27届计算机毕设源码：基于多维特征融合的互联网贷款客户聚类与风险预警研究

我27届毕业设计做的是这个题目：“基于多维特征融合的互联网贷款客户聚类与风险预警研究”，后来又延伸出了一个方向“基于数据挖掘的互联网贷款用途与风险定价可视化研究”。很多学弟学妹在选毕设题目的时候会纠结，这个题到底难不难、怎么做、能不能有源码参考。我的建议是——这个方向确实值得做，因为它的数据源规范、算法链条完整、可视化效果好，而且跟当下互联网金融风控的实际业务结合得很紧。这篇文章把我从开题到最后答辩的完整思路、技术选型、实操步骤和踩过的坑都整理出来，希望能给正在做同类题目的同学一点参考。

这个项目的核心是以客户多维特征为基础，先用聚类算法把互联网贷款客户划分成不同的群体，然后针对每个群体的违约特征做风险预警，最后用数据挖掘的结果驱动贷款用途分析和风险定价，整个过程用可视化大屏展示成果。说白了，就是让贷款平台能回答三个问题：客户是谁、风险多大、该怎么定价。

因为内容偏应用型，整个项目的难易程度对本科毕设来说是刚刚好的——算法不劝退、代码量足够证明工作量、可视化又能拉高整体答辩的观感分。如果你正在做“客户聚类”、“风险预测”、“Python数据分析与可视化”方向，这篇内容可以直接对应到你的技术栈和开发节奏。

1. 项目整体设计与需求拆解

1.1 核心需求与切入点

先说这个题目到底在解决什么问题。互联网贷款平台（比如消费金融、小贷产品、银行线上信贷）最大的痛点只有一个：不知道借款的人是谁，也不知道借了钱之后会干什么。传统的线下风控主要靠人工审核和征信报告，但互联网贷款完全线上化，客群覆盖面大、数据维度杂、单笔金额小，靠人工根本不现实。

所以“客户聚类”解决的是客群分层问题，“风险预警”解决的是坏账预测问题，而“贷款用途与风险定价”是把这两部分的结果变成业务决策——告诉平台：这笔钱借给谁、利率定在多少、需要不需要人工介入。

放到毕设语境里，我把它拆成了四个模块：

1. 数据采集与清洗——拿到一份结构合理、字段完整的模拟贷款数据集
2. 多维特征融合——把用户的基础信息、行为数据、借贷历史组合成可用特征
3. 聚类分析与风险预警——用无监督学习分组，用有监督学习预测风险
4. 可视化展示——把聚类结果、风险分布、贷款用途、定价区间呈现到Web大屏

1.2 为什么选择多维特征融合与聚类这个技术路线

这一点在开题答辩时一定会被问到，你把理由理清楚，一组题目就立得住。

多维特征融合的本质是：单一维度的特征无法描述一个复杂的人。比如只看收入，年收入50万的个体户可能不敢借5万，因为资金全压在货上；收入10万的打工人反而更敢借，因为工资稳定可预期。只看历史借款次数也不行，多借不等于高风险，还要看还款行为、间隔时间、用途等等。

聚类在这个场景里的好处是不需要标注数据。征信样本里真正的违约客户比例是很低的（好客户可能占95%以上），如果你一上来就做有监督分类，正负样本极度不均衡，训练效果通常很差。而聚类不用标签，直接把客户按特征相似度分成几群，每个群的违约率、行为偏好一目了然，在早期风控里是非常实用的客群划分手段。

所以说这个项目的组合逻辑是：无监督负责看清客群结构，有监督负责落地风险预测，可视化负责把模型结果翻译成人话。三条线互不冲突又互相支撑，答辩时很好讲。

1.3 数据集设计与模拟方案

校招毕设最大的麻烦在于：真实贷款数据拿不到。我当时的做法是自建模拟数据集，然后用人工“注入”违约模式，让数据看起来更接近真实。

模拟数据字段设计如下：

模拟数据的生成逻辑我用的是“正态分布 + 人为规则”。比如月收入取均值为1.2万、标准差为6000的正态分布，然后把收入低于5000且借款金额大于3万的样本，赋予更高的初始逾期概率。这样生成出的数据虽然纯属模拟，但特征之间的相关方向是对的，聚类模型和风险模型跑出来的结果也有业务解释力。

提示：如果你用的是公开的信贷数据集（比如Kaggle上的German Credit、Lending Club Loan Data），注意字段含义与国内语境差异，建议在报告中说明数据来源和处理方式，避免答辩被追问时答不上来。

2. 技术架构、算法选型与工具链

2.1 整体技术栈选型与分工

项目的技术栈划分得很简单，主语言就是Python，辅助Web展示用了HTML + ECharts。

选择这套组合的原因很现实：Python生态对数据挖掘的支持最成熟，Sklearn一行代码就能跑通K-Means，XGBoost和LightGBM直接用pip装就能跑，ECharts做出来的可视化比Matplotlib好看一个数量级，而且不依赖付费BI工具，全是免费开源。

2.2 聚类算法选型：K-Means vs 层次聚类

做客户聚类，最终目标不是算法复杂度，而是“分出来的群体能不能解释”。我当时对比了两种方法：

K-Means：运行速度快、超参少、适合大数据量，但需要提前指定K值，且对初始质心和离群点敏感。对于10万条以内的数据量，性能完全够用。

层次聚类（AgglomerativeClustering）：不需要预设K值（可以通过树状图观察），聚类结果更稳定。缺点是计算复杂度高，样本量大了之后内存占用会急剧上升，在Python里超过3万条就不太建议直接用。

我的做法是先用层次聚类对一小批样本（1万条）做树状图，确定大致的分群数量，再用K-Means把全部数据分群。这是实践里很常见的“混合策略”：

1. 抽样1万条 → 层次聚类 → 画树状图 → 确定K的范围
2. 用轮廓系数（Silhouette Score）和SSE（簇内平方和）交叉验证选K
3. 用K-Means跑全量数据，输出中心点与分群结果

2.3 聚类效果评估指标

很多同学分完类就完事了，答辩时被问“你这个聚类结果怎么评价好坏”，就答不上来了。这里我整理了几个常用指标：

轮廓系数（Silhouette Score）：值域[-1,1]，越大说明样本越贴近自己的簇而远离其他的簇。一般超过0.25就可以接受，0.4以上说明聚类效果不错。这个在Sklearn里一行代码算出来。

SSE（簇内平方和）：每个点到所属簇中心的距离平方和。选K的时候画肘部曲线，看拐点。SSE下降得越快，说明增加簇带来的收益越大；下降变平缓后，继续增加K的意义就不大了。

业务可解释性：这是我最强调的，也是论文里单独拿出一个章节写的。分出来的每个群，要能命名、能描述。比如“高薪短借客户”“低收长借高危客群”“稳定消费型客户”等等。如果群里的特征分布乱成一锅粥，指标再高也没有落地价值。

我当时选K=5，最终呈现的分群画像大概是：

每个群的画像靠的是把聚类结果对应回原始特征的均值、众数做的统计汇总。这一步不复杂但很关键，它是后续风险定价和可视化的基础。

2.4 数据挖掘与风险建模的衔接

聚类做好了，怎么往风险预警上走？我当时的思路是：

把所有客户先分群，再把每个群内的数据打上“是否逾期”的标签（以“逾期天数>15”为坏客户定义）。然后用标签训练一个二分类模型，预测客户的违约概率。这个概率同时输出为风险评分（0-100分），映射规则可以简单定义为风险评分 = round(100 - 违约概率*100)，也可用逻辑回归的系数做更规范的分数换算。

比较讨巧的是，模型里可以加入“所属聚类簇编号”作为特征，让聚类结果反哺有监督模型。比如D群客户的风险权重天然就高，模型会自动学到“处于这个簇的客户，违约概率要上调”。这一步让你的项目在逻辑上形成闭环，论文里也很好画框图。

3. 实操实现：从数据清洗到可视化大屏

3.1 数据清洗与预处理

第一件事永远是看数据长什么样。运行df.info()、df.describe()、df.isnull().sum()，把字段类型、缺失值、异常值摸个底。我的数据集是自建的，缺失值不多，但有几类处理思路必须记录下来：

连续特征做缺失值填补。分三类：均值填充（适用于近似正态分布的字段，比如收入）、中位数填充（适合右偏分布，如借款金额）、按分组填充（比如同一城市等级下，取该组的均值作为缺省值）。不要一股脑都用均值填充，答辩时被问到“为什么这里用中位数不用均值”，你要能说出分布形态的道理。

分类特征做编码。学历、城市等级、职业类型这类字段要转成数值。可以用LabelEncoder或pd.get_dummies()。注意：如果你后续要做逻辑回归，尽量用One-Hot编码，避免把类别之间的等级性质硬编码进去；如果用树模型，LabelEncoder问题不大。

异常值处理。对连续特征用IQR法做截尾：Q1 - 1.5*IQR和Q3 + 1.5*IQR之外的样本，不直接删除，而是截断到边界值。借贷场景里极端值可能代表真实的大客户或高风险客户，直接删会损失信息，截尾更稳妥。

归一化/标准化。K-Means这类基于距离的算法必须做，不然收入这个维度会直接碾压其他所有特征。我当时用的StandardScaler而不是MinMaxScaler，因为它对离群值不那么敏感。这是实操中不少人忽略的细节。

3.2 多维特征融合的具体做法

我这里说的“多维特征融合”不是深度学习里的特征拼接，而是工程化的特征衍生。原始字段是“收入”“消费金额”“借款次数”这种单点值，但真正有判别力的是它们之间的比例关系和派生指标。我实际用到的融合方式主要有三类：

比值类特征。比如“月供收入比 = 月还款金额 / 月收入”，“消费收入比 = 月消费 / 月收入”，“借款频率 = 历史借款次数 / 注册时长（月）”。这些比例特征比绝对值更稳定，也能直接解释客户的还款意愿和资金链条紧不紧张。

聚合类特征。按用户ID对历史借贷行为做汇总。比如“平均借款金额”“最大借款金额”“标准差借款金额”、“提前还款次数”、“逾期次数占比”。这些指标描述的是客户的资金使用习惯和风险惯性。

交叉类特征。两个特征相乘或相加组合而成。常见做法有“收入学历权重”，把学历映射成数值后再跟收入相乘，高分高收入客户的得分会显著高量级。又比如“借款金额期限”，无监督模型容易学到这类隐含模式。

我当时没有用PCA做降维，原因有两个：一是聚类的业务可解释性在论文里是加分项，PCA降维后特征变得不可解释；二是字段量几十个不算多，相关性也控制在合理范围。但如果你发现特征数量上百，可能存在共线性，可以用PCA或者相关性热力图筛一遍。

3.3 K-Means聚类的Python实现

直接给出我当时的核心代码框架，这份代码在Sklearn版本1.3以上都能直接跑：

import pandas as pd from sklearn.preprocessing import StandardScaler from sklearn.cluster import KMeans, AgglomerativeClustering from sklearn.metrics import silhouette_score import matplotlib.pyplot as plt # 读取已预处理的数据 df = pd.read_csv('loan_customer_processed.csv') # 选择聚类特征列 feature_cols = ['age', 'monthly_income', 'loan_amount', 'loan_term', 'monthly_payment_income_ratio', 'consume_income_ratio', 'history_loan_counts', 'overdue_days_mean', 'loan_frequency', 'city_level_encoded', 'edu_level_encoded'] X = df[feature_cols] # 标准化 scaler = StandardScaler() X_scaled = scaler.fit_transform(X) # 层次聚类确认K值范围（抽样1万条） sample_df = X_scaled[:10000] agglom = AgglomerativeClustering(distance_threshold=0, n_clusters=None) agglom.fit(sample_df) # 画出不同K对应的轮廓系数 silhouette_scores = [] K_range = range(2, 11) for k in K_range: km = KMeans(n_clusters=k, n_init=10, random_state=42) labels = km.fit_predict(X_scaled) silhouette_scores.append(silhouette_score(X_scaled, labels)) plt.plot(K_range, silhouette_scores, marker='o') plt.xlabel('K') plt.ylabel('Silhouette Score') plt.show() # 正式聚类，K=5由轮廓系数和业务解释共同决定 kmeans = KMeans(n_clusters=5, n_init=10, random_state=42) df['cluster'] = kmeans.fit_predict(X_scaled) # 每个聚类的中心点（还原到原始尺度后看均值） cluster_profile = df.groupby('cluster')[feature_cols].mean() print(cluster_profile)

注意n_init=10要写。Sklearn的新版本里默认值已经变了，不指定它会弹警告。random_state也要固定住，不然每次跑出来的聚类结果标签编号会变动，后面做可视化的时候容易对不上颜色。

3.4 层次聚类的应用与树状图绘制

我在论文里展示了层次聚类的树状图，用来佐证K值选择的合理性。Sklearn自身不带画树状图的函数，是用的scipy.cluster.hierarchy：

from scipy.cluster.hierarchy import dendrogram, linkage # 对抽样数据用ward方法做层次聚类 Z = linkage(sample_df, method='ward') # 画树状图，只显示后30个合并点防止图像过密 plt.figure(figsize=(12, 8)) dendrogram(Z, truncate_mode='lastp', p=30) plt.axhline(y=某个阈值, color='red', linestyle='--') plt.show()

这个图的作用是让别人直观地看到“5簇”这个选择并非瞎拍脑袋。树状图中横线的高度就是簇间合并的代价，横线位置高、跨越大的地方就是天然的分群边界。

3.5 风险预警模型与评分映射

聚类完成之后，我接着做了风险预警。核心代码如下，这里先用逻辑回归做基线，再上XGBoost对比效果：

from sklearn.model_selection import train_test_split from sklearn.linear_model import LogisticRegression from xgboost import XGBClassifier from sklearn.metrics import classification_report, roc_auc_score # 构建标签：历史逾期天数均值>15 或 当前逾期标记=1 视为坏客户 df['is_bad'] = ((df['overdue_days_mean'] > 15) | (df['current_overdue'] == 1)).astype(int) features = feature_cols + ['cluster'] # 聚类结果作为特征参与建模 X = df[features] y = df['is_bad'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.3, random_state=42, stratify=y ) # 逻辑回归基线 lr = LogisticRegression(max_iter=1000, random_state=42) lr.fit(X_train, y_train) y_pred_lr = lr.predict_proba(X_test)[:, 1] print('LR AUC:', roc_auc_score(y_test, y_pred_lr)) # XGBoost xgb = XGBClassifier(n_estimators=200, max_depth=4, learning_rate=0.1, scale_pos_weight=sum(y_train==0)/sum(y_train==1), random_state=42) xgb.fit(X_train, y_train) y_pred_xgb = xgb.predict_proba(X_test)[:, 1] print('XGB AUC:', roc_auc_score(y_test, y_pred_xgb)) # 输出风险评分（0-100） df['risk_score'] = (1 - y_pred_xgb) * 100 df['risk_level'] = pd.cut(df['risk_score'], bins=[0, 60, 75, 85, 100], labels=['高危', '中危', '低危', '优质'])

这里有一个处理经验：正负样本不均衡问题，用了scale_pos_weight参数给坏客户加权，把“把坏人漏掉”的代价放大。在答辩时表现出这一层的思考，明显能拉开档次。

3.6 可视化大屏：Flask + ECharts 实现

可视化是很多同学最担心的一环，其实非常简单。我用的是Flask提供后端API，ECharts渲染前端图表，整个大屏是一张HTML页面，顶部是标题，中间排列四个图表：

• 左侧：K-Means聚类散点图（基于PCA降维到2维展示）
• 右侧：各客群逾期率柱状图
• 左下：贷款用途分布玫瑰图（饼图变形）
• 右下：各客群风险定价区间散点图

Flask代码骨架：

from flask import Flask, jsonify, render_template import pandas as pd import json app = Flask(__name__) @app.route('/') def index(): return render_template('dashboard.html') @app.route('/api/cluster_data') def cluster_data(): # 读取聚类结果并做PCA降维 from sklearn.decomposition import PCA pca = PCA(n_components=2) df[['x', 'y']] = pca.fit_transform(X_scaled) data = df[['x', 'y', 'cluster', 'risk_level']].to_dict('records') return jsonify(data) @app.route('/api/risk_stats') def risk_stats(): # 按客群聚合逾期率 stats = df.groupby('cluster')['is_bad'].mean().reset_index() return jsonify(stats.to_dict('records')) if __name__ == '__main__': app.run(debug=True)

ECharts前端示例（散点图核心配置）：

$.getJSON('/api/cluster_data', function(data) { var clusters = [...new Set(data.map(d => d.cluster))]; var series = clusters.map(c => ({ name: '客群' + c, type: 'scatter', data: data.filter(d => d.cluster === c).map(d => [d.x, d.y]) })); var chart = echarts.init(document.getElementById('scatterChart')); chart.setOption({ tooltip: {}, legend: { top: 10 }, xAxis: { name: 'PC1' }, yAxis: { name: 'PC2' }, series: series }); });

这一套做下来，大屏效果确实好看。答辩的时候PPT里放一张实拍截图，在纯粹讲算法的项目里非常亮眼。

3.7 贷款用途与风险定价的关联分析

只看聚类和风险还不够，我的延伸题目还做了“贷款用途与风险定价”的关联分析。

贷款用途字段以枚举形式出现（装修、教育、医疗、购物、旅游、经营周转），我用pd.get_dummies展开，然后按聚类群组做交叉频次统计。实际结论非常清晰：

• D群（高风险长借群）的贷款用途里“经营周转”和“医疗”占比显著偏高
• A群（白领短借群）的贷款用途集中在“购物”和“旅游”
• C群（高收入低风险群）的定价利率可以下调1个百分点，风险性价比最优
• D群的定价利率需要上调2-3个百分点，并且搭配借款额度上限限制

风险定价我用的是“基准利率 + 风险溢价 + 客群调整系数”这么个简化公式：

最终贷款利率 = 基准利率(8.0%) + 客群风险溢价 + 用途调整系数

客群风险溢价由模型的违约概率映射得到，用途调整系数根据历史坏账率经验设定。比如医疗用途的历史坏账率偏高，系数相应增加；教育用途虽然金额不大，但违约率低，可以给优惠。

4. 实操中的常见问题、避坑指南与心得

4.1 常见问题速查表

4.2 一个非常容易翻车的地方：标签泄漏

我必须单独提这个坑，因为我在中期检查时差点翻车。

做风险预警的时候，数据表里有一个字段叫“历史逾期天数平均值”，我拿它跟“是否违约”标签同时建模，AUC直接到了0.99。答辩老师看了一眼就说：“你这个特征本身不就是标签吗？历史逾期天数均值本质定义了违约，再拿它去预测违约，这是自问自答。”

解决的方法是：把标签定义用到的字段从特征列表里剔除掉。比如标签是“逾期天数>15”，那建模时就不能用任何直接从逾期天数派生出来的字段。可以用历史借款次数、借款间隔、消费波动率等间接特征，而不是逾期情况本身。

我在论文里特意加了一节“特征合规性审查”，列出哪些特征可以进入模型、哪些必须排除，这个细节在答辩时非常加分，因为你提前堵住了老师想挑刺的嘴。

4.3 可视化大屏的实用经验

ECharts虽然用起来容易，但有几个实际经验值得记下来：

散点图会过度绘制。几千个点叠在一起就是一团黑，要限制样本量。我的做法是每个客群随机抽500个点，总计2500个点，视觉上既能看清分布又不卡页面，论文中再标注说明“展示部分样本”。

大屏配色建议统一。用深色背景（#0a0e27）加亮色系列（橙、蓝、绿），是数据大屏最稳的方案。不要用默认白色背景，会很“毕设”味。

玫瑰图的实现可以更直观地表达贷款用途结构。ECharts中把饼图的roseType设置为'radius'，就自动变成玫瑰图。建议配合客群切换联动：点击某个客群，下方玫瑰图只显示这个群体的贷款用途分布。

4.4 关于源码和复现的说明

我做毕设时也网上找过透源码和报告，结果大部分不是残缺版就是需付费的引流项目，或者数据不匹配、装上跑不起来。后来索性自己动手从数据构造开始写，反而把整个流程吃透了。所以我的建议是：

参考源码可以，但必须照着数据把每一步跑通。如果你拿到了别人的项目，先确认三件事——数据能不能对齐，依赖包版本合不合适，字段命名是否一致。如果不一致，照着我的流程重新生成模拟数据即可，算法代码核心部分是通用的。

算法层面不需要贪多。本科毕设用K-Means+层次聚类+逻辑回归+XGBoost+ECharts，已经是完整且扎实的组合。在这个基础上把每个环节做深做透，比堆十几个算法效果更好。

5. 从项目延伸到能力沉淀

做完整套项目之后，最大的收获倒不是代码能力，而是把“数据挖掘”四个字从课本变成了一种解题习惯。

第一，你对数据的感觉会变。看到一张新表，第一反应不是“跑个模型”，而是先看分布、看缺失、看相关性，先想业务逻辑合不合理。

第二，你对无监督学习的认知会更务实。K-Means不是调个库，而是要理解不同人群的边界在哪里，特征维度怎么取舍才能让分群有意义。聚类最终服务于决策，而不是服务于美观的分簇图。

第三，你会对模型评估多一层敬畏。AUC、准确率高只代表你在这个数据集上拟合得好，不代表放到真实环境里一定有用。风控模型尤其如此，真实业务中模型还会面临客户偏移、数据质量波动、政策调整等复杂影响。

这个项目如果要继续扩展，我建议顺着两条线：一条是线上部署，把训练好的模型导出成PMML文件或pickle，用Flask搭一个简单的评分服务接口；另一条是引入时序，观察客户过去几个月的消费和还款趋势，把静态风险升级为动态风险。

我给学弟学妹最诚恳的建议是：选题选得再复杂，不如一个环节做得扎实。多维特征融合和可视化这两条线，是我做下来性价比最高、答辩效果最好的部分。如果你们时间紧，优先保数据质量+聚类效果+可视化展示这三块，风险模型可以适当简化，绝对不影响你的毕设评级。

纸上得来终觉浅，从我的实战经历来看，真正把整个流程跑通一遍，任何人的技术成长都会非常明显。祝你们毕设顺利，答辩顺利。