【机器学习实战1】泰坦尼克号:灾难中的机器学习(一)数据预处理

• 🌸博主主页：@釉色清风
• 🌸文章专栏：机器学习实战
• 🌸今日语录：不要一直责怪过去的自己，她曾经站在雾里也很迷茫。

🌼实战项目简介

本次项目是kaggle上的一个入门比赛 ：Titanic——Machine Learning from Disaster(泰坦尼克号——灾难中的机器学习)，比赛选择了泰坦尼克号作为背景，并提供了样本数据以及测试数据，要求我们使用机器学习创建一个模型，预测哪些乘客在泰坦尼克号沉船中幸存下来。

🌼数据文件说明

🌻泰坦尼克号项目页面：Titanic——Machine Learning from Disaster

🌻可下载的Data页面：

可下载包括三个文件：

• train.csv：训练数据
• test.csv：测试数据
• gender_submission.csv ：提交结果案例

🌻数据变量说明

下载好文件，可知，每个乘客有12个属性。

• Passengerld ：乘客唯一识别ID
• Survived：是否存活，0为否，1为是
• Pclass ：客舱等级，分为1、2、3等级，与英国的阶级分层有关
• Name：姓名
• Sex：性别
• Age：年龄
• SibSp：泰坦尼克号上的兄弟姐妹/配偶数量(与该乘客一起旅行的)
• Parch：泰坦尼克号上的父母/孩子数量(与该乘客一起旅行的)
• Ticket：船票号
• Fare：船票价格
• Cabin：客舱编号
• Embarked：上船的港口编号(S=Southampton,英国南安普顿[启航点]；C=Cherbourg,法国瑟堡市[途径点]；Q=Quenstown,爱尔兰昆市[途径点])

🌼数据预处理

数据的质量直接决定模型预测的结果。所以，在进行训练模型之前，我们必须要进行数据清洗。
接下来我们使用Jupyter Notebook来进行接下来的数据描述和预处理。

🌻读入数据

首先，我们导入pandas库，它是python中进行数据分析和处理的一个库。然后我们读入我们的训练数据集。

🌾导入数据

🌾打印数据的前几行

默认是打印前五行，如下：

🌻做简单的统计分析

统计特性如下：

统计有

• count: 这一列的数量(只要不是缺失值就被统计)
• mean:平均值
• std : 方差
• min：最小值
• 25%：下四分位数
• 50%：中位数
• 75%：上四分位数
• max: 最大值

通过大致的浏览，我们可以看到，Age列含有缺失值。

🌻对[Age]列缺失值进行填充

一般对于缺失值的填充用到均值、中位数等。在这里，我们采用均值对Age列的缺失值进行填充。在填充缺失值这里我们用到了fillna函数。

🌾fillna函数

• fillna是一个用于填充缺失值的函数，它是pandas库中的一个方法。
• fillna函数的基本语法如下：
• DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None)
  

🌾对[Age]列的缺失值采用均值填充法填充

填充完之后，我们再次describe。

如下图：

🌻将字符型转化为数值型数据

我们知道，计算机是可以处理数字的，但是无法处理字符。为了方便统计，我们将性别[Sex]和上船港口编号[Embarked]这两列列进行处理。

🌾对[Age]列进行替换

我们在这里用到DataFrame的loc属性：

• 在Python中，loc是一个用于数据框(DataFrame)的属性，它用于选择满足特定条件的行。loc可以通过标签或布尔数组来选择行。
• 常见的用法有：
  1. 使用标签选择行：
     df.loc[label]
     2.使用布尔数组选择行：
     df.loc[bool_array]
     3.使用标签和列选择行和列：
     df.loc[start_label:end_label, start_column:end_column]

这里我们则采用3进行替换：

🌾对[Embarked]列进行替换

替换：

然后我们进行统计新描述，发现中的数量889，存在从缺失值。

这时，我们对三个登船地点进行统计计数。发现0是最多的，即在S处登船的人最多。

所以对于缺失值，我们将用0进行填充。