查詢網貸記錄時，壹般只能查詢有信用記錄的，沒有信用記錄的暫時沒有合適的查詢渠道。
網貸查詢記錄進行征信的方法如下:
1.征信窗口查詢:個人可攜帶身份證，到附近的人民銀行分支機構，找到征信窗口，向工作人員提交查詢申請。
2.征信中心官網查詢:個人可登錄中國人民銀行征信中心官網，在首頁點擊“互聯網個人征信服務平臺”，然後點擊“立即開始”。如果他們沒有註冊，他們可以單擊新用戶註冊。註冊成功後，即可登錄個人賬戶，進行網上查詢。
國內排名前十的P2P網貸平臺和網貸平臺有哪些？
根據神盾風控官網2021年6月發布的統計數據，全國十大p2p網貸平臺排名如下:top1:宜人貸，top2:愛錢，top3:金鹿服務，top4:積木盒子，top5:拍拍貸，top6:辛凱金夫，top7:人人貸，TOP 4。這十家網貸平臺都是國內非常正規優秀的網貸平臺，在網貸行業占據了非常大的市場份額，對目前國內的網貸行業有著非常大的影響。
能夠登上全國十大P2P網貸平臺榜單，是對網貸平臺非常高的肯定，因為這個榜單不僅僅是根據網貸平臺的使用情況和用戶數量來評判，還需要審核網貸平臺的用戶滿意度，網貸是否都是正規業務。
如果某個網貸平臺存在“714高射炮”之類的東西，或者存在違規收費等各種違法現象，那麽即使用戶再多，這個網貸平臺也不可能在這樣的榜單上。這也是很多知名網貸平臺沒有上市的原因，因為很多知名網貸平臺可能用戶不足，或者可能存在違規操作，導致用戶口碑不好。
現在網貸平臺數量眾多，有很多非常正規專業的網貸平臺供我們選擇，但同時也有很多不正規的網貸公司誘導我們。在這種情況下，壹定要擦亮眼睛，辨別網貸公司的好壞，選擇正規的網貸平臺進行業務。
美國網貸平臺Prosper貸款數據分析
本文主要描述了如何用Python來評估、組織和清洗數據集。
完成這個過程後，我們將通過Tableau對“Prosper違約客戶的特征是什麽”這個問題進行探索、分析和可視化。
最後用隨機森林算法對2009年7月以後的數據進行建模分析，對還在進行中的貸款進行違約與否的預測。
Prosper是美國第壹家P2P借貸平臺。這個數據集來自於優步2005年到2014在Udacity上的貸款數據。本文希望通過對已完成貸款的分析，判斷什麽樣的客戶更容易違約，並預測未完成貸款是否會違約。
原始數據集* * *包含81個變量和113937條數據。下面解釋壹些重要的變量，其他變量的含義可以參考變量字典。
首先加載庫和數據。
然後用df.describe()和df.info()觀察數據。
這次主要分析1。什麽樣的借款人更容易違約？2.預測未償還貸款是否會違約。所以去掉不相關的欄目。
自2009年7月起，Prosper調整了對客戶的評估方法。這次只分析2009年7月以後的貸款-01。
刪除含義重復的列:
Prosper對新客戶的評級和老客戶不同，這次只分析新客戶的數據。
首先，檢查每個變量的缺失數據。
平臺將貸款狀態分為12類型:已取消(Cancelled)、已收費(Chargedoff)(核銷，投資人有損失)、已完成(正常完成，投資人無損失)、當前(貸款償還)、違約(壞賬，投資人有損失)、FinalPaymentInProgress(投資人最終還款無損失)、過期。
本文根據交易是仍在進行還是已成交，以及投資者在已成交的交易中是否虧損，將所有數據分為以下三組:
當前(包括當前、過期)，
違約(包括違約、拒付)，
已完成(包括已完成，finalpaymentinprogress)。
為了便於後續的分析計算，“完成”改為1，“默認”改為0。
已完成貸款違約率defaulted _ ratio _ finished = 26.07%。
這個數據集有很多反映貸款用戶信用情況的特征。其中，信用評級由Prosper根據自己的模型建立，是確定貸款利率的主要依據，而CreditScore則由官方信用評級機構提供。
從圖5-1可以看出，隨著ProsperRating的不斷增加，違約率呈現出明顯的下降趨勢。
在CreditScore，低分(640-700)，違約率處於比較高的位置，沒有太大的變化。對於720以上的部分，隨著信用評分的提高，違約率明顯下降。
總體來看，借款人的信用等級越高，違約的可能性越低。
在不同收入水平中，未就業借款人的違約率最高，且隨著收入的增加，違約率不斷下降。
在不同的貸款狀況下，違約用戶的月收入明顯低於非違約用戶。
根據圖5-4左圖，違約用戶和非違約用戶的整體負債收入比差別不大。
根據債務收入比的四分位數，將所有數據分為數據量相近的四組。從圖5-4右圖可以看出，低比率(債務收入比0-0.12)和中比率(0.12-0.19)的違約率都較低。比例較高的違約率(0.19-0.29)略高於前兩者。而高比例(大於0.29)用戶的違約率明顯上升。
根據銀行卡使用率的四分位數，將數據分為'未使用'、'低透支(0，0.3 '、'中度透支(0.3，0.7 '、'高透支(0.7，1)”和'嚴重透支(1)。
可見透支嚴重的借款人違約率最高。
二是未使用的用戶，這也是金融機構特別關註“白戶”的原因。
InquiriesLast6Months可以反映借款人近期向金融機構申請貸款的頻率，間接反映借款人近期的財務狀況。
圖5-6中，綠線表示不同查詢時間下的貸款筆數。可以看到，大部分都在7倍以下。
在0-7次查詢的範圍內，默認率隨著查詢次數的增加而增加。
目前的違約情況可以很好地反映借款人的信用狀況。
從圖5-7可以看出，目前大部分借款人的逾期次數在2次以內。在0-6的範圍內，違約率隨著當前逾期次數的增加而增加。
為了避免某些極少數類別對違約率排名的影響，首先篩選出貸款超過30筆的類別。
從圖5-8可以看出，最大的數字是1-DebtConsolidation。
違約率最高的是15-醫療/牙科(醫療)、13-戶主支出(家庭支出)和3-商業(商業)，均高於30%。
根據貸款金額的四分位數，將數據分為四組，數字相近。有意思的是，中等規模貸款(365，438+000，4750)的違約率最高，而高規模貸款(8，500以上)的違約率最低。
這大概是因為能申請高額貸款的用戶各方面條件都很好，從而降低了違約率。
從圖5-11可以看出，在0-30的範圍內，隨著久期的增加，違約率逐漸降低，這個範圍也包含了壹半左右的數據。
當久期持續增長時，違約率沒有明顯的變化規律。
不同地區違約率差異明顯。在洛杉磯和SD等城市，違約率很高。在ut和co等城市，違約率較低。
整體來看，有房產的借款人違約率明顯低於無房產的借款人。
導入相關庫。
將數據中的字符串變量轉換為數字。
按照測試集30%、訓練集70%的比例劃分數據集，使用隨機森林算法建立模型。
模型測試集的預測準確率為:準確率=73.99%。
對於隨機森林算法，我們可以檢查該模型中每個特征的重要性。
如圖6-2所示，StatedMonthlyIncome和EmploymentStatusDuration是最重要的功能。
根據該模型，預測仍在進行中的貸款是否違約。
仍在進行中的貸款違約率為Default _ Ratio _ Predict = 3.64%。
本文詳細描述了Prosper loan數據從數據探索到模型建立和預測的完整過程。
研究發現，月收入和雇傭期限對是否違約影響最大。主要是因為這兩個是反映借款人穩定性的重要因素。
在模型建立方面，也可以通過調整這個模型的參數來提高精度，或者嘗試使用其他算法，比如logistic回歸，建立新的模型進行比較。
p2p貸款數據介紹就這麽多。