目 录
0、概述
kaggle是一个数据挖掘网站，上面有许多各类数据挖掘问题与竞赛。对于数据挖掘专业的学生来说十分友好。
对我来说，无论是利用python进行数据分析还是pandas还是numpy都太枯燥了，因此选择用这个入门问题来学习一些有关数据挖掘的基本技能。
主要参考该网址的第二部分。对于大多数有一些pandas基础的人，直接看这个就可以了，我是初次接触这些，会把其中遇到的所有问题都写下来，供自己和大家查询。
1、Anaconda的准备
我这边有好几个虚拟环境，为了防止环境互相影响，决定对该问题新建一个环境。
参考网址使用Jupyter Notebook，所以在该环境里面要安装notebook。
安装好这些必须包以后，别忘了装nb_conda这个包，有了这个包才能随意在notebook里面切环境，否则只有一个默认环境没法切。如下：
不装nb_conda就只有第一个环境。
2、导入必需包和数据集
代码如下：
%matplotlib inline #notebook中的魔法函数
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore') #无视所有代码警告
train=pd.read_csv(r'F:\kaggle\titanic\train.csv') #读取训练集
test=pd.read_csv(r'F:\kaggle\titanic\test.csv') #读取测试集
PassengerId=test['PassengerId'] #读取测试集中PassengerId这一列
all_data=pd.concat([train,test],ignore_index=True) #将训练集和测试集合在一起
train.head()
上述代码的效果如下：
可以看到train已经成功保存了测试集中的数据。下面开始分析代码：
第一行的魔法函数的作用很简单，就是当我们使用plt.plot画一个函数之后，正常应该加一句plt.show才会显示图像，有了这句之后就不用再多写一句show了，plot之后直接显示图像。
之后是引入包，pandas和numpy不需要解释，seaborn是一个用于画图的库。
然后是warning的一句，这一句是隐藏所有的解释器的warning。
接下来进入正题：利用pandas的read_csv可以将csv文件的内容写入变量，作为一个类似二维数组的结构，称之为DataFrame。
如何对dataframe进行访问呢？
首先来看对列访问：
有三种形式，按行访问、按列访问、指定某元素访问。
对于按行访问：
比如说上面的第0行：
第一种：
test.iloc[0]等价于访问“第0行”，iloc的特点是其访问的是从前往后数第几行，当然最开始的那行列名不算。
第二种：
test.loc[0]等价于访问“序号那一列中名为0的行”，loc的特点是找左边第一列中名字与参数对得上的那一行并返回。
这俩效果都一样：
返回的都是Series。
按行访问还有一种类似切片的方式：
test[0:1]效果如下：
相当于切下第0行，返回类型为DataFrame。
对于按列访问：
比如说对上文中的passergerId来说：
第一种：
test['PassengerId']返回的效果如下：
其类型为Series，pandas中的一维数据结构，可以看做是字典，是序号到元素的映射。
第二种：
test[['PassengerId']]返回的效果如下：
其类型为DataFrame，pandas中的二维数据结构。
访问某个指定元素：
可以混合使用上面的方法，毕竟返回的不是DataFrame就是Series，直接继续访问就好：
例如：
test.loc[0]['Name']访问第0行中名为name的列。
又如：
test['Name'][0]访问name这列中的第0个。
扯远了。接着看这里的代码。下一行就是按列访问名为PassengerId这一列，返回的是Series。
然后将测试集和训练集黏在一起，用的是concat函数。
最后访问训练集的前五行，用head，后五行则用tail。
3、数据分析
3.1 数据概览
我们既然已经将数据集导入了，那就来看看里面都是什么吧。
回想起我在数据挖掘课上刚学的那点三脚猫功夫：
列名就是每个人的属性咯，这样看来：
PassengerId为乘客序号，序数属性，没任何用——八成就是一个捞上来的顺序问题；
Survived为是否生还，二元属性，只有0和1，这是最重要的属性，是我们最后要预测的属性；
Pclass为客舱等级，数值属性，取值1,2,3，看上去应该挺重要的，是不是客舱等级越高就越容易生还？；
Name为乘客名字，标称属性，取值为人名，我觉得很难从中提取出什么属性，或许没名字代表必死？；
Sex为性别，二元属性，取值0,1，看来那个时候对于性别划分还没那么复杂；
Age为年龄，数值属性，取值整数，同样重要，老弱先行么；
SibSp为兄弟数量，数值属性；
Parch为父母与子女数量，数值属性，其值0,1,2,3等；
Ticket为船票编号，标称属性，和乘客名字差不多；
Fare为票价，数值属性，但是不是离散而是连续，应该和客舱等级有一定的联系，效果也差不多；
Cabin为房间号，标称属性，可能房间号有一定的规律；
Embarked上船的港口编号，标称属性。
知道了这些都是啥，下面来看看数据的缺失吧。很简单，使用如下指令：
train.info()效果如下：
最低0.47元/天 解锁文章
扫一扫
551
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
