机器学习-泰坦尼克号幸存者预测

机器学习-泰坦尼克号幸存者预测

泰坦尼克灾难数据描述

• PassengerId：乘客的ID号，这个是顺序编号，用来唯一标识一名乘客。这个特征和幸存与否无关，我们不使用这个特征。
• Survived：1表示幸存，0表示遇难。这个是标准数据。
• Pclass：仓位等级，是很重要的特征。看过这部电影的读者都知道，高仓位等级的乘客能更快地到达甲板，从而更容易获救。
• Name：乘客名字，这个特征和幸存与否无关，丢弃这个特征。
• Sex：乘客性别，看过电影的读者都知道，由于救生艇数量不多，船长让妇女和儿童先上救生艇。所以这也是个很重要的特征。* Age：乘客年龄，儿童会优先上救生艇，身强力壮者幸存概率也会高一些。
• SibSp：兄弟姐妹同在船上的数量。
• Parch：同船的父辈人员数量。
• Ticket：乘客票号，丢弃这个特征。
• Fare：乘客的体热指标。
• Cabin：乘客所在的船舱号，实际上这个特征和幸存与否有一定的关系，比如最早被水淹没的船舱位置，其乘客的幸存概率要低一些。但由于这个特征有大量的丢失数据，而且没有更多的数据来对船舱进行归类，因此我们丢弃这个特征的数据。
• Embarked：乘客登船的港口，我们需要把港口数据转换为数值型数据。

数据探索

导入必要的库

# 运行以下代码
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

%matplotlib inline

从以下地址导入数据

path = './data/train.csv'  # train.csv

将数据框命名为titanic

titanic = pd.read_csv(path)
titanic

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S
...	...	...	...	...	...	...	...	...	...	...	...	...
886	887	0	2	Montvila, Rev. Juozas	male	27.0	0	0	211536	13.0000	NaN	S
887	888	1	1	Graham, Miss. Margaret Edith	female	19.0	0	0	112053	30.0000	B42	S
888	889	0	3	Johnston, Miss. Catherine Helen "Carrie"	female	NaN	1	2	W./C. 6607	23.4500	NaN	S
889	890	1	1	Behr, Mr. Karl Howell	male	26.0	0	0	111369	30.0000	C148	C
890	891	0	3	Dooley, Mr. Patrick	male	32.0	0	0	370376	7.7500	NaN	Q

891 rows × 12 columns

查看数据属性

titanic.columns

Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',
       'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'],
      dtype='object')

描述性分析

titanic.describe()   # 查看数据的基本描述性统计分析信息

	PassengerId	Survived	Pclass	Age	SibSp	Parch	Fare
count	891.000000	891.000000	891.000000	714.000000	891.000000	891.000000	891.000000
mean	446.000000	0.383838	2.308642	29.699118	0.523008	0.381594	32.204208
std	257.353842	0.486592	0.836071	14.526497	1.102743	0.806057	49.693429
min	1.000000	0.000000	1.000000	0.420000	0.000000	0.000000	0.000000
25%	223.500000	0.000000	2.000000	20.125000	0.000000	0.000000	7.910400
50%	446.000000	0.000000	3.000000	28.000000	0.000000	0.000000	14.454200
75%	668.500000	1.000000	3.000000	38.000000	1.000000	0.000000	31.000000
max	891.000000	1.000000	3.000000	80.000000	8.000000	6.000000	512.329200

从数据的基本描述性统计上，可以得出一些简单的结论，可以为接下来的分析，提供大体的方向，比如，总生存概率大概为38%，绝大部分的人都没有和父母子女一起出游，有大概1/4的人和兄弟姐妹或配偶一起出游，游客的平均年龄为30左右，20岁以下的有大概1/4，船票的价格差别很大，平均为32，最大值却达到512。

非数值型的描述性统计

titanic.describe(include='object')   # 非数值型的描述性统计

	Name	Sex	Ticket	Cabin	Embarked
count	891	891	891	204	889
unique	891	2	681	147	3
top	Oreskovic, Mr. Luka	male	1601	C23 C25 C27	S
freq	1	577	7	4	644

统计缺失值

titanic.isnull().sum()  # 统计每个属性的缺失值

PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2
dtype: int64

将PassengerId设置为索引

titanic.set_index('PassengerId').head()

	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
PassengerId
1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

绘制一个展示男女乘客比例的扇形图

# 计算男女乘客人数
males = (titanic['Sex']=='male').sum()
females = (titanic['Sex']=='female').sum()

# 将数据放入一个proportions的列表中
proportions=[males,females]

# 创建一个饼图
plt.pie(
#     使用比列
    proportions,
#     标签为官员姓名
    labels=['Males','Females'],
#     没有阴影
    shadow=False,
#     颜色
    colors=['blue','red'],
#     
    explode=(0.15,0),
#     起始角度
    startangle=90,
#     图例 百分比
    autopct='%1.1f%%'
)
# 查看上方的块
plt.axis('equal')
# 设置标签
plt.title("Sex Proportion")
# 渲染图形
plt.tight_layout()
plt.show()

绘制一个展示船票Fare, 与乘客年龄和性别的散点图

# 创建图
lm = sns.lmplot(x = 'Age', y = 'Fare', data = titanic, hue = 'Sex', fit_reg=False)

# 设定标题
lm.set(title = 'Fare x Age')

# 获取轴对象并对其进行调整
axes = lm.axes
axes[0,0]<