', how='left')
# Ratios dette / crédit total
# BUREAU_DEBT_OVER_CREDIT : taux global d'endettement sur tous les crédits
agg_bureau['BUREAU_DEBT_OVER_CREDIT'] = \
agg_bureau['BUREAU_AMT_CREDIT_SUM_DEBT_SUM'] / agg_bureau['BUREAU_AMT_CREDIT_SUM_SUM']
# Version pour les crédits actifs uniquement
agg_bureau['BUREAU_ACTIVE_DEBT_OVER_CREDIT'] = \
agg_bureau['BUREAU_ACTIVE_AMT_CREDIT_SUM_DEBT_SUM'] / agg_bureau['BUREAU_ACTIVE_AMT_CREDIT_SUM_SUM']
return agg_bureau
def get_bureau_balance(path, num_rows=None):
"""
Lit et agrège bureau_balance.csv.
Ce fichier contient l'historique mensuel de chaque crédit externe
(un enregistrement par mois et par crédit), incluant le statut de paiement.
Retourne :
bb_processed (pd.DataFrame) : Agrégé par SK_ID_BUREAU (identifiant du crédit externe).
"""
bb = pd.read_csv(os.path.join(path, 'bureau_balance.csv'), nrows=num_rows)
# One-hot encode le statut mensuel (STATUS : 0, 1, 2, ..., C, X)
bb, categorical_cols = one_hot_encoder(bb, nan_as_category=False)
# Calcule le taux moyen de chaque statut par crédit
bb_processed = bb.groupby('SK_ID_BUREAU')[categorical_cols].mean().reset_index()
# Ajoute les statistiques sur la durée de l'historique (en mois)
agg = {'MONTHS_BALANCE': ['min', 'max', 'mean', 'size']}
bb_processed = group_and_merge(bb, bb_processed, '', agg, 'SK_ID_BUREAU')
del bb; gc.collect()
return bb_processed
# =============================================================================
# PIPELINE DEMANDES PRÉCÉDENTES : get_previous_applications
# =============================================================================
def get_previous_applications(path, num_rows=None):
"""
Lit et agrège previous_application.csv.
Ce fichier contient toutes les demandes de crédit passées du client
chez Home Credit (une ligne par demande), qu'elles aient été approuvées
ou refusées.
Retourne :
agg_prev (pd.DataFrame) : Une ligne par client avec features agrégées.
"""
prev = pd.read_csv(os.path.join(path, 'previous_application.csv'), nrows=num_rows)
# Chargement du fichier des paiements pour calculer l'état des prêts actifs
pay = pd.read_csv(os.path.join(path, 'installments_payments.csv'), nrows=num_rows)
# Encodage one-hot des colonnes catégorielles les plus importantes
ohe_columns = [
'NAME_CONTRACT_STATUS', 'NAME_CONTRACT_TYPE', 'CHANNEL_TYPE',
'NAME_TYPE_SUITE', 'NAME_YIELD_GROUP', 'PRODUCT_COMBINATION',
'NAME_PRODUCT_TYPE', 'NAME_CLIENT_TYPE']
prev, categorical_cols = one_hot_encoder(prev, ohe_columns, nan_as_category=False)
# Features engineered
# Différence entre le montant demandé et le montant accordé
prev['APPLICATION_CREDIT_DIFF'] = prev['AMT_APPLICATION'] - prev['AMT_CREDIT']
# Ratio demandé / accordé (>1 = le client a demandé plus qu'accordé)
prev['APPLICATION_CREDIT_RATIO'] = prev['AMT_APPLICATION'] / prev['AMT_CREDIT']
# Durée implicite du remboursement (en mois)
prev['CREDIT_TO_ANNUITY_RATIO'] = prev['AMT_CREDIT'] / prev['AMT_ANNUITY']
# Part de l'apport personnel par rapport au crédit total
prev['DOWN_PAYMENT_TO_CREDIT'] = prev['AMT_DOWN_PAYMENT'] / prev['AMT_CREDIT']
# Taux d'intérêt simplifié : (total payé / montant emprunté - 1) / nb mensualités
total_payment = prev['AMT_ANNUITY'] * prev['CNT_PAYMENT']
prev['SIMPLE_INTERESTS'] = (total_payment / prev['AMT_CREDIT'] - 1) / prev['CNT_PAYMENT']
# Analyse des prêts actifs (approuvés mais pas encore terminés)
# DAYS_LAST_DUE = 365243 est la valeur sentinelle pour "prêt toujours en cours"
approved = prev[prev['NAME_CONTRACT_STATUS_Approved'] == 1]
active_df = approved[approved['DAYS_LAST_DUE'] == 365243]
# Calcule combien a déjà été remboursé sur ces prêts actifs
active_pay = pay[pay['SK_ID_PREV'].isin(active_df['SK_ID_PREV'])]
active_pay_agg = active_pay.groupby('SK_ID_PREV')[['AMT_INSTALMENT', 'AMT_PAYMENT']].sum()
active_pay_agg.reset_index(inplace=True)
# Différence entre ce qui était dû et ce qui a été payé (retard cumulé)
active_pay_agg['INSTALMENT_PAYMENT_DIFF'] = active_pay_agg['AMT_INSTALMENT'] - active_pay_agg['AMT_PAYMENT']
# Fusionne avec les prêts actifs pour obtenir la dette restante et le taux de remboursement
active_df = active_df.merge(active_pay_agg, on='SK_ID_PREV', how='left')
active_df['REMAINING_DEBT'] = active_df['AMT_CREDIT'] - active_df['AMT_PAYMENT']
active_df['REPAYMENT_RATIO'] = active_df['AMT_PAYMENT'] / active_df['AMT_CREDIT']
# Agrégation des prêts actifs par client
active_agg_df = group(active_df, 'PREV_ACTIVE_', PREVIOUS_ACTIVE_AGG)
# Ratio global de remboursement des prêts actifs
active_agg_df['TOTAL_REPAYMENT_RATIO'] = active_agg_df['PREV_ACTIVE_AMT_PAYMENT_SUM'] / \
active_agg_df['PREV_ACTIVE_AMT_CREDIT_SUM']
del active_pay, active_pay_agg, active_df; gc.collect()
# Nettoyage : remplacement des valeurs sentinelles par NaN
# 365243 indique une date non renseignée dans ce contexte
prev['DAYS_FIRST_DRAWING'] = prev['DAYS_FIRST_DRAWING'].replace(365243, np.nan)
prev['DAYS_FIRST_DUE'] = prev['DAYS_FIRST_DUE'].replace(365243, np.nan)
prev['DAYS_LAST_DUE_1ST_VERSION'] = prev['DAYS_LAST_DUE_1ST_VERSION'].replace(365243, np.nan)
prev['DAYS_LAST_DUE'] = prev['DAYS_LAST_DUE'].replace(365243, np.nan)
prev['DAYS_TERMINATION'] = prev['DAYS_TERMINATION'].replace(365243, np.nan)
# Différence entre la date de fin prévue initialement et celle révisée
prev['DAYS_LAST_DUE_DIFF'] = prev['DAYS_LAST_DUE_1ST_VERSION'] - prev['DAYS_LAST_DUE']
approved['DAYS_LAST_DUE_DIFF'] = approved['DAYS_LAST_DUE_1ST_VERSION'] - approved['DAYS_LAST_DUE']
# Agrégation générale de toutes les demandes précédentes
categorical_agg = {key: ['mean'] for key in categorical_cols} # Moyenne des colonnes one-hot
agg_prev = group(prev, 'PREV_', {**PREVIOUS_AGG, **categorical_agg})
# Fusionne avec les agrégations des prêts actifs
agg_prev = agg_prev.merge(active_agg_df, how='left', on='SK_ID_CURR')
del active_agg_df; gc.collect()
# Agrégations séparées par statut (approuvé / refusé)
agg_prev = group_and_merge(approved, agg_prev, 'APPROVED_', PREVIOUS_APPROVED_AGG)
refused = prev[prev['NAME_CONTRACT_STATUS_Refused'] == 1]
agg_prev = group_and_merge(refused, agg_prev, 'REFUSED_', PREVIOUS_REFUSED_AGG)
del approved, refused; gc.collect()
# Agrégations par type de prêt (consommation / cash)
for loan_type in ['Consumer loans', 'Cash loans']:
type_df = prev[prev['NAME_CONTRACT_TYPE_{}'.format(loan_type)] == 1]
prefix = 'PREV_' + loan_type.split(" ")[0] + '_'
agg_prev = group_and_merge(type_df, agg_prev, prefix, PREVIOUS_LOAN_TYPE_AGG)
del type_df; gc.collect()
# Analyse des prêts avec retards de paiement
# LATE_PAYMENT = 1 si le paiement a été effectué après la date d'échéance
pay['LATE_PAYMENT'] = pay['DAYS_ENTRY_PAYMENT'] - pay['DAYS_INSTALMENT']
pay['LATE_PAYMENT'] = pay['LATE_PAYMENT'].apply(lambda x: 1 if x > 0 else 0)
dpd_id = pay[pay['LATE_PAYMENT'] > 0]['SK_ID_PREV'].unique()
# Agrégation des caractéristiques des prêts ayant connu des retards
agg_dpd = group_and_merge(prev[prev['SK_ID_PREV'].isin(dpd_id)], agg_prev,
'PREV_LATE_', PREVIOUS_LATE_PAYMENTS_AGG)
del agg_dpd, dpd_id; gc.collect()
# Agrégation par fenêtre temporelle récente (12 et 24 derniers mois)
for time_frame in [12, 24]:
time_frame_df = prev[prev['DAYS_DECISION'] >= -30*time_frame]
prefix = 'PREV_LAST{}M_'.format(time_frame)
agg_prev = group_and_merge(time_frame_df, agg_prev, prefix, PREVIOUS_TIME_AGG)
del time_frame_df; gc.collect()
del prev; gc.collect()
return agg_prev
# =============================================================================
# PIPELINE POS-CASH : get_pos_cash
# =============================================================================
def get_pos_cash(path, num_rows=None):
"""
Lit et agrège POS_CASH_balance.csv.
Ce fichier contient le statut mensuel des prêts à la consommation et des
contrats POS (Point Of Sale = achats à crédit en magasin) précédents.
Retourne :
pos_agg (pd.DataFrame) : Agrégé par client (SK_ID_CURR).
"""
pos = pd.read_csv(os.path.join(path, 'POS_CASH_balance.csv'), nrows=num_rows)
pos, categorical_cols = one_hot_encoder(pos, nan_as_category=False)
# Indicateur binaire : retard de paiement ce mois-ci (SK_DPD > 0 = jours de retard)
pos['LATE_PAYMENT'] = pos['SK_DPD'].apply(lambda x: 1 if x > 0 else 0)
# Agrégation globale par client
categorical_agg = {key: ['mean'] for key in categorical_cols}
pos_agg = group(pos, 'POS_', {**POS_CASH_AGG, **categorical_agg})
# Features sur l'état d'avancement des prêts
# Trie par prêt et par mois pour accéder au premier/dernier enregistrement
sort_pos = pos.sort_values(by=['SK_ID_PREV', 'MONTHS_BALANCE'])
gp = sort_pos.groupby('SK_ID_PREV')
df = pd.DataFrame()
df['SK_ID_CURR'] = gp['SK_ID_CURR'].first()
df['MONTHS_BALANCE_MAX'] = gp['MONTHS_BALANCE'].max()
# Taux moyen de prêts arrivés à complétion
df['POS_LOAN_COMPLETED_MEAN'] = gp['NAME_CONTRACT_STATUS_Completed'].mean()
# Indicateur : prêt remboursé avant l'échéance initiale
# (CNT_INSTALMENT initial > CNT_INSTALMENT final = le nb d'échéances a diminué)
df['POS_COMPLETED_BEFORE_MEAN'] = gp['CNT_INSTALMENT'].first() - gp['CNT_INSTALMENT'].last()
df['POS_COMPLETED_BEFORE_MEAN'] = df.apply(lambda x: 1 if x['POS_COMPLETED_BEFORE_MEAN'] > 0
and x['POS_LOAN_COMPLETED_MEAN'] > 0 else 0, axis=1)
# Nombre et ratio d'échéances restantes (futures)
df['POS_REMAINING_INSTALMENTS'] = gp['CNT_INSTALMENT_FUTURE'].last()
df['POS_REMAINING_INSTALMENTS_RATIO'] = gp['CNT_INSTALMENT_FUTURE'].last() / gp['CNT_INSTALMENT'].last()
# Agrège par client et fusionne
df_gp = df.groupby('SK_ID_CURR').sum().reset_index()
df_gp.drop(['MONTHS_BALANCE_MAX'], axis=1, inplace=True)
pos_agg = pd.merge(pos_agg, df_gp, on='SK_ID_CURR', how='left')
del df, gp, df_gp, sort_pos; gc.collect()
# Taux de retard sur les 3 demandes les plus récentes
pos = do_sum(pos, ['SK_ID_PREV'], 'LATE_PAYMENT', 'LATE_PAYMENT_SUM')
# Identifie le dernier mois de chaque prêt
last_month_df = pos.groupby('SK_ID_PREV')['MONTHS_BALANCE'].idxmax()
# Prend les 3 prêts les plus récents par client
sort_pos = pos.sort_values(by=['SK_ID_PREV', 'MONTHS_BALANCE'])
gp = sort_pos.iloc[last_month_df].groupby('SK_ID_CURR').tail(3)
gp_mean = gp.groupby('SK_ID_CURR').mean().reset_index()
pos_agg = pd.merge(pos_agg, gp_mean[['SK_ID_CURR','LATE_PAYMENT_SUM']], on='SK_ID_CURR', how='left')
# Suppression des colonnes catégorielles peu utiles
drop_features = [
'POS_NAME_CONTRACT_STATUS_Canceled_MEAN', 'POS_NAME_CONTRACT_STATUS_Amortized debt_MEAN',
'POS_NAME_CONTRACT_STATUS_XNA_MEAN']
pos_agg.drop([f for f in drop_features if f in pos_agg.columns], axis=1, inplace=True)
return pos_agg
# =============================================================================
# PIPELINE PAIEMENTS D'ÉCHÉANCES : get_installment_payments
# =============================================================================
def get_installment_payments(path, num_rows=None):
"""
Lit et agrège installments_payments.csv.
Ce fichier contient l'historique détaillé de chaque paiement d'échéance,
pour chaque prêt précédent ou en cours du client.
Retourne :
pay_agg (pd.DataFrame) : Agrégé par client (SK_ID_CURR).
"""
pay = pd.read_csv(os.path.join(path, 'installments_payments.csv'), nrows=num_rows)
# Regroupement des paiements par numéro d'échéance
# Un client peut payer en plusieurs fois pour une même échéance → on les somme
pay = do_sum(pay, ['SK_ID_PREV', 'NUM_INSTALMENT_NUMBER'], 'AMT_PAYMENT', 'AMT_PAYMENT_GROUPED')
pay['PAYMENT_DIFFERENCE'] = pay['AMT_INSTALMENT'] - pay['AMT_PAYMENT_GROUPED'] # Solde non payé
pay['PAYMENT_RATIO'] = pay['AMT_INSTALMENT'] / pay['AMT_PAYMENT_GROUPED'] # Taux de couverture
pay['PAID_OVER_AMOUNT'] = pay['AMT_PAYMENT'] - pay['AMT_INSTALMENT'] # Surpayement éventuel
pay['PAID_OVER'] = (pay['PAID_OVER_AMOUNT'] > 0).astype(int) # Indicateur surpayement
# Indicateurs de ponctualité de paiement
# DPD : Days Past Due = nombre de jours de retard (0 si payé à temps ou en avance)
pay['DPD'] = pay['DAYS_ENTRY_PAYMENT'] - pay['DAYS_INSTALMENT']
pay['DPD'] = pay['DPD'].apply(lambda x: 0 if x <= 0 else x)
# DBD : Days Before Due = nombre de jours d'avance (0 si en retard ou à temps)
pay['DBD'] = pay['DAYS_INSTALMENT'] - pay['DAYS_ENTRY_PAYMENT']
pay['DBD'] = pay['DBD'].apply(lambda x: 0 if x <= 0 else x)
# Indicateur binaire : paiement effectué avant l'échéance
pay['LATE_PAYMENT'] = pay['DBD'].apply(lambda x: 1 if x > 0 else 0)
# Ratios de paiement
pay['INSTALMENT_PAYMENT_RATIO'] = pay['AMT_PAYMENT'] / pay['AMT_INSTALMENT']
# Ratio de paiement uniquement pour les paiements tardifs (0 sinon)
pay['LATE_PAYMENT_RATIO'] = pay.apply(lambda x: x['INSTALMENT_PAYMENT_RATIO'] if x['LATE_PAYMENT'] == 1 else 0, axis=1)
# Indicateur : retard significatif (ratio > 5% de l'échéance)
pay['SIGNIFICANT_LATE_PAYMENT'] = pay['LATE_PAYMENT_RATIO'].apply(lambda x: 1 if x > 0.05 else 0)
# Indicateurs de retard par seuil de jours (7 jours et 15 jours)
pay['DPD_7'] = pay['DPD'].apply(lambda x: 1 if x >= 7 else 0)
pay['DPD_15'] = pay['DPD'].apply(lambda x: 1 if x >= 15 else 0)
# Agrégation globale par client
pay_agg = group(pay, 'INS_', INSTALLMENTS_AGG)
# Agrégation sur les paiements récents (36 et 60 derniers mois)
for months in [36, 60]:
recent_prev_id = pay[pay['DAYS_INSTALMENT'] >= -30*months]['SK_ID_PREV'].unique()
pay_recent = pay[pay['SK_ID_PREV'].isin(recent_prev_id)]
prefix = 'INS_{}M_'.format(months)
pay_agg = group_and_merge(pay_recent, pay_agg, prefix, INSTALLMENTS_TIME_AGG)
# Features de tendance sur les K dernières échéances
# Utilise une régression linéaire pour détecter si les retards augmentent ou diminuent
group_features = ['SK_ID_CURR', 'SK_ID_PREV', 'DPD', 'LATE_PAYMENT',
'PAID_OVER_AMOUNT', 'PAID_OVER', 'DAYS_INSTALMENT']
gp = pay[group_features].groupby('SK_ID_CURR')
func = partial(trend_in_last_k_instalment_features, periods=INSTALLMENTS_LAST_K_TREND_PERIODS)
g = parallel_apply(gp, func, index_name='SK_ID_CURR', chunk_size=10000).reset_index()
pay_agg = pay_agg.merge(g, on='SK_ID_CURR', how='left')
# Features sur le dernier prêt uniquement
g = parallel_apply(gp, installments_last_loan_features, index_name='SK_ID_CURR', chunk_size=10000).reset_index()
pay_agg = pay_agg.merge(g, on='SK_ID_CURR', how='left')
return pay_agg
def trend_in_last_k_instalment_features(gr, periods):
"""
Calcule la pente (tendance) des retards et surpaiements sur les K
dernières échéances de chaque client.
Une pente positive de DPD indique que les retards s'aggravent → signal de risque.
Une pente négative indique une amélioration du comportement de paiement.
Paramètres :
gr : Groupe de paiements d'un client (DataFrame)
periods : Liste de périodes K (ex: [12, 24, 60, 120])
Retourne :
features (dict) : Pentes calculées pour chaque période et chaque feature.
"""
gr_ = gr.copy()
# Trie par date d'échéance décroissante → les plus récentes en premier
gr_.sort_values(['DAYS_INSTALMENT'], ascending=False, inplace=True)
features = {}
for period in periods:
gr_period = gr_.iloc[:period] # Garde seulement les K dernières échéances
features = add_trend_feature(features, gr_period, 'DPD',
'{}_TREND_'.format(period))
features = add_trend_feature(features, gr_period, 'PAID_OVER_AMOUNT',
'{}_TREND_'.format(period))
return features
def installments_last_loan_features(gr):
"""
Calcule des statistiques sur les paiements du dernier prêt actif du client.
Se concentre sur le prêt le plus récent (SK_ID_PREV le plus récent) pour
capturer le comportement actuel, pas seulement l'historique global.
Retourne :
features (dict) : Statistiques (sum, mean, max, std, etc.) sur DPD,
LATE_PAYMENT et PAID_OVER_AMOUNT pour le dernier prêt.
"""
gr_ = gr.copy()
gr_.sort_values(['DAYS_INSTALMENT'], ascending=False, inplace=True)
# Identifie l'ID du prêt le plus récent (première ligne après tri décroissant)
last_installment_id = gr_['SK_ID_PREV'].iloc[0]
gr_ = gr_[gr_['SK_ID_PREV'] == last_installment_id] # Filtre sur ce prêt uniquement
features = {}
features = add_features_in_group(features, gr_, 'DPD',
['sum', 'mean', 'max', 'std'],
'LAST_LOAN_')
features = add_features_in_group(features, gr_, 'LATE_PAYMENT',
['count', 'mean'],
'LAST_LOAN_')
features = add_features_in_group(features, gr_, 'PAID_OVER_AMOUNT',
['sum', 'mean', 'max', 'min', 'std'],
'LAST_LOAN_')
features = add_features_in_group(features, gr_, 'PAID_OVER',
['count', 'mean'],
'LAST_LOAN_')
return features
# =============================================================================
# PIPELINE CARTES DE CRÉDIT : get_credit_card
# =============================================================================
def get_credit_card(path, num_rows=None):
"""
Lit et agrège credit_card_balance.csv.
Ce fichier contient les soldes mensuels de chaque carte de crédit
précédente ou en cours du client.
Retourne :
cc_agg (pd.DataFrame) : Agrégé par client (SK_ID_CURR).
"""
cc = pd.read_csv(os.path.join(path, 'credit_card_balance.csv'), nrows=num_rows)
cc, cat_cols = one_hot_encoder(cc, nan_as_category=False)
# Correction d'une faute de frappe dans le nom de colonne du CSV source
cc.rename(columns={'AMT_RECIVABLE': 'AMT_RECEIVABLE'}, inplace=True)
# Features engineered
# Taux d'utilisation du plafond de crédit (balance / limite)
cc['LIMIT_USE'] = cc['AMT_BALANCE'] / cc['AMT_CREDIT_LIMIT_ACTUAL']
# Ratio entre le paiement effectué et le minimum dû
cc['PAYMENT_DIV_MIN'] = cc['AMT_PAYMENT_CURRENT'] / cc['AMT_INST_MIN_REGULARITY']
# Indicateur de retard (SK_DPD = jours de retard)
cc['LATE_PAYMENT'] = cc['SK_DPD'].apply(lambda x: 1 if x > 0 else 0)
# Ratio retraits ATM / limite de crédit (mesure le type d'utilisation)
cc['DRAWING_LIMIT_RATIO'] = cc['AMT_DRAWINGS_ATM_CURRENT'] / cc['AMT_CREDIT_LIMIT_ACTUAL']
# Agrégation globale par client
cc_card_agg = {k: v for k, v in CREDIT_CARD_AGG.items() if k in cc.columns}
cc_agg = cc.groupby('SK_ID_CURR').agg(cc_card_agg)
# Renomme les colonnes : CC_NOMCOLONNE_AGREGATION (ex: CC_AMT_BALANCE_MAX)
cc_agg.columns = pd.Index(['CC_' + e[0] + "_" + e[1].upper() for e in cc_agg.columns.tolist()])
cc_agg.reset_index(inplace=True)
# Features sur le dernier mois de chaque carte
# Prend la ligne correspondant au mois le plus récent de chaque carte
last_ids = cc.groupby('SK_ID_PREV')['MONTHS_BALANCE'].idxmax()
last_months_df = cc[cc.index.isin(last_ids)]
cc_agg = group_and_merge(last_months_df, cc_agg, 'CC_LAST_', {'AMT_BALANCE': ['mean', 'max']})
# Agrégation sur les périodes récentes (12, 24, 48 derniers mois)
for months in [12, 24, 48]:
cc_prev_id = cc[cc['MONTHS_BALANCE'] >= -months]['SK_ID_PREV'].unique()
cc_recent = cc[cc['SK_ID_PREV'].isin(cc_prev_id)]
prefix = 'INS_{}M_'.format(months)
cc_agg = group_and_merge(cc_recent, cc_agg, prefix, CREDIT_CARD_TIME_AGG)
return cc_agg
# =============================================================================
# FONCTIONS UTILITAIRES
# =============================================================================
@contextmanager
def timer(name):
"""
Gestionnaire de contexte pour mesurer le temps d'exécution d'un bloc.
Utilisation :
with timer("nom de l'étape"):
# code à mesurer
Affiche : "nom de l'étape - done in Xs"
"""
t0 = time.time()
yield
print("{} - done in {:.0f}s".format(name, time.time() - t0))
def group(df_to_agg, prefix, aggregations, aggregate_by='SK_ID_CURR'):
"""
Agrège un DataFrame par une colonne clé et renomme les colonnes résultantes.
Paramètres :
df_to_agg : DataFrame source à agréger
prefix : Préfixe à ajouter aux noms de colonnes (ex: 'BUREAU_')
aggregations : Dictionnaire {colonne: [liste d'agrégations]}
ex: {'AMT_CREDIT': ['mean', 'max']}
aggregate_by : Colonne de regroupement (défaut: 'SK_ID_CURR')
Retourne :
DataFrame agrégé avec colonnes nommées PREFIX_COLONNE_AGREGATION
ex: BUREAU_AMT_CREDIT_MEAN, BUREAU_AMT_CREDIT_MAX
"""
# Filtre les colonnes demandées qui n'existent pas dans le DataFrame
aggregations = {k: v for k, v in aggregations.items() if k in df_to_agg.columns}
agg_df = df_to_agg.groupby(aggregate_by).agg(aggregations)
agg_df.columns = pd.Index(['{}{}_{}'.format(prefix, e[0], e[1].upper())
for e in agg_df.columns.tolist()])
return agg_df.reset_index()
def group_and_merge(df_to_agg, df_to_merge, prefix, aggregations, aggregate_by='SK_ID_CURR'):
"""
Agrège df_to_agg puis fusionne (left join) le résultat dans df_to_merge.
Raccourci combinant group() + merge() en une seule opération.
"""
agg_df = group(df_to_agg, prefix, aggregations, aggregate_by=aggregate_by)
return df_to_merge.merge(agg_df, how='left', on=aggregate_by)
def do_mean(df, group_cols, counted, agg_name):
"""
Calcule la moyenne de `counted` groupée par `group_cols` et l'ajoute au DataFrame.
Utile pour créer des features de référence de groupe (ex : revenu moyen
du groupe socio-démographique du client).
"""
gp = df[group_cols + [counted]].groupby(group_cols)[counted].mean().reset_index().rename(
columns={counted: agg_name})
df = df.merge(gp, on=group_cols, how='left')
del gp
gc.collect()
return df
def do_median(df, group_cols, counted, agg_name):
"""
Calcule la médiane de `counted` groupée par `group_cols` et l'ajoute au DataFrame.
La médiane est plus robuste aux outliers que la moyenne.
"""
gp = df[group_cols + [counted]].groupby(group_cols)[counted].median().reset_index().rename(
columns={counted: agg_name})
df = df.merge(gp, on=group_cols, how='left')
del gp
gc.collect()
return df
def do_std(df, group_cols, counted, agg_name):
"""
Calcule l'écart-type de `counted` groupé par `group_cols` et l'ajoute au DataFrame.
Mesure la dispersion au sein du groupe → un client avec une valeur très
éloignée de la moyenne de son groupe peut être un signal de risque.
"""
gp = df[group_cols + [counted]].groupby(group_cols)[counted].std().reset_index().rename(
columns={counted: agg_name})
df = df.merge(gp, on=group_cols, how='left')
del gp
gc.collect()
return df
def do_sum(df, group_cols, counted, agg_name):
"""
Calcule la somme de `counted` groupée par `group_cols` et l'ajoute au DataFrame.
Utile pour agréger des indicateurs binaires (ex : nombre total de retards).
"""
gp = df[group_cols + [counted]].groupby(group_cols)[counted].sum().reset_index().rename(
columns={counted: agg_name})
df = df.merge(gp, on=group_cols, how='left')
del gp
gc.collect()
return df
def one_hot_encoder(df, categorical_columns=None, nan_as_category=True):
"""
Applique un encodage one-hot aux colonnes catégorielles.
Chaque valeur unique d'une colonne catégorielle devient une nouvelle colonne binaire.
Ex: CREDIT_ACTIVE = ['Active', 'Closed'] → CREDIT_ACTIVE_Active + CREDIT_ACTIVE_Closed
Paramètres :
df : DataFrame source
categorical_columns : Liste de colonnes à encoder (None = toutes les colonnes texte)
nan_as_category : Si True, crée une colonne séparée pour les valeurs NaN
Retourne :
df : DataFrame avec les nouvelles colonnes one-hot
categorical_cols : Liste des noms des nouvelles colonnes créées
"""
original_columns = list(df.columns)
if not categorical_columns:
categorical_columns = [col for col in df.columns if df[col].dtype == 'object' or df[col].dtype.name == 'str']
df = pd.get_dummies(df, columns=categorical_columns, dummy_na=nan_as_category)
categorical_columns = [c for c in df.columns if c not in original_columns]
return df, categorical_columns
def label_encoder(df, categorical_columns=None):
"""
Encode les variables catégorielles en entiers avec pd.factorize.
Contrairement à l'encodage one-hot, cette méthode ne crée pas de nouvelles colonnes :
elle remplace les valeurs texte par des entiers (0, 1, 2, ...).
Utilisé ici pour les colonnes binaires ou ordinales.
Retourne :
df : DataFrame avec colonnes encodées
categorical_cols : Liste des colonnes qui ont été encodées
"""
if not categorical_columns:
categorical_columns = [col for col in df.columns if df[col].dtype == 'object' or df[col].dtype.name == 'str']
for col in categorical_columns:
df[col], uniques = pd.factorize(df[col])
return df, categorical_columns
def add_features(feature_name, aggs, features, feature_names, groupby):
"""
Calcule et fusionne des agrégations statistiques avancées dans un DataFrame features.
Supporte les agrégations standard (mean, max, etc.) ainsi que :
'kurt' : kurtosis (mesure des queues de distribution)
'iqr' : intervalle interquartile (robustesse aux outliers)
Paramètres :
feature_name : Nom de la feature à agréger
aggs : Liste des agrégations à appliquer
features : DataFrame dans lequel fusionner les résultats
feature_names : Liste des noms de features (étendue en place)
groupby : Objet GroupBy pandas
Retourne :
(features, feature_names) : DataFrame mis à jour et noms de colonnes ajoutés
"""
feature_names.extend(['{}_{}'.format(feature_name, agg) for agg in aggs])
for agg in aggs:
if agg == 'kurt':
agg_func = kurtosis
elif agg == 'iqr':
agg_func = iqr
else:
agg_func = agg # Nom de méthode pandas standard (ex: 'mean', 'max')
g = groupby[feature_name].agg(agg_func).reset_index().rename(index=str,
columns={feature_name: '{}_{}'.format(feature_name, agg)})
features = features.merge(g, on='SK_ID_CURR', how='left')
return features, feature_names
def add_features_in_group(features, gr_, feature_name, aggs, prefix):
"""
Calcule des statistiques sur un groupe (sous-DataFrame) et les stocke dans un dict.
Utilisé dans les fonctions de traitement par groupe (ex: installments_last_loan_features).
Paramètres :
features : Dictionnaire de résultats à compléter
gr_ : Sous-DataFrame du groupe courant
feature_name : Nom de la colonne à agréger
aggs : Liste des agrégations : 'sum', 'mean', 'max', 'min', 'std',
'count', 'skew', 'kurt', 'iqr', 'median'
prefix : Préfixe des clés dans le dictionnaire (ex: 'LAST_LOAN_')
Retourne :
features (dict) : Dictionnaire enrichi des statistiques calculées
"""
for agg in aggs:
if agg == 'sum':
features['{}{}_sum'.format(prefix, feature_name)] = gr_[feature_name].sum()
elif agg == 'mean':
features['{}{}_mean'.format(prefix, feature_name)] = gr_[feature_name].mean()
elif agg == 'max':
features['{}{}_max'.format(prefix, feature_name)] = gr_[feature_name].max()
elif agg == 'min':
features['{}{}_min'.format(prefix, feature_name)] = gr_[feature_name].min()
elif agg == 'std':
features['{}{}_std'.format(prefix, feature_name)] = gr_[feature_name].std()
elif agg == 'count':
features['{}{}_count'.format(prefix, feature_name)] = gr_[feature_name].count()
elif agg == 'skew':
features['{}{}_skew'.format(prefix, feature_name)] = skew(gr_[feature_name])
elif agg == 'kurt':
features['{}{}_kurt'.format(prefix, feature_name)] = kurtosis(gr_[feature_name])
elif agg == 'iqr':
features['{}{}_iqr'.format(prefix, feature_name)] = iqr(gr_[feature_name])
elif agg == 'median':
features['{}{}_median'.format(prefix, feature_name)] = gr_[feature_name].median()
return features
def add_trend_feature(features, gr, feature_name, prefix):
"""
Calcule la tendance (pente) d'une feature sur une série temporelle.
Utilise une régression linéaire simple : la pente (coef_[0]) indique
si la feature augmente ou diminue au fil du temps.
Ex : une pente positive de DPD indique que les retards s'aggravent.
Paramètres :
features : Dictionnaire des features à enrichir
gr : Groupe (DataFrame trié par temps)
feature_name : Colonne sur laquelle calculer la tendance
prefix : Préfixe du nom de la feature (ex: '12_TREND_')
Retourne :
features (dict) : Dictionnaire avec la pente ajoutée (NaN si calcul impossible)
"""
y = gr[feature_name].values
try:
x = np.arange(0, len(y)).reshape(-1, 1) # Variable temporelle (indice de position)
lr = LinearRegression()
lr.fit(x, y)
trend = lr.coef_[0] # Pente de la droite de régression
except:
trend = np.nan # Retourne NaN si le calcul échoue (ex: groupe vide ou uniforme)
features['{}{}'.format(prefix, feature_name)] = trend
return features
def parallel_apply(groups, func, index_name='Index', num_workers=0, chunk_size=100000):
"""
Applique une fonction à chaque groupe d'un GroupBy en parallèle.
Divise les groupes en chunks et utilise un Pool de processus pour
accélérer les calculs sur les gros datasets.
Paramètres :
groups : Objet GroupBy pandas
func : Fonction à appliquer à chaque groupe (retourne un dict)
index_name : Nom de l'index dans le DataFrame résultant
num_workers: Nombre de processus parallèles (0 = utilise NUM_THREADS)
chunk_size : Nombre de groupes traités par batch
Retourne :
features (pd.DataFrame) : DataFrame avec une ligne par groupe
"""
if num_workers <= 0: num_workers = NUM_THREADS
indeces, features = [], []
for index_chunk, groups_chunk in chunk_groups(groups, chunk_size):
with mp.pool.Pool(num_workers) as executor:
features_chunk = executor.map(func, groups_chunk) # Traitement parallèle
features.extend(features_chunk)
indeces.extend(index_chunk)
features = pd.DataFrame(features)
features.index = indeces
features.index.name = index_name
return features
def chunk_groups(groupby_object, chunk_size):
"""
Générateur qui divise un objet GroupBy en chunks de taille fixe.
Permet de traiter de très grands GroupBy en mémoire contrôlée.
Paramètres :
groupby_object : GroupBy pandas à découper
chunk_size : Nombre de groupes par chunk
Yields :
(index_chunk, group_chunk) : Tuple (liste d'index, liste de DataFrames)
"""
n_groups = groupby_object.ngroups
group_chunk, index_chunk = [], []
for i, (index, df) in enumerate(groupby_object):
group_chunk.append(df)
index_chunk.append(index)
# Yield dès que le chunk est plein, ou à la fin des groupes
if (i + 1) % chunk_size == 0 or i + 1 == n_groups:
group_chunk_, index_chunk_ = group_chunk.copy(), index_chunk.copy()
group_chunk, index_chunk = [], []
yield index_chunk_, group_chunk_
def reduce_memory(df):
"""
Réduit l'empreinte mémoire du DataFrame en utilisant les types numériques
les plus petits possibles.
Pour chaque colonne numérique, vérifie les valeurs min/max et choisit
le type le plus compact :
- int64 → int8/int16/int32 si les valeurs le permettent
- float64 → float16/float32 si les valeurs le permettent
Affiche la réduction de mémoire obtenue.
Retourne :
df (pd.DataFrame) : Même DataFrame avec des types optimisés
"""
start_mem = df.memory_usage().sum() / 1024 ** 2
print('Initial df memory usage is {:.2f} MB for {} columns'
.format(start_mem, len(df.columns)))
for col in df.columns:
col_type = df[col].dtypes
if col_type != object: # Ne touche pas les colonnes texte
cmin = df[col].min()
cmax = df[col].max()
if str(col_type)[:3] == 'int':
# Choisit le plus petit type entier compatible
if cmin > np.iinfo(np.int8).min and cmax < np.iinfo(np.int8).max:
df[col] = df[col].astype(np.int8)
elif cmin > np.iinfo(np.int16).min and cmax < np.iinfo(np.int16).max:
df[col] = df[col].astype(np.int16)
elif cmin > np.iinfo(np.int32).min and cmax < np.iinfo(np.int32).max:
df[col] = df[col].astype(np.int32)
elif cmin > np.iinfo(np.int64).min and cmax < np.iinfo(np.int64).max:
df[col] = df[col].astype(np.int64)
else:
# Choisit le plus petit type flottant compatible
if cmin > np.finfo(np.float16).min and cmax < np.finfo(np.float16).max:
df[col] = df[col].astype(np.float16)
elif cmin > np.finfo(np.float32).min and cmax < np.finfo(np.float32).max:
df[col] = df[col].astype(np.float32)
else:
df[col] = df[col].astype(np.float64)
end_mem = df.memory_usage().sum() / 1024 ** 2
memory_reduction = 100 * (start_mem - end_mem) / start_mem
print('Final memory usage is: {:.2f} MB - decreased by {:.1f}%'.format(end_mem, memory_reduction))
return df
def replace_infinite_with_nan(df):
"""
Remplace toutes les valeurs +inf et -inf par NaN dans les colonnes numériques.
Ces valeurs infinies apparaissent lors des divisions par zéro dans les
calculs de ratios. Les modèles ML ne peuvent pas traiter les infinis,
donc on les convertit en NaN (valeurs manquantes gérées par imputation).
"""
numeric_cols = df.select_dtypes(include=[np.number]).columns
if len(numeric_cols) == 0:
return df
inf_mask = np.isinf(df[numeric_cols].to_numpy())
inf_count = int(inf_mask.sum())
if inf_count > 0:
print(f"Replacing {inf_count} infinite values with NaN")
df[numeric_cols] = df[numeric_cols].replace([np.inf, -np.inf], np.nan)
return df
def sanitize_feature_names(df):
"""
Normalise les noms de colonnes pour qu'ils ne contiennent que des
caractères alphanumériques et underscores (ASCII-safe).
Certains encodages one-hot créent des noms avec des espaces ou caractères
spéciaux (ex: 'CREDIT_TYPE_Consumer credit') qui sont incompatibles avec
certains frameworks ML (notamment LightGBM).
Traitement :
1. Remplace tous les caractères non alphanumériques par '_'
2. Supprime les underscores multiples consécutifs
3. Résout les doublons de noms en ajoutant un suffixe numérique
Affiche le nombre de colonnes renommées ou dédoublonnées.
"""
original_cols = [str(col) for col in df.columns]
cleaned_cols = []
changed_count = 0
for col in original_cols:
# Remplace tout caractère non alphanumérique/underscore par '_'
clean = re.sub(r'[^0-9A-Za-z_]+', '_', col)
# Réduit les séquences d'underscores multiples à un seul
clean = re.sub(r'__+', '_', clean).strip('_')
if not clean:
clean = 'feature' # Nom de repli si la colonne devient vide après nettoyage
if clean != col:
changed_count += 1
cleaned_cols.append(clean)
# Résolution des doublons (deux colonnes différentes pourraient avoir le même nom nettoyé)
unique_cols = []
seen = {}
duplicate_resolved = 0
for col in cleaned_cols:
count = seen.get(col, 0)
if count == 0:
unique_cols.append(col)
else:
unique_cols.append(f"{col}_{count}") # Ajoute un suffixe numérique pour différencier
duplicate_resolved += 1
seen[col] = count + 1
df.columns = unique_cols
if changed_count > 0 or duplicate_resolved > 0:
print(
f"Sanitized feature names: {changed_count} renamed, "
f"{duplicate_resolved} duplicates disambiguated"
)
return df
# =============================================================================
# CONFIGURATIONS GLOBALES
# =============================================================================
# Nombre de threads pour le traitement parallèle
NUM_THREADS = 4
# Répertoire contenant tous les fichiers CSV source
DATA_DIRECTORY = "data/raw/"
# Périodes (en nombre d'échéances) pour les features de tendance des paiements
# Ex: les 12, 24, 60 et 120 dernières échéances
INSTALLMENTS_LAST_K_TREND_PERIODS = [12, 24, 60, 120]
# =============================================================================
# DICTIONNAIRES D'AGRÉGATIONS
# Ces dictionnaires définissent quelles statistiques calculer sur quelles colonnes
# lors des agrégations par client. Format : {nom_colonne: [liste_d_agrégations]}
# =============================================================================
# Agrégations générales sur tous les crédits du bureau
BUREAU_AGG = {
'SK_ID_BUREAU': ['nunique'], # Nombre de crédits externes distincts
'DAYS_CREDIT': ['min', 'max', 'mean'], # Ancienneté des crédits (en jours)
'DAYS_CREDIT_ENDDATE': ['min', 'max'], # Dates de fin prévues
'AMT_CREDIT_MAX_OVERDUE': ['max', 'mean'], # Impayé maximal historique
'AMT_CREDIT_SUM': ['max', 'mean', 'sum'], # Montants des crédits
'AMT_CREDIT_SUM_DEBT': ['max', 'mean', 'sum'], # Dettes restantes
'AMT_CREDIT_SUM_OVERDUE': ['max', 'mean', 'sum'], # Montants en retard
'AMT_ANNUITY': ['mean'], # Mensualité moyenne
'DEBT_CREDIT_DIFF': ['mean', 'sum'], # Différence crédit - dette
'MONTHS_BALANCE_MEAN': ['mean', 'var'], # Moyenne des balances mensuelles
'MONTHS_BALANCE_SIZE': ['mean', 'sum'], # Durée de l'historique mensuel
'STATUS_0': ['mean'], # % de mois sans retard
'STATUS_1': ['mean'], # % de mois avec 1 mois de retard
'STATUS_12345': ['mean'], # % de mois avec au moins 1 mois de retard
'STATUS_C': ['mean'], # % de mois où le crédit était clôturé
'STATUS_X': ['mean'], # % de mois avec statut inconnu
'CREDIT_ACTIVE_Active': ['mean'], # Proportion de crédits actifs
'CREDIT_ACTIVE_Closed': ['mean'], # Proportion de crédits fermés
'CREDIT_ACTIVE_Sold': ['mean'], # Proportion de crédits vendus
'CREDIT_TYPE_Consumer credit': ['mean'], # Proportion par type de crédit
'CREDIT_TYPE_Credit card': ['mean'],
'CREDIT_TYPE_Car loan': ['mean'],
'CREDIT_TYPE_Mortgage': ['mean'],
'CREDIT_TYPE_Microloan': ['mean'],
'LL_AMT_CREDIT_SUM_OVERDUE': ['mean'], # Features basées sur la durée du crédit (LL = loan length)
'LL_DEBT_CREDIT_DIFF': ['mean'],
'LL_STATUS_12345': ['mean'],
}
# Agrégations sur les crédits actifs uniquement
BUREAU_ACTIVE_AGG = {
'DAYS_CREDIT': ['max', 'mean'],
'DAYS_CREDIT_ENDDATE': ['min', 'max'],
'AMT_CREDIT_MAX_OVERDUE': ['max', 'mean'],
'AMT_CREDIT_SUM': ['max', 'sum'],
'AMT_CREDIT_SUM_DEBT': ['mean', 'sum'],
'AMT_CREDIT_SUM_OVERDUE': ['max', 'mean'],
'DAYS_CREDIT_UPDATE': ['min', 'mean'], # Date de dernière mise à jour du crédit
'DEBT_PERCENTAGE': ['mean'],
'DEBT_CREDIT_DIFF': ['mean'],
'CREDIT_TO_ANNUITY_RATIO': ['mean'],
'MONTHS_BALANCE_MEAN': ['mean', 'var'],
'MONTHS_BALANCE_SIZE': ['mean', 'sum'],
}
# Agrégations sur les crédits fermés uniquement
BUREAU_CLOSED_AGG = {
'DAYS_CREDIT': ['max', 'var'],
'DAYS_CREDIT_ENDDATE': ['max'],
'AMT_CREDIT_MAX_OVERDUE': ['max', 'mean'],
'AMT_CREDIT_SUM_OVERDUE': ['mean'],
'AMT_CREDIT_SUM': ['max', 'mean', 'sum'],
'AMT_CREDIT_SUM_DEBT': ['max', 'sum'],
'DAYS_CREDIT_UPDATE': ['max'],
'ENDDATE_DIF': ['mean'], # Différence entre date de fin prévue et réelle
'STATUS_12345': ['mean'],
}
# Agrégations par type de prêt (consommation, carte, hypothèque, auto, micro)
BUREAU_LOAN_TYPE_AGG = {
'DAYS_CREDIT': ['mean', 'max'],
'AMT_CREDIT_MAX_OVERDUE': ['mean', 'max'],
'AMT_CREDIT_SUM': ['mean', 'max'],
'AMT_CREDIT_SUM_DEBT': ['mean', 'max'],
'DEBT_PERCENTAGE': ['mean'],
'DEBT_CREDIT_DIFF': ['mean'],
'DAYS_CREDIT_ENDDATE': ['max'],
}
# Agrégations sur les crédits récents (6 ou 12 derniers mois)
BUREAU_TIME_AGG = {
'AMT_CREDIT_MAX_OVERDUE': ['max', 'mean'],
'AMT_CREDIT_SUM_OVERDUE': ['mean'],
'AMT_CREDIT_SUM': ['max', 'sum'],
'AMT_CREDIT_SUM_DEBT': ['mean', 'sum'],
'DEBT_PERCENTAGE': ['mean'],
'DEBT_CREDIT_DIFF': ['mean'],
'STATUS_0': ['mean'],
'STATUS_12345': ['mean'],
}
# Agrégations sur toutes les demandes précédentes
PREVIOUS_AGG = {
'SK_ID_PREV': ['nunique'], # Nombre de demandes précédentes
'AMT_ANNUITY': ['min', 'max', 'mean'],
'AMT_DOWN_PAYMENT': ['max', 'mean'],
'HOUR_APPR_PROCESS_START': ['min', 'max', 'mean'], # Heure de la demande
'RATE_DOWN_PAYMENT': ['max', 'mean'],
'DAYS_DECISION': ['min', 'max', 'mean'], # Jours depuis la décision d'octroi
'CNT_PAYMENT': ['max', 'mean'], # Nombre d'échéances
'DAYS_TERMINATION': ['max'], # Date de fin du contrat
'CREDIT_TO_ANNUITY_RATIO': ['mean', 'max'],
'APPLICATION_CREDIT_DIFF': ['min', 'max', 'mean'],
'APPLICATION_CREDIT_RATIO': ['min', 'max', 'mean', 'var'],
'DOWN_PAYMENT_TO_CREDIT': ['mean'],
}
# Agrégations sur les prêts actifs en cours
PREVIOUS_ACTIVE_AGG = {
'SK_ID_PREV': ['nunique'],
'SIMPLE_INTERESTS': ['mean'], # Taux d'intérêt simplifié
'AMT_ANNUITY': ['max', 'sum'],
'AMT_APPLICATION': ['max', 'mean'],
'AMT_CREDIT': ['sum'],
'AMT_DOWN_PAYMENT': ['max', 'mean'],
'DAYS_DECISION': ['min', 'mean'],
'CNT_PAYMENT': ['mean', 'sum'],
'DAYS_LAST_DUE_1ST_VERSION': ['min', 'max', 'mean'],
'AMT_PAYMENT': ['sum'], # Total déjà remboursé
'INSTALMENT_PAYMENT_DIFF': ['mean', 'max'], # Retard cumulé
'REMAINING_DEBT': ['max', 'mean', 'sum'], # Dette restante
'REPAYMENT_RATIO': ['mean'], # Taux de remboursement
}
# Agrégations sur les demandes approuvées
PREVIOUS_APPROVED_AGG = {
'SK_ID_PREV': ['nunique'],
'AMT_ANNUITY': ['min', 'max', 'mean'],
'AMT_CREDIT': ['min', 'max', 'mean'],
'AMT_DOWN_PAYMENT': ['max'],
'AMT_GOODS_PRICE': ['max'],
'HOUR_APPR_PROCESS_START': ['min', 'max'],
'DAYS_DECISION': ['min', 'mean'],
'CNT_PAYMENT': ['max', 'mean'],
'DAYS_TERMINATION': ['mean'],
'CREDIT_TO_ANNUITY_RATIO': ['mean', 'max'],
'APPLICATION_CREDIT_DIFF': ['max'],
'APPLICATION_CREDIT_RATIO': ['min', 'max', 'mean'],
'DAYS_FIRST_DRAWING': ['max', 'mean'], # Date du premier versement
'DAYS_FIRST_DUE': ['min', 'mean'], # Date de la première échéance
'DAYS_LAST_DUE_1ST_VERSION': ['min', 'max', 'mean'],
'DAYS_LAST_DUE': ['max', 'mean'],
'DAYS_LAST_DUE_DIFF': ['min', 'max', 'mean'], # Écart entre date de fin prévue et réelle
'SIMPLE_INTERESTS': ['min', 'max', 'mean'],
}
# Agrégations sur les demandes refusées
PREVIOUS_REFUSED_AGG = {
'AMT_APPLICATION': ['max', 'mean'],
'AMT_CREDIT': ['min', 'max'],
'DAYS_DECISION': ['min', 'max', 'mean'],
'CNT_PAYMENT': ['max', 'mean'],
'APPLICATION_CREDIT_DIFF': ['min', 'max', 'mean', 'var'],
'APPLICATION_CREDIT_RATIO': ['min', 'mean'],
'NAME_CONTRACT_TYPE_Consumer loans': ['mean'],
'NAME_CONTRACT_TYPE_Cash loans': ['mean'],
'NAME_CONTRACT_TYPE_Revolving loans': ['mean'],
}
# Agrégations sur les prêts avec retards de paiement
PREVIOUS_LATE_PAYMENTS_AGG = {
'DAYS_DECISION': ['min', 'max', 'mean'],
'DAYS_LAST_DUE_1ST_VERSION': ['min', 'max', 'mean'],
'APPLICATION_CREDIT_DIFF': ['min'],
'NAME_CONTRACT_TYPE_Consumer loans': ['mean'],
'NAME_CONTRACT_TYPE_Cash loans': ['mean'],
'NAME_CONTRACT_TYPE_Revolving loans': ['mean'],
}
# Agrégations par type de prêt précédent (consommation / cash)
PREVIOUS_LOAN_TYPE_AGG = {
'AMT_CREDIT': ['sum'],
'AMT_ANNUITY': ['mean', 'max'],
'SIMPLE_INTERESTS': ['min', 'mean', 'max', 'var'],
'APPLICATION_CREDIT_DIFF': ['min', 'var'],
'APPLICATION_CREDIT_RATIO': ['min', 'max', 'mean'],
'DAYS_DECISION': ['max'],
'DAYS_LAST_DUE_1ST_VERSION': ['max', 'mean'],
'CNT_PAYMENT': ['mean'],
}
# Agrégations sur les demandes récentes (12 ou 24 derniers mois)
PREVIOUS_TIME_AGG = {
'AMT_CREDIT': ['sum'],
'AMT_ANNUITY': ['mean', 'max'],
'SIMPLE_INTERESTS': ['mean', 'max'],
'DAYS_DECISION': ['min', 'mean'],
'DAYS_LAST_DUE_1ST_VERSION': ['min', 'max', 'mean'],
'APPLICATION_CREDIT_DIFF': ['min'],
'APPLICATION_CREDIT_RATIO': ['min', 'max', 'mean'],
'NAME_CONTRACT_TYPE_Consumer loans': ['mean'],
'NAME_CONTRACT_TYPE_Cash loans': ['mean'],
'NAME_CONTRACT_TYPE_Revolving loans': ['mean'],
}
# Agrégations sur les soldes POS/Cash
POS_CASH_AGG = {
'SK_ID_PREV': ['nunique'], # Nombre de prêts POS distincts
'MONTHS_BALANCE': ['min', 'max', 'size'], # Durée de l'historique
'SK_DPD': ['max', 'mean', 'sum', 'var'], # Jours de retard (Days Past Due)
'SK_DPD_DEF': ['max', 'mean', 'sum'], # Jours de retard définis (seuil institution)
'LATE_PAYMENT': ['mean'] # Taux de mois avec retard
}
# Agrégations sur les paiements d'échéances
INSTALLMENTS_AGG = {
'SK_ID_PREV': ['size', 'nunique'], # Nombre total de lignes et prêts distincts
'DAYS_ENTRY_PAYMENT': ['min', 'max', 'mean'], # Dates de paiement
'AMT_INSTALMENT': ['min', 'max', 'mean', 'sum'], # Montants des échéances dues
'AMT_PAYMENT': ['min', 'max', 'mean', 'sum'], # Montants effectivement payés
'DPD': ['max', 'mean', 'var'], # Retard en jours (Days Past Due)
'DBD': ['max', 'mean', 'var'], # Avance en jours (Days Before Due)
'PAYMENT_DIFFERENCE': ['mean'], # Solde non payé par échéance
'PAYMENT_RATIO': ['mean'], # Taux de couverture de l'échéance
'LATE_PAYMENT': ['mean', 'sum'], # Taux et nombre de paiements tardifs
'SIGNIFICANT_LATE_PAYMENT': ['mean', 'sum'], # Retards significatifs (>5%)
'LATE_PAYMENT_RATIO': ['mean'], # Ratio moyen des paiements tardifs
'DPD_7': ['mean'], # Taux de retards >= 7 jours
'DPD_15': ['mean'], # Taux de retards >= 15 jours
'PAID_OVER': ['mean'] # Taux de surpaiements
}
# Agrégations temporelles des paiements (périodes récentes)
INSTALLMENTS_TIME_AGG = {
'SK_ID_PREV': ['size'],
'DAYS_ENTRY_PAYMENT': ['min', 'max', 'mean'],
'AMT_INSTALMENT': ['min', 'max', 'mean', 'sum'],
'AMT_PAYMENT': ['min', 'max', 'mean', 'sum'],
'DPD': ['max', 'mean', 'var'],
'DBD': ['max', 'mean', 'var'],
'PAYMENT_DIFFERENCE': ['mean'],
'PAYMENT_RATIO': ['mean'],
'LATE_PAYMENT': ['mean'],
'SIGNIFICANT_LATE_PAYMENT': ['mean'],
'LATE_PAYMENT_RATIO': ['mean'],
'DPD_7': ['mean'],
'DPD_15': ['mean'],
}
# Agrégations sur les soldes de cartes de crédit
CREDIT_CARD_AGG = {
'MONTHS_BALANCE': ['min'], # Ancienneté de l'historique
'AMT_BALANCE': ['max'], # Solde maximal
'AMT_CREDIT_LIMIT_ACTUAL': ['max'], # Plafond de crédit maximal
'AMT_DRAWINGS_ATM_CURRENT': ['max', 'sum'], # Retraits ATM
'AMT_DRAWINGS_CURRENT': ['max', 'sum'], # Total des retraits
'AMT_DRAWINGS_POS_CURRENT': ['max', 'sum'], # Retraits en point de vente
'AMT_INST_MIN_REGULARITY': ['max', 'mean'], # Paiement minimum régulier
'AMT_PAYMENT_TOTAL_CURRENT': ['max', 'mean', 'sum', 'var'], # Paiements effectués
'AMT_TOTAL_RECEIVABLE': ['max', 'mean'], # Total des créances
'CNT_DRAWINGS_ATM_CURRENT': ['max', 'mean', 'sum'], # Nombre de retraits ATM
'CNT_DRAWINGS_CURRENT': ['max', 'mean', 'sum'], # Nombre total de retraits
'CNT_DRAWINGS_POS_CURRENT': ['mean'], # Retraits en point de vente
'SK_DPD': ['mean', 'max', 'sum'], # Jours de retard
'SK_DPD_DEF': ['max', 'sum'], # Jours de retard définis
'LIMIT_USE': ['max', 'mean'], # Taux d'utilisation du plafond
'PAYMENT_DIV_MIN': ['min', 'mean'], # Ratio paiement / minimum dû
'LATE_PAYMENT': ['max', 'sum'], # Retards de paiement
}
# Agrégations temporelles des cartes de crédit (12, 24, 48 derniers mois)
CREDIT_CARD_TIME_AGG = {
'CNT_DRAWINGS_ATM_CURRENT': ['mean'], # Fréquence des retraits ATM récents
'SK_DPD': ['max', 'sum'], # Retards récents
'AMT_BALANCE': ['mean', 'max'], # Solde récent
'LIMIT_USE': ['max', 'mean'] # Utilisation récente du plafond
}
if __name__ == "__main__":
import argparse
parser = argparse.ArgumentParser(description="Prétraitement des données Home Credit")
parser.add_argument("--debug", action="store_true", help="Mode debug : charge 30 000 lignes seulement")
parser.add_argument("--output", type=str, default="data/preprocessed.csv", help="Chemin du CSV de sortie")
args = parser.parse_args()
with timer("Prétraitement complet"):
df = load_dataset(debug=args.debug)
output = args.output
if os.path.isdir(output) or output.endswith("/") or output.endswith("\\"):
output = os.path.join(output, "preprocessed.csv")
os.makedirs(os.path.dirname(output) or ".", exist_ok=True)
print(f"Sauvegarde du DataFrame ({df.shape[0]} lignes, {df.shape[1]} colonnes) dans '{output}'...")
df.to_csv(output, index=False)
print(f"Fichier sauvegardé : {output}") |