Durante as discussões, surgiu uma "pequena" tarefa - construir a dinâmica da estrutura da carteira de crédito (dinâmica de um cartão de crédito, por exemplo). Há uma especificidade importante - é necessário aplicar o método FIFO para pagar os empréstimos. Aqueles. ao pagar, os primeiros empréstimos devem ser pagos primeiro. Isso impõe certos requisitos no cálculo da situação de cada empréstimo individual e na determinação de sua data de vencimento.
Considere isso como um problema de olimpíada. Sem “ prêmios de energia sangrentos ” e código de pedalada, a abordagem é exclusivamente “ pense primeiro ”. Não mais do que uma tela de código por protótipo e nenhum loop (integrado para desempenho e legibilidade). Abaixo está o código R com uma abordagem de protótipo.
É a continuação de uma série de publicações anteriores .
Decomposição
Como fazemos tudo do zero, dividimos a tarefa em três etapas:
- Formação de dados de teste.
- Cálculo da data de vencimento de cada empréstimo.
- Cálculo e visualização da dinâmica para uma determinada janela de tempo.
Suposições e disposições para o protótipo:
- Granularidade atualizada. Apenas uma transação em uma data. Se houver várias transações em um dia, seu pedido deverá ser estabelecido (para cumprir o princípio FIFO). Você pode usar adicionar. índices, você pode usar unixtimestamp, você pode inventar outra coisa. Isso é irrelevante para o protótipo.
- Não
for
deve haver nenhum loop explícito . Não deve haver cópias desnecessárias. Concentre-se no consumo mínimo de memória e no desempenho máximo. - Consideraremos os seguintes grupos de atrasos: "<0", "0-30", "31-60", "61-90", "90+".
Etapa 1. Gerando o conjunto de dados
Apenas um conjunto de dados de teste, todas as correspondências são aleatórias. Para cada usuário, geraremos cerca de 10 registros. Para os cálculos, assumimos que o valor do empréstimo é positivo e o reembolso é negativo. E todo o ciclo de vida de cada usuário deve começar com um empréstimo.
library(tidyverse)
library(lubridate)
library(magrittr)
library(tictoc)
library(data.table)
total_users <- 100
events_dt <- tibble(
date = sample(
seq.Date(as.Date("2021-01-01"), as.Date("2021-04-30"), by = "1 day"),
total_users * 10,
replace = TRUE)
) %>%
# 50 .
mutate(amount = (runif(n(), -2000, 1000)) %/% 50 * 50) %>%
#
mutate(user_id = sample(!!total_users, n(), replace = TRUE)) %>%
setDT(key = "date") %>%
#
.[.[, .I[1L], by = user_id]$V1, amount := abs(amount)] %>%
# ,
#
#
unique(by = c("user_id", "date"))
Etapa 2. Calcule a data de vencimento de cada empréstimo
data.table
permite que você altere objetos por referência, mesmo dentro de funções, vamos usar isso ativamente.
#
accu_dt <- events_dt[amount < 0, .(accu = cumsum(amount), date), by = user_id]
ff <- function(dt){
#
#
accu_dt[dt, amount := i.amount, on = "user_id"]
accu_dt[is.na(amount) == FALSE, accu := accu + amount][accu > 0, accu := NA, by = user_id]
calc_dt <- accu_dt[!is.na(accu), head(date, 1), by = user_id]
# data.frame,
calc_dt[dt, on = "user_id"]$V1
}
repay_dt <- events_dt[amount > 0] %>%
.[, repayment_date := ff(.SD), by = date] %>%
.[order(user_id, date)]
Etapa 3. Cálculo da dinâmica da estrutura para o período
calcDebt <- function(report_date){
as_tibble(repay_dt) %>%
# ,
filter(is.na(repayment_date) | repayment_date > !! report_date) %>%
mutate(delay = as.numeric(!!report_date - date)) %>%
#
mutate(tag = santoku::chop(delay, breaks = c(0, 31, 61, 90),
labels = c("< 0", "0-30", "31-60", "61-90", "90+"),
extend = TRUE, drop = FALSE)) %>%
#
group_by(tag) %>%
summarise(amount = sum(amount)) %>%
mutate_at("tag", as.character)
}
#
df <- seq.Date(as.Date("2021-04-01"), as.Date("2021-04-30"), by = "1 day") %>%
tibble(date = ., tbl = purrr::map(., calcDebt)) %>%
unnest(tbl)
#
ggplot(df, aes(date, amount, colour = tag)) +
geom_point(alpha = 0.5, size = 3) +
geom_line() +
ggthemes::scale_colour_tableau("Tableau 10") +
theme_minimal()
Podemos obter algo assim.
Uma tela de código, conforme necessário.
Post anterior - "Storytelling R Report vs. BI, A Pragmatic Approach . "