泰坦尼克数据分析可视化预处理实验Tatinic

在数据预处理之前，我们首先看一下数据的大致轮廓。

import pandas as pd
train = pd.read_csv('C:/Users\qzm\Desktop/titanic.csv')
#pd.read_csv()用于读取csv文件
train.head()

各个列标签的含义：
PassengerId ：乘客Id
Survived：是否存活，存活为1，死亡为0
Pclass: 客舱等级
Name:乘客姓名
Sex:性别
Age:年龄
Sibsp:是否有兄弟姐妹
Parch: 是否有父母子女
Ticket:票编号
Fare:费用
Cabin:船舱类型
Embarked:上船地点

train.info()
#看一下每一列有多少数据

可以看出Age和Cabin缺失的比较严重

train.describe()

对各列的统计描述

train.Embarked[train.Embarked.isnull()] =
train.Embarked.dropna().mode().values
#Embarked是上船地点，其实和预测存活率关系不大，可以用众数填充
#isnull()用来提取空值
#dropna()用于舍弃空值
#values()用于提取所有值

train.info()  

再看一下，Embarked的列确实已经被填充完了

#Cabin特征缺失的太多，并未找到是否和存活率有关，暂时不考虑，赋给U0做个标记
train["Cabin"]=train["Cabin"].fillna("U0")
#fillna()用于填补空值函数

#Age的特征比较重要，预测的准确率很大程度上跟年龄有关
#初步的想法是通过随机森林方法填充Age缺失值
from sklearn.ensemble import RandomForestRegressor as RFR
#先选取数值特征进行预测
age_df = train[["Age","Survived","Fare","Parch","SibSp","Pclass"]]
#只提取这六个特征的数据，因为其它特征根年龄关系不大

age_df_notnull = age_df.loc[(train["Age"].notnull())]
#提出Age不为空的数据
#loc()通过每一列的数据来索引对应每一行的数据

age_df_isnull = age_df.loc[(train["Age"].isnul