用Python分析财险数据——菜鸟向

Alonso
软件技能Python

发布于：2021年1月18日
次浏览

用Python分析财险的赔付数据。

我是Alonso，本科毕业于对外经济贸易大学保险（精算与风险管理）专业，现在在财险评估领域搬砖。负责论坛 actuarygarden.com 的实务交流版块。 珂珂是我的同班同学，感谢珂珂对本文的重大贡献。同时感谢我的大学室友和女朋友的弟弟。（小白学习Python就是这么兴师动众）

跑步游泳是我的强项。个人知乎专栏：Alonso要做精算师

拥有了一家公司的赔付数据，想使用python对数据进行分析。大致的数据结构如下，一家公司，10个险别，12个事故年。

1
2
3
4
import pandas as pd#数据分析的包
import matplotlib.pyplot as plt#画图的包
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False #让图表中可以显示中文
1
2
df_all=pd.read_csv('C:/Alonso/纯手打/假数据.csv',engine='python')#读取数据
df_all.head()#显示数据的前五行
公司 险种 险别 事故年 EP Paid Case IBNR UL 已赚单数 案件数 ME ULAE DAC
0 A 交强 交强 2008 200 NaN NaN NaN 17.0 NaN NaN 0 0 0
1 A 交强 交强 2009 145 NaN NaN NaN 13.0 NaN NaN 0 0 0
2 A 交强 交强 2010 118 NaN NaN NaN 17.0 NaN NaN 0 0 0
3 A 交强 交强 2011 163 NaN NaN NaN 11.0 NaN NaN 0 0 0
4 A 交强 交强 2012 106 NaN NaN NaN 14.0 NaN NaN 0 0 0

可以看到，已赚保费和UL的数据，可以对这家公司不同险种的损失率进行分析。ULR=UL/EP。（UL是Ultimate Loss的缩写，最终赔款。EP是Earned Premium的缩写，已赚保费）第一个目标是，按照事故年，汇总各险类的ULR。EP和UL的数据都是随机生成的

1
2
df_all["ULR"]=df_all['UL']/df_all['EP']#这样就加入了一列ULR
df_all.head()
公司 险种 险别 事故年 EP Paid Case IBNR UL 已赚单数 案件数 ME ULAE DAC ULR
0 A 交强 交强 2008 200 NaN NaN NaN 17.0 NaN NaN 0 0 0 0.085000
1 A 交强 交强 2009 145 NaN NaN NaN 13.0 NaN NaN 0 0 0 0.089655
2 A 交强 交强 2010 118 NaN NaN NaN 17.0 NaN NaN 0 0 0 0.144068
3 A 交强 交强 2011 163 NaN NaN NaN 11.0 NaN NaN 0 0 0 0.067485
4 A 交强 交强 2012 106 NaN NaN NaN 14.0 NaN NaN 0 0 0 0.132075 
1
2
3
df=pd.DataFrame()#创建一个空的df
df['事故年']=df_all.iloc[0:12,3]#iloc通过号码索引数据，前闭后开
print(df)
1
2
3
4
5
6
7
8
9
10
11
12
13
     事故年
0   2008
1   2009
2   2010
3   2011
4   2012
5   2013
6   2014
7   2015
8   2016
9   2017
10  2018
11  2019
1
df_all.loc[0:12,'事故年']#loc通过标签索引数据，前后都闭。放在这里和iloc对比一下。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
0     2008
1     2009
2     2010
3     2011
4     2012
5     2013
6     2014
7     2015
8     2016
9     2017
10    2018
11    2019
12    2008
Name: 事故年, dtype: int64
1
2
3
for i in range(0,10):#左闭右开
    df[i]=df_all.iloc[(i*12):(i*12+12),14].tolist()#把ULR每12个分成一组，少了tolist()就会有问题
df
事故年 0 1 2 3 4 5 6 7 8 9
0 2008 0.085000 0.042553 0.034722 NaN NaN NaN NaN NaN NaN NaN
1 2009 0.089655 0.063380 0.007463 NaN NaN NaN NaN NaN NaN NaN
2 2010 0.144068 0.039548 0.044643 0.165775 0.028986 0.074866 0.046626 0.298246 0.065789 0.645161
3 2011 0.067485 0.031414 0.016129 0.269565 0.060000 0.111111 0.041176 0.363636 0.074815 0.473964
4 2012 0.132075 0.057471 0.031746 0.242647 0.065041 0.084211 0.047561 0.299492 0.069388 0.673950
5 2013 0.147287 0.044118 0.006623 0.194444 0.064286 0.104938 0.050968 0.514563 0.061310 0.550000
6 2014 0.130435 0.081818 0.024390 0.225564 0.056911 0.115646 0.064516 0.360544 0.082540 0.570213
7 2015 0.118182 0.037234 0.018519 0.330097 0.045752 0.112069 0.056250 0.491379 0.078358 0.587591
8 2016 0.128713 0.036082 0.038835 0.203488 0.049296 0.081522 0.056944 0.424000 0.076812 0.433333
9 2017 0.076923 0.037037 0.015544 0.190751 0.031250 0.128205 0.064341 0.284091 0.074825 0.507547
10 2018 0.103704 0.039773 0.032787 0.258333 0.069767 0.107143 0.071186 0.284946 0.100935 0.549660
11 2019 0.100671 0.064815 0.028169 0.267241 0.035088 0.114504 0.069106 0.392593 0.082576 0.432620

由于这只是一家公司，所以直接可以按照事故年12进行切分。第三列到第9列出现NAN是因为不同险种评估时的事故年数不同。当拥有多家公司的数据，而各家公司提供的事故年不同的时候，会更加麻烦。

1
df_all.iloc[12:24,14]#现在是一个df结构，有索引。上一部中，如果使用此行代码，就会出现NaN

输出结果：

1
2
3
4
5
6
7
8
9
10
11
12
13
12    0.042553
13    0.063380
14    0.039548
15    0.031414
16    0.057471
17    0.044118
18    0.081818
19    0.037234
20    0.036082
21    0.037037
22    0.039773
23    0.064815
Name: ULR, dtype: float64
1
df_all.iloc[12:24,14].tolist()#加上tolist()可以变成list,一个有序集合

输出结果：

1
2
3
4
5
6
7
8
9
10
11
12
[0.0425531914893617,
 0.06338028169014084,
 0.03954802259887006,
 0.031413612565445025,
 0.05747126436781609,
 0.04411764705882353,
 0.08181818181818182,
 0.03723404255319149,
 0.03608247422680412,
 0.037037037037037035,
 0.03977272727272727,
 0.06481481481481481]
1
2
3
4
5
name=list()#创建一个空的list，用来制作表头
name.append("事故年")#先加入第一个列表头，事故年
for i in range (0,10):
    name.append(df_all.iloc[i*12,2])#把列中的险种提取出来
print(name)

输出结果：

1
['事故年', '交强', '三责', '车损', '其它', '家财', '企财', '责任', '意外', '健康', '工程']
1
2
df.columns = name#更换行标题
df
事故年 交强 三责 车损 其它 家财 企财 责任 意外 健康 工程
0 2008 0.085000 0.042553 0.034722 NaN NaN NaN NaN NaN NaN NaN
1 2009 0.089655 0.063380 0.007463 NaN NaN NaN NaN NaN NaN NaN
2 2010 0.144068 0.039548 0.044643 0.165775 0.028986 0.074866 0.046626 0.298246 0.065789 0.645161
3 2011 0.067485 0.031414 0.016129 0.269565 0.060000 0.111111 0.041176 0.363636 0.074815 0.473964
4 2012 0.132075 0.057471 0.031746 0.242647 0.065041 0.084211 0.047561 0.299492 0.069388 0.673950
5 2013 0.147287 0.044118 0.006623 0.194444 0.064286 0.104938 0.050968 0.514563 0.061310 0.550000
6 2014 0.130435 0.081818 0.024390 0.225564 0.056911 0.115646 0.064516 0.360544 0.082540 0.570213
7 2015 0.118182 0.037234 0.018519 0.330097 0.045752 0.112069 0.056250 0.491379 0.078358 0.587591
8 2016 0.128713 0.036082 0.038835 0.203488 0.049296 0.081522 0.056944 0.424000 0.076812 0.433333
9 2017 0.076923 0.037037 0.015544 0.190751 0.031250 0.128205 0.064341 0.284091 0.074825 0.507547
10 2018 0.103704 0.039773 0.032787 0.258333 0.069767 0.107143 0.071186 0.284946 0.100935 0.549660
11 2019 0.100671 0.064815 0.028169 0.267241 0.035088 0.114504 0.069106 0.392593 0.082576 0.432620 
1
2
df=df.set_index('事故年')#把事故年这一列变成索引，方便下一步画图
df
交强 三责 车损 其它 家财 企财 责任 意外 健康 工程
事故年
2008 0.085000 0.042553 0.034722 NaN NaN NaN NaN NaN NaN NaN
2009 0.089655 0.063380 0.007463 NaN NaN NaN NaN NaN NaN NaN
2010 0.144068 0.039548 0.044643 0.165775 0.028986 0.074866 0.046626 0.298246 0.065789 0.645161
2011 0.067485 0.031414 0.016129 0.269565 0.060000 0.111111 0.041176 0.363636 0.074815 0.473964
2012 0.132075 0.057471 0.031746 0.242647 0.065041 0.084211 0.047561 0.299492 0.069388 0.673950
2013 0.147287 0.044118 0.006623 0.194444 0.064286 0.104938 0.050968 0.514563 0.061310 0.550000
2014 0.130435 0.081818 0.024390 0.225564 0.056911 0.115646 0.064516 0.360544 0.082540 0.570213
2015 0.118182 0.037234 0.018519 0.330097 0.045752 0.112069 0.056250 0.491379 0.078358 0.587591
2016 0.128713 0.036082 0.038835 0.203488 0.049296 0.081522 0.056944 0.424000 0.076812 0.433333
2017 0.076923 0.037037 0.015544 0.190751 0.031250 0.128205 0.064341 0.284091 0.074825 0.507547
2018 0.103704 0.039773 0.032787 0.258333 0.069767 0.107143 0.071186 0.284946 0.100935 0.549660
2019 0.100671 0.064815 0.028169 0.267241 0.035088 0.114504 0.069106 0.392593 0.082576 0.432620 
1
df.plot()#大功告成

1
2
3
4
5
6
#以下代码直接放在加入ULR之后，就可以画出更好的图。同时标出了险种和险类
fig, ax = plt.subplots(figsize=(15,7))
for key, group in df_all.groupby(['险种', '险别']):#一个循环，每次画一根线
    ax.plot(group['事故年'], group['ULR'], label=key)#画出每个group中事故年和ULR决定的点

ax.legend()

1
2
for key, group in df_all.groupby(['险种', '险别']):
    print(key)#key 是按照险种和险别一共分出的10组

输出结果： 

1
2
3
4
5
6
7
8
9
10
('交强', '交强')
('企财', '企财')
('健康', '健康')
('商车', '三责')
('商车', '其它')
('商车', '车损')
('家财', '家财')
('工程', '工程')
('意外', '意外')
('责任', '责任')

1
2
for key, group in df_all.groupby(['险种', '险别']):
    print(group)#group 是分组后每组的数据
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
   公司  险种  险别   事故年   EP  Paid  Case  IBNR    UL  已赚单数  案件数  ME  ULAE  DAC  \
0   A  交强  交强  2008  200   NaN   NaN   NaN  17.0   NaN  NaN   0     0    0   
1   A  交强  交强  2009  145   NaN   NaN   NaN  13.0   NaN  NaN   0     0    0   
2   A  交强  交强  2010  118   NaN   NaN   NaN  17.0   NaN  NaN   0     0    0   
3   A  交强  交强  2011  163   NaN   NaN   NaN  11.0   NaN  NaN   0     0    0   
4   A  交强  交强  2012  106   NaN   NaN   NaN  14.0   NaN  NaN   0     0    0   
5   A  交强  交强  2013  129   NaN   NaN   NaN  19.0   NaN  NaN   0     0    0   
6   A  交强  交强  2014  138   NaN   NaN   NaN  18.0   NaN  NaN   0     0    0   
7   A  交强  交强  2015  110   NaN   NaN   NaN  13.0   NaN  NaN   0     0    0   
8   A  交强  交强  2016  101   NaN   NaN   NaN  13.0   NaN  NaN   0     0    0   
9   A  交强  交强  2017  182   NaN   NaN   NaN  14.0   NaN  NaN   0     0    0   
10  A  交强  交强  2018  135   NaN   NaN   NaN  14.0   NaN  NaN   0     0    0   
11  A  交强  交强  2019  149   NaN   NaN   NaN  15.0   NaN  NaN   0     0    0   

         ULR  
0   0.085000  
1   0.089655  
2   0.144068  
3   0.067485  
4   0.132075  
5   0.147287  
6   0.130435  
7   0.118182  
8   0.128713  
9   0.076923  
10  0.103704  
11  0.100671  
   公司  险种  险别   事故年   EP  Paid  Case  IBNR    UL  已赚单数  案件数  ME  ULAE  DAC  \
60  A  企财  企财  2008  157   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
61  A  企财  企财  2009  145   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
62  A  企财  企财  2010  187   NaN   NaN   NaN  14.0   NaN  NaN   0     0    0   
63  A  企财  企财  2011  126   NaN   NaN   NaN  14.0   NaN  NaN   0     0    0   
64  A  企财  企财  2012  190   NaN   NaN   NaN  16.0   NaN  NaN   0     0    0   
65  A  企财  企财  2013  162   NaN   NaN   NaN  17.0   NaN  NaN   0     0    0   
66  A  企财  企财  2014  147   NaN   NaN   NaN  17.0   NaN  NaN   0     0    0   
67  A  企财  企财  2015  116   NaN   NaN   NaN  13.0   NaN  NaN   0     0    0   
68  A  企财  企财  2016  184   NaN   NaN   NaN  15.0   NaN  NaN   0     0    0   
69  A  企财  企财  2017  117   NaN   NaN   NaN  15.0   NaN  NaN   0     0    0   
70  A  企财  企财  2018  140   NaN   NaN   NaN  15.0   NaN  NaN   0     0    0   
71  A  企财  企财  2019  131   NaN   NaN   NaN  15.0   NaN  NaN   0     0    0   

         ULR  
60       NaN  
61       NaN  
62  0.074866  
63  0.111111  
64  0.084211  
65  0.104938  
66  0.115646  
67  0.112069  
68  0.081522  
69  0.128205  
70  0.107143  
71  0.114504  
    公司  险种  险别   事故年   EP  Paid  Case  IBNR    UL  已赚单数  案件数  ME  ULAE  DAC  \
96   A  健康  健康  2008  130   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
97   A  健康  健康  2009  200   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
98   A  健康  健康  2010  152   NaN   NaN   NaN  10.0   NaN  NaN   0     0    0   
99   A  健康  健康  2011  135   NaN   NaN   NaN  10.1   NaN  NaN   0     0    0   
100  A  健康  健康  2012  147   NaN   NaN   NaN  10.2   NaN  NaN   0     0    0   
101  A  健康  健康  2013  168   NaN   NaN   NaN  10.3   NaN  NaN   0     0    0   
102  A  健康  健康  2014  126   NaN   NaN   NaN  10.4   NaN  NaN   0     0    0   
103  A  健康  健康  2015  134   NaN   NaN   NaN  10.5   NaN  NaN   0     0    0   
104  A  健康  健康  2016  138   NaN   NaN   NaN  10.6   NaN  NaN   0     0    0   
105  A  健康  健康  2017  143   NaN   NaN   NaN  10.7   NaN  NaN   0     0    0   
106  A  健康  健康  2018  107   NaN   NaN   NaN  10.8   NaN  NaN   0     0    0   
107  A  健康  健康  2019  132   NaN   NaN   NaN  10.9   NaN  NaN   0     0    0   

          ULR  
96        NaN  
97        NaN  
98   0.065789  
99   0.074815  
100  0.069388  
101  0.061310  
102  0.082540  
103  0.078358  
104  0.076812  
105  0.074825  
106  0.100935  
107  0.082576  
   公司  险种  险别   事故年   EP  Paid  Case  IBNR    UL  已赚单数  案件数  ME  ULAE  DAC  \
12  A  商车  三责  2008  188   NaN   NaN   NaN   8.0   NaN  NaN   0     0    0   
13  A  商车  三责  2009  142   NaN   NaN   NaN   9.0   NaN  NaN   0     0    0   
14  A  商车  三责  2010  177   NaN   NaN   NaN   7.0   NaN  NaN   0     0    0   
15  A  商车  三责  2011  191   NaN   NaN   NaN   6.0   NaN  NaN   0     0    0   
16  A  商车  三责  2012  174   NaN   NaN   NaN  10.0   NaN  NaN   0     0    0   
17  A  商车  三责  2013  136   NaN   NaN   NaN   6.0   NaN  NaN   0     0    0   
18  A  商车  三责  2014  110   NaN   NaN   NaN   9.0   NaN  NaN   0     0    0   
19  A  商车  三责  2015  188   NaN   NaN   NaN   7.0   NaN  NaN   0     0    0   
20  A  商车  三责  2016  194   NaN   NaN   NaN   7.0   NaN  NaN   0     0    0   
21  A  商车  三责  2017  162   NaN   NaN   NaN   6.0   NaN  NaN   0     0    0   
22  A  商车  三责  2018  176   NaN   NaN   NaN   7.0   NaN  NaN   0     0    0   
23  A  商车  三责  2019  108   NaN   NaN   NaN   7.0   NaN  NaN   0     0    0   

         ULR  
12  0.042553  
13  0.063380  
14  0.039548  
15  0.031414  
16  0.057471  
17  0.044118  
18  0.081818  
19  0.037234  
20  0.036082  
21  0.037037  
22  0.039773  
23  0.064815  
   公司  险种  险别   事故年   EP  Paid  Case  IBNR    UL  已赚单数  案件数  ME  ULAE  DAC  \
36  A  商车  其它  2008  175   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
37  A  商车  其它  2009  186   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
38  A  商车  其它  2010  187   NaN   NaN   NaN  31.0   NaN  NaN   0     0    0   
39  A  商车  其它  2011  115   NaN   NaN   NaN  31.0   NaN  NaN   0     0    0   
40  A  商车  其它  2012  136   NaN   NaN   NaN  33.0   NaN  NaN   0     0    0   
41  A  商车  其它  2013  180   NaN   NaN   NaN  35.0   NaN  NaN   0     0    0   
42  A  商车  其它  2014  133   NaN   NaN   NaN  30.0   NaN  NaN   0     0    0   
43  A  商车  其它  2015  103   NaN   NaN   NaN  34.0   NaN  NaN   0     0    0   
44  A  商车  其它  2016  172   NaN   NaN   NaN  35.0   NaN  NaN   0     0    0   
45  A  商车  其它  2017  173   NaN   NaN   NaN  33.0   NaN  NaN   0     0    0   
46  A  商车  其它  2018  120   NaN   NaN   NaN  31.0   NaN  NaN   0     0    0   
47  A  商车  其它  2019  116   NaN   NaN   NaN  31.0   NaN  NaN   0     0    0   

         ULR  
36       NaN  
37       NaN  
38  0.165775  
39  0.269565  
40  0.242647  
41  0.194444  
42  0.225564  
43  0.330097  
44  0.203488  
45  0.190751  
46  0.258333  
47  0.267241  
   公司  险种  险别   事故年   EP  Paid  Case  IBNR   UL  已赚单数  案件数  ME  ULAE  DAC  \
24  A  商车  车损  2008  144   NaN   NaN   NaN  5.0   NaN  NaN   0     0    0   
25  A  商车  车损  2009  134   NaN   NaN   NaN  1.0   NaN  NaN   0     0    0   
26  A  商车  车损  2010  112   NaN   NaN   NaN  5.0   NaN  NaN   0     0    0   
27  A  商车  车损  2011  186   NaN   NaN   NaN  3.0   NaN  NaN   0     0    0   
28  A  商车  车损  2012  126   NaN   NaN   NaN  4.0   NaN  NaN   0     0    0   
29  A  商车  车损  2013  151   NaN   NaN   NaN  1.0   NaN  NaN   0     0    0   
30  A  商车  车损  2014  123   NaN   NaN   NaN  3.0   NaN  NaN   0     0    0   
31  A  商车  车损  2015  108   NaN   NaN   NaN  2.0   NaN  NaN   0     0    0   
32  A  商车  车损  2016  103   NaN   NaN   NaN  4.0   NaN  NaN   0     0    0   
33  A  商车  车损  2017  193   NaN   NaN   NaN  3.0   NaN  NaN   0     0    0   
34  A  商车  车损  2018  122   NaN   NaN   NaN  4.0   NaN  NaN   0     0    0   
35  A  商车  车损  2019  142   NaN   NaN   NaN  4.0   NaN  NaN   0     0    0   

         ULR  
24  0.034722  
25  0.007463  
26  0.044643  
27  0.016129  
28  0.031746  
29  0.006623  
30  0.024390  
31  0.018519  
32  0.038835  
33  0.015544  
34  0.032787  
35  0.028169  
   公司  险种  险别   事故年   EP  Paid  Case  IBNR   UL  已赚单数  案件数  ME  ULAE  DAC  \
48  A  家财  家财  2008  123   NaN   NaN   NaN  NaN   NaN  NaN   0     0    0   
49  A  家财  家财  2009  172   NaN   NaN   NaN  NaN   NaN  NaN   0     0    0   
50  A  家财  家财  2010  138   NaN   NaN   NaN  4.0   NaN  NaN   0     0    0   
51  A  家财  家财  2011  150   NaN   NaN   NaN  9.0   NaN  NaN   0     0    0   
52  A  家财  家财  2012  123   NaN   NaN   NaN  8.0   NaN  NaN   0     0    0   
53  A  家财  家财  2013  140   NaN   NaN   NaN  9.0   NaN  NaN   0     0    0   
54  A  家财  家财  2014  123   NaN   NaN   NaN  7.0   NaN  NaN   0     0    0   
55  A  家财  家财  2015  153   NaN   NaN   NaN  7.0   NaN  NaN   0     0    0   
56  A  家财  家财  2016  142   NaN   NaN   NaN  7.0   NaN  NaN   0     0    0   
57  A  家财  家财  2017  160   NaN   NaN   NaN  5.0   NaN  NaN   0     0    0   
58  A  家财  家财  2018  129   NaN   NaN   NaN  9.0   NaN  NaN   0     0    0   
59  A  家财  家财  2019  171   NaN   NaN   NaN  6.0   NaN  NaN   0     0    0   

         ULR  
48       NaN  
49       NaN  
50  0.028986  
51  0.060000  
52  0.065041  
53  0.064286  
54  0.056911  
55  0.045752  
56  0.049296  
57  0.031250  
58  0.069767  
59  0.035088  
    公司  险种  险别   事故年   EP  Paid  Case  IBNR    UL  已赚单数  案件数  ME  ULAE  DAC  \
108  A  工程  工程  2008  158   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
109  A  工程  工程  2009  141   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
110  A  工程  工程  2010  124   NaN   NaN   NaN  80.0   NaN  NaN   0     0    0   
111  A  工程  工程  2011  169   NaN   NaN   NaN  80.1   NaN  NaN   0     0    0   
112  A  工程  工程  2012  119   NaN   NaN   NaN  80.2   NaN  NaN   0     0    0   
113  A  工程  工程  2013  146   NaN   NaN   NaN  80.3   NaN  NaN   0     0    0   
114  A  工程  工程  2014  141   NaN   NaN   NaN  80.4   NaN  NaN   0     0    0   
115  A  工程  工程  2015  137   NaN   NaN   NaN  80.5   NaN  NaN   0     0    0   
116  A  工程  工程  2016  186   NaN   NaN   NaN  80.6   NaN  NaN   0     0    0   
117  A  工程  工程  2017  159   NaN   NaN   NaN  80.7   NaN  NaN   0     0    0   
118  A  工程  工程  2018  147   NaN   NaN   NaN  80.8   NaN  NaN   0     0    0   
119  A  工程  工程  2019  187   NaN   NaN   NaN  80.9   NaN  NaN   0     0    0   

          ULR  
108       NaN  
109       NaN  
110  0.645161  
111  0.473964  
112  0.673950  
113  0.550000  
114  0.570213  
115  0.587591  
116  0.433333  
117  0.507547  
118  0.549660  
119  0.432620  
   公司  险种  险别   事故年   EP  Paid  Case  IBNR    UL  已赚单数  案件数  ME  ULAE  DAC  \
84  A  意外  意外  2008  100   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
85  A  意外  意外  2009  194   NaN   NaN   NaN   NaN   NaN  NaN   0     0    0   
86  A  意外  意外  2010  171   NaN   NaN   NaN  51.0   NaN  NaN   0     0    0   
87  A  意外  意外  2011  143   NaN   NaN   NaN  52.0   NaN  NaN   0     0    0   
88  A  意外  意外  2012  197   NaN   NaN   NaN  59.0   NaN  NaN   0     0    0   
89  A  意外  意外  2013  103   NaN   NaN   NaN  53.0   NaN  NaN   0     0    0   
90  A  意外  意外  2014  147   NaN   NaN   NaN  53.0   NaN  NaN   0     0    0   
91  A  意外  意外  2015  116   NaN   NaN   NaN  57.0   NaN  NaN   0     0    0   
92  A  意外  意外  2016  125   NaN   NaN   NaN  53.0   NaN  NaN   0     0    0   
93  A  意外  意外  2017  176   NaN   NaN   NaN  50.0   NaN  NaN   0     0    0   
94  A  意外  意外  2018  186   NaN   NaN   NaN  53.0   NaN  NaN   0     0    0   
95  A  意外  意外  2019  135   NaN   NaN   NaN  53.0   NaN  NaN   0     0    0   

         ULR  
84       NaN  
85       NaN  
86  0.298246  
87  0.363636  
88  0.299492  
89  0.514563  
90  0.360544  
91  0.491379  
92  0.424000  
93  0.284091  
94  0.284946  
95  0.392593  
   公司  险种  险别   事故年   EP  Paid  Case  IBNR   UL  已赚单数  案件数  ME  ULAE  DAC  \
72  A  责任  责任  2008  133   NaN   NaN   NaN  NaN   NaN  NaN   0     0    0   
73  A  责任  责任  2009  185   NaN   NaN   NaN  NaN   NaN  NaN   0     0    0   
74  A  责任  责任  2010  163   NaN   NaN   NaN  7.6   NaN  NaN   0     0    0   
75  A  责任  责任  2011  187   NaN   NaN   NaN  7.7   NaN  NaN   0     0    0   
76  A  责任  责任  2012  164   NaN   NaN   NaN  7.8   NaN  NaN   0     0    0   
77  A  责任  责任  2013  155   NaN   NaN   NaN  7.9   NaN  NaN   0     0    0   
78  A  责任  责任  2014  124   NaN   NaN   NaN  8.0   NaN  NaN   0     0    0   
79  A  责任  责任  2015  144   NaN   NaN   NaN  8.1   NaN  NaN   0     0    0   
80  A  责任  责任  2016  144   NaN   NaN   NaN  8.2   NaN  NaN   0     0    0   
81  A  责任  责任  2017  129   NaN   NaN   NaN  8.3   NaN  NaN   0     0    0   
82  A  责任  责任  2018  118   NaN   NaN   NaN  8.4   NaN  NaN   0     0    0   
83  A  责任  责任  2019  123   NaN   NaN   NaN  8.5   NaN  NaN   0     0    0   

         ULR  
72       NaN  
73       NaN  
74  0.046626  
75  0.041176  
76  0.047561  
77  0.050968  
78  0.064516  
79  0.056250  
80  0.056944  
81  0.064341  
82  0.071186  
83  0.069106

本文用到的数据文件可以点击阅读原文进入论坛下载

博客内容遵循 署名-非商业性使用-相同方式共享 4.0 国际 (CC BY-NC-SA 4.0) 协议

本文永久链接是：https://actuarygarden.cn/Python-General-Insurance-data/

本页文档最后更新于：2021年1月19日

Python

精算后花园

精算后花园