项目场景：
泰坦尼克号是一艘奥林匹克级邮轮，于1912年4月首航时撞上冰山后沉没。泰坦尼克号由位于北爱尔兰贝尔法斯特的哈兰·沃尔夫船厂兴建，是当时最大的客运轮船，由于其规模相当于一艘现代航空母舰，号称“上帝也沉没不了的巨型邮轮”。在泰坦尼克号的首航中，从英国南安普敦出发，途经法国瑟堡-奥克特维尔以及爱尔兰昆士敦，计划横渡大西洋前往美国纽约市。但由于人为操作失误，于1912年4月14日船上时间夜里11点40分撞上冰山；2小时40分钟后，即4月15日凌晨2点20分，船裂成两半后沉入大西洋，死亡人数超越1500人，堪称20世纪最大和最广为人知的海难事件。
泰坦尼克号上有不同阶级、不同年龄的乘客两千多人，而在这次沉船事故中幸存下来的仅有718人。根据数据统计分析，人们发现，幸存的乘客和他们的年龄、性别、乘坐车舱等级等因素存在某种关系。
train_titantic.csv给出了当时泰坦尼克号上891位乘客的基本数据及其生存情况。本次实验在原始数据上进行数据处理，并通过逻辑回归，svm等模型预测船上乘客的生存情况
数据集
提示：这里描述项目中遇到的问题：
字段名以及含义：
PassengerId 乘客编号
Survived 生存情况(1=存活,0=死亡)
Pclass 船舱等级(1=头等舱,2=二等舱,3=三等舱)
Name 姓名
Sex 性别
Age 年龄
SibSp 兄弟姐妹数/配偶数(即同船的同代亲属人数)
Parch 父母/子女数(即同船的不同代直系亲属人数)
Ticket 船票编号
Fare 船票价格
Cabin 客舱号
Embarked 登船港口(S=美国南安普顿,C=法国瑟堡市,Q=爱尔兰昆士敦)
数据清洗：
数据清洗策略：
- 查看数据的缺失情况，并用中位数填充Age与Fare字段的缺失值；用“Unknown"填充Cabin字段的缺失值；用众数填充Embarked字段的缺失值。
df['Age'] = df['Age'].fillna(df['Age'].median()) #用中位数填充Age与Fare字段的缺失值
df['Embarked'] = df['Embarked'].fillna(df['Embarked'].mode()[0]) #用众数填充Embarked字段的缺失值
df['Cabin'] = df['Cabin'].fillna("Unknown") #用“Unknown"填充Cabin字段的缺失值
- 将Age字段按照等宽间距划分为5等分，并统计输出每个区间的人数。
k = 5
data = df['Age']
d1 = pd.cut(data,k) #利用cut函数将Age字段按照等宽间距划分为5等分
d1
- 将SibSP与Parch两个字段的数值相加，生成新的字段”Family"，表示与乘客同船的家庭成员人数。
df['Family'] = df['SibSp']+df['Parch']
df.head()
- 将字段Pclass及Sex字段转化为哑变量的形式。其中，Age字段中，请用数字0代表male，用数字1代表female.
df['Family'] = df['SibSp']+df['Parch']
df.head()
- 提取乘客姓名Name中的头衔(如Mr.，Miss.，Mrs.等），按照下表所示的对应关系将乘客头衔归为6个类别，生成新字段“Title"，并将该字段转化为哑变量的形式。
这步是最麻烦的，就是通过名字前缀分为6类：
| Title | 头衔 |
|---|---|
| Officer | Capt,Col,Major,Dr,Rev |
| Royalty | Jonkheer,Don,Sir,the Countess,Dona,Lady |
| Master | Master |
| Miss | Miss,Mlle |
| Mr | Mr |
| Mrs | Mrs,Ms,Mme |
代码：
df['Title'] = df['Name'].str.split(' ') #将name值按空格分开，分开后类型为列表 如[Braund,, Mr., Owen, Harris]
lst = ['Capt.','Col.','Major.','Dr.','Rev.','Jonkheer.'
,'Don.','Sir.','Countess.','Dona.','Lady.',
'Master.','Miss.','Mlle.','Mr.','Mrs.','Ms.','Mme.'
] #将关键字放到列表中
for i in range(len(df['Title'])):
pos = 0
for j in range(len(df['Title'][i])):
if(df['Title'][i][pos] not in lst): #如果不是关键字，就删掉
df['Title'][i].pop(pos)
else:
pos+=1
dd = df['Title'].apply(pd.Series).stack() #stack方法可以吧列表转换成字符串
df['Title'] = dd.values
di = {'S':0,'C':1,'Q':2}
df['Embarked'] = df['Embarked'].apply(lambda x:di[x]) #将Embarked数值化
i = 0
for x in df['Title']: #将Title数值化
if(x in lst[0:5]):
df.iloc[i,13] = 0
if(x in lst[5:11]):
df.iloc[i,13] = 1
if(x == "Master."):
df.iloc[i,13] = 2
if(x in lst[12:14]):
df.iloc[i,13] = 3
if(x == "Mr."):
df.iloc[i,13] = 4
if(x in lst[-3:]):
df.iloc[i,13] = 5
i += 1
df.head()
看不懂的话到GitHub上下代码一步一步跑把
处理后的数据：
数据分析：
通过相关性选取特征：
逻辑回归
首先通过循环随机种子选取准确率最高的数据集，随机种子不同选取的数据集就不同：
选择后的训练集与数据集中的年龄与票价查看分布：
对比两者可以看出，训练集相当于在每个年龄与票价区间都取了80%，分布均匀因此准确率高
逻辑回归的准确率
SVM
SVM的准确率：
sklearn中的核函数：
总结
最终我们使用逻辑回归达到了90%的准确率，使用SVM达到92%的准确率
3064
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
