某银行希望优化其信用卡申请者的信用评分模型，以更准确地预测申请者的信用风险。为此，银行决定使用机器学习方法对申请者的特征数据进行分析。在这个任务中，你需要使用决策树算法中的信息增益比来选择最佳的特征，以进行信用风险分类。

输入描述:

输入数据为一个二维列表，每个子列表代表一个申请者的记录，其中包含申请者的特征和信用评分结果（良好或不良）。最后一个元素为信用评分结果，其中 'G' 表示信用良好，'B' 表示信用不良。其余元素代表申请者的不同特征值，例如年龄、年收入、信用卡余额等。

输出描述:

输出信息增益比最高的特征的索引（从0开始计数），如果信息增益比最高的特征是第一个，则输出0，如果是第二个，则输出1，以此类推。

备注:

可以使用Python中的numpy、scipy、pandas、scikit-learn库。