Titanic生存率预测

1.提出问题

1912年4月15日，一艘号称“永不沉没”的泰坦尼克号邮轮，在首航期间便撞上冰山后沉没。

船上一共2224名乘客和机组人员，但其中只有772人存活下来，生还率只有32%。 这一骇人听闻的悲剧震撼了国际社会，引起社会各界对船舶安全条例的重视。

泰坦尼克号的航行路线：从4月10日12点在英国 南安普顿（Southampton） 出发，晚上7点（19点）船停在法国瑟堡市（Cherbourg），晚上9点（21点）离开法国瑟保市。第2天（1912年4月11日）中午12点半到达爱尔兰昆士敦(Queenstown)，下午2点（14点）离开爱尔兰驶向航行的目的，也就是美国的纽约。

航行到第5天（1912年4月14日）晚上11点40不幸与冰山相撞，直到第6天早上（1912年4月15日）2点20全船沉没。

导致这么多人遇难的原因之一就是乘客和船员没有足够的救生艇，虽然在上船前，女主角露丝就像船长提出救生艇不够的问题，但没有得到足够的重视。

虽然能够幸存下来的人存在部分运气因素，但一些人（如：妇女、儿童和上层阶级）比其他人更有可能生存的机会。

所以我们研究的问题是：什么样的人在泰坦尼克号中更容易存活？

2.理解数据

理解数据包括：

2.1 采集数据：根据研究问题，采集数据

2.2 导入数据：将数据导入到Python中的数据结构中。

2.3 查看数据集信息

2.1采集数据

从Kaggle中下载项目数据

2.2导入数据

#忽略警告提示
import warnings
warnings.filterwarnings('ignore')

#导入数据
import numpy as np
import pandas as pd

#导入数据
#导入训练数据集
train = pd.read_csv("./Titanic_train.csv")

#导入测试数据集
test = pd.read_csv("./Titanic_test.csv")

print('训练数据集:',train.shape,'测试训练集:',test.shape)

训练数据集: (891, 12) 测试训练集: (418, 11)

rowNum_train = train.shape[0]
rowNum_test = test.shape[0]
print('kaggle训练数据集行数:',rowNum_train,
     ',kaggle测试数据集行数:',rowNum_test)

kaggle训练数据集行数: 891 ,kaggle测试数据集行数: 418

#对训练数据集和测试数据集进行合并
full = train.append( test , ignore_index = True)

#对训练数据集和测试数据集进行合并
full = train.append( test , ignore_index = True)

print('合并数据集:',full.shape)

合并数据集: (1309, 12)

2.3查看数据集信息

#查看数据集
full.head()

#获取数据类型的描述统计信息
full.describe()

#查看每一列的数据总数，统计缺失数据
full.info()

数据共有1309行，其中：

数字类型中年龄（Age）、船舱号（Cabin）有缺失数据：

• 年龄（Age）缺失263条数据
• 船票价格（Fare）缺失1条数据

字符串类型中登船港口（Embarked）、船舱号（Cabin）有缺失数据：

• 登船港口（Embarked）缺失2条数据
• 船舱号（Cabin）缺失1014条数据

3.数据清洗

3.1数据预处理

#对缺失值进行处理
#对数据类型，使用平均数填充缺失值
print('处理前:')
full.info()
#年龄(Age)
full['Age'] = full['Age'].fillna(full['Age'].mean())
#船票价格(Fare)
full['Fare'] = full['Fare'].fillna(full['Age'].mean())
print('处理后:')
full.info()

#检查数据处理是否正常
full.head()