Python数据可视化: Bokeh库分析房贷与信用卡违约关系

本案例使用Python的Bokeh库，通过条形图直观地展现有无房贷对于信用卡违约率的影响。

数据预处理

import pandas as pd
from bokeh.plotting import figure, show

df = pd.read_csv('train.csv')
df = df[['housing', 'default']]
df.dropna(inplace=True)

# 统计有房贷和无房贷的违约情况
has_housing_default = df[df['housing'] == 'yes']['default'].value_counts()
no_housing_default = df[df['housing'] == 'no']['default'].value_counts()

读取名为'train.csv'的数据集，提取'housing'和'default'列进行分析，并清除缺失值。然后，分别统计有房贷和无房贷用户的信用卡违约情况。

绘制条形图

p = figure(x_range=['Has Housing', 'No Housing'], plot_height=350, title='Default by Housing',
           toolbar_location=None, tools='')

p.vbar(x='Has Housing', top=[has_housing_default[0], has_housing_default[1]], width=0.3, color='red', legend_label='No Default')
p.vbar(x='No Housing', top=[no_housing_default[0], no_housing_default[1]], width=0.3, color='blue', legend_label='Default')

p.xgrid.grid_line_color = None
p.legend.orientation = 'horizontal'
p.legend.location = 'top_center'

show(p)

使用Bokeh库创建条形图，分别展示有房贷和无房贷用户的信用卡违约和未违约数量。红色条形代表未违约用户，蓝色条形代表违约用户。

总结

通过该可视化分析，可以直观地对比有无房贷对信用卡违约率的影响，为相关决策提供数据支持。