Credit risk data cleaning and variable screening pipeline
Nettoyage de données pour modélisation pré-crédit — filtrage de périodes anormales, screening taux de manquants/IV/PSI/Null Importance/corrélation et rapport Excel
- Quoi
- Nettoyage de données pour modélisation pré-crédit — filtrage de périodes anormales, screening taux de manquants/IV/PSI/Null Importance/corrélation et rapport Excel
- Coût
- Gratuit
- Prérequis
- Python 3 avec les dépendances des scripts fournis ; un fichier de données de crédit (parquet recommandé) en entrée ; rien d'autre — aucun compte ni clé requis
- Installation
- Copiez le prompt d’installation ci-dessous dans votre Muse — votre agent fait le reste.
Sélectionné par Skill Harbor — un skill de data science de la collection communautaire `github/awesome-copilot` : un pipeline en 11 étapes qui nettoie les données de crédit brutes et filtre les variables avant la modélisation pré-crédit — charger et formater les données brutes, analyser les effectifs d'échantillons et taux de mauvais échantillons par organisme, séparer les données hors échantillon, filtrer les mois anormaux, calculer les taux de manquants, éliminer les variables à fort taux de manquants, filtrer les variables à IV faible et à PSI instable élevé, appliquer le débruitage Null Importance (suppression de bruit par permutation d'étiquettes), éliminer les variables fortement corrélées, et exporter un rapport Excel complet (15 feuilles : résumé, statistiques par organisme, feuilles de détail et de distribution des taux de manquants/IV/PSI, résultats de chaque étape de filtrage). Chaque étape s'exécute indépendamment sans supprimer les données originales, supporte des paramètres interactifs avec défauts, et accélère les calculs IV/PSI par multiprocessing. Crédit : @github. Bémols honnêtes : domaine de niche — modélisation du risque crédit pré-crédit ; les feuilles du rapport sont en chinois ; nécessite Python et les scripts fournis avec un fichier de données parquet (ou similaire) en entrée. Licence MIT. Skill Harbor ne vérifie jamais le code, examinez-le vous-même avant usage. Découvert via skills.sh.
Version :
Installation
Prérequis : Python 3 avec les dépendances des scripts fournis ; un fichier de données de crédit (parquet recommandé) en entrée ; rien d'autre — aucun compte ni clé requis Installe-moi « Pipeline de nettoyage de données risque crédit et screening de variables ». Il donne à l'agent le pipeline de nettoyage de données en 11 étapes de github/awesome-copilot pour la modélisation du crédit pré-crédit : analyse d'échantillons par organisme, séparation hors échantillon, filtrage des mois anormaux, calcul des taux de manquants, screening fort taux de manquants/IV faible/PSI instable élevé, débruitage Null Importance, élimination des fortes corrélations, et un rapport Excel complet — chaque étape indépendante, paramètres interactifs avec défauts, multiprocessing pour IV/PSI. Licence MIT. Dépôt : https://github.com/github/awesome-copilot/blob/main/skills/datanalysis-credit-risk/SKILL.md 1. Récupère le fichier SKILL.md (et les fichiers d'aide éventuels) depuis le chemin du dépôt dans un dossier temporaire et résume en une ou deux phrases ce qu'il fait. 2. Vérification de sécurité : examine le SKILL.md et les scripts pour tout contenu suspect (appels réseau inattendus, commandes shell, collecte d'identifiants). Ce dépôt ne devrait contenir aucun secret en dur, les identifiants uniquement via le coffre sécurisé, les hôtes autorisés déclarés dans le SKILL.md. Vérifie que c'est bien le cas ici ; STOP sur tout signal d'alerte et dis-le-moi. 3. Installe-le comme skill : copie le SKILL.md et ses fichiers d'aide dans le répertoire des skills de l'agent, dans un dossier nommé « datanalysis-credit-risk ». 4. Vérifie sans appels réseau : frontmatter valide, fichiers en place. 5. Indique ce qui a été installé, où, et ce qu'il me reste à faire moi-même (p. ex. préparer Python 3 avec les dépendances ; pointer l'agent vers le fichier de données de crédit ; noter que les feuilles du rapport sont en chinois). GitHub est optionnel : si j'ai un compte GitHub ou la CLI gh, tu peux l'utiliser ; sinon l'accès public suffit. Ne jamais l'exiger sauf s'il figure dans les prérequis ci-dessus. Règles : ne touche à rien en dehors du dossier temporaire et de la cible d'installation. Si quelque chose semble anormal, arrête-toi et demande-moi.
Questions
Comment installer une création ?
Chaque fiche produit contient un prompt d’installation à copier-coller. Collez-le dans votre Muse et il installe la création pour vous — sans configuration manuelle.
Où va mon argent ?
Directement au vendeur. Skill Harbor ne traite jamais les paiements : le paiement se fait sur la page du vendeur, généralement via Stripe.
Que signifie le ✓ à côté du nom d’un créateur ?
Il signifie que nous avons confirmé l’identité de la personne derrière la fiche. Il ne dit rien sur le code lui-même — vérifiez toujours une création avant de l’installer.