python数据分析--综合案例3

XY_0111

已于 2023-01-06 09:56:50 修改

阅读量421

点赞数 1

分类专栏：学记笔记文章标签： python 数据分析随机森林

于 2023-01-06 09:56:34 首次发布

本文链接：https://blog.csdn.net/Cassiel_f/article/details/128573423

版权

本文基于泰坦尼克逃生数据，介绍如何进行数据分析。首先，处理数据中的缺失值，如用众数填充Embarked，用均值填充Fare，用随机森林预测填充Age。接着，对特征进行处理，包括对Embarked、Sex和Pclass进行dummy编码，对Fare进行分桶，从Name中提取称呼并one-hot编码，对Cabin进行有无编码，Ticket的字母factorize。最后，利用相关系数筛选重要特征。

摘要由CSDN通过智能技术生成

数据来源：泰坦尼克逃生数据
知识点：特征处理和随机森林预测
主要内容：

缺失值处理
1. 对Embarked字段直接用众数填充
2. 对船票Fare字段用均值填充
3. 建立预测模型，填充年龄Age字段
不同特征字段的处理
1. 对Embarked、Sex以及Pclass等用dummy处理
2. 对票价Fare分级处理，使用qcut分桶
3. 对名字Name进行处理，提取称呼，如Mr, Mrs, Miss等；
4. 对称呼进行oner-hot编码
5. 对Cabin进行编码，Cabin缺失值过多，将其分为有无两类，进行编码，如果缺失，即为0，否则为1
6. 对Ticket处理，提取字母，得到Ticket_Letter，对Ticket_Letter进行 factorize处理
7. 利用随机森林预测Age缺失值
对相关系数排序筛选重要特征

导入数据

import pandas as pd
train = pd.read_csv('/home/mw/input/titanic/train.csv')
test = pd.read_csv('/home/mw/input/titanic/test.csv')
train_and_test = train.append(test, sort=False) # 合并训练集与测试集
PassengerId = test['PassengerId']
train_and_test.shape

缺失值处理

# 对Embarked直接用众数填充；
mode=train_and_test['Embarked'].mode().iloc[0]
train_and_test['Embarked'].fillna(mode,inplace=True)

# 对Fare用均值填充；
Fare_mean=train_and_test['Fare'].mean()
train_and_test['Fare'].fillna(Fare_mean,inplace=True)

特征值处理

1.对Embarked、Sex以及Pclass等用dummy处理

pd.get_dummies(train_and_test['Embarked'],  # 输入的数据框
              prefix='Embarked', # 列名的前缀
              prefix_sep='_', # 分割符
              dummy_na=False, # 增加一列空缺值
              columns=['Embarked'], # 指定要实现转换的列名
              sparse=False,
              drop_first=False, # 删除第一个类别值
              dtype=None