实验六：泰坦尼克生存预测之缺失值处理

一、任务描述

背景故事：

泰坦尼克号（RMS Titanic），又译作铁达尼号，是英国白星航运公司下辖的一艘奥林匹克级游轮，排水量46000吨，于1909年3月31日在北爱尔兰贝尔法斯特港的哈兰德与沃尔夫造船厂动工建造，1911年5月31日下水，1912年4月2日完工试航。泰坦尼克号是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉 。然而不幸的是，在它的处女航中，泰坦尼克号便遭厄运——它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科夫(Cobh)，驶向美国纽约。1912年4月14日23时40分左右，泰坦尼克号与一座冰山相撞，造成右舷船艏至船中部破裂，五间水密舱进水。4月15日凌晨2时20分左右，泰坦尼克船体断裂成两截后沉入大西洋底3700米处。2224名船员及乘客中，1517人丧生，其中仅333具罹难者遗体被寻回。泰坦尼克号沉没事故为和平时期死伤人数最为惨重的一次海难，其残骸直至1985年才被再度发现，目前受到联合国教育、科学及文化组织的保护。

泰坦尼克号的沉没是历史上著名的海难事件，当时登船乘客数以千计。他们的个人信息各不相同，生还罹难遭遇各异。虽然，人们对他们的遭遇表示不幸，但是这个灾难也给数据分析和预测提供了比较丰富的数据样品。

数据集中有部分缺失值，通过不同的方法进行填充

二、数据集分析

数据集来自Kaggle网站，网址为：https://www.kaggle.com/c/titanic

数据集中有12个特征，其中Survived是目标值，其余各个特征代表的意思：

• PassengerId ： 乘客ID，这个是自动生成的
• Pclass ： 乘客等级(1/2/3等舱位)
• Name ： 乘客姓名
• Sex ： 性别
• Age ： 年龄
• SibSp ： 堂兄弟/妹个数
• Parch ： 父母与小孩个数
• Ticket ： 船票信息
• Fare ： 票价
• Cabin ： 客舱
• Embarked ： 登船港口

三、代码实现

import pandas as pd   # 数据分析，组织表格的形式
import numpy as np
import matplotlib.pyplot as plt
from sklearn import neighbors

data = pd.read_csv('train.csv')
print(data.info())
print(data.head())  

# 缺失值的识别
# 判断各变量中是否存在缺失值
print(data.isnull().any(axis=0))
# 各变量中缺失值的数量
print(data.isnull().sum(axis=0))
# 各变量中缺失值的比例
print(data.isnull().sum(axis = 0)/data.shape[0])

# 缺失值的处理方法
# 方法1：删除法
# 删除无效列，drop默认删除行，列需要加axis=1
# 删除缺失严重的Cabin变量
data.drop(labels='Cabin',axis=1,inplace=True)
# 删除无关紧要的变量
data.drop(['PassengerId','Ticket','Name'],axis=1,inplace=True)
print(data.info())
print(data.head())   
# 删除缺失行，根据Embarked变量，删除对应的缺失行
data.dropna(subset=['Embarked'], inplace=True)

#print(data.isnull().sum())  #打印各个特征值的空值总和

# 方法2：替换法，中位数，均值，众数等
'''
print(data.Age)
# 利用所有人年龄的中位数来填补 年龄数据中的缺失值
print(data.Age.describe())
print("年龄的中位数是：",data.Age.median())
print("年龄的均值是：",data.Age.mean())
age_median = data.Age.median()
data.Age.fillna(age_median,inplace=True)
print(data.Age.describe())
print(data.Age)
print(data.info())
'''

# 方法3：插补法，需要用到机器学习算法
# 将字符型的性别变量映射为数值变量
data.Sex = data.Sex.map({'male':1,'female':0})
data.drop(labels='Embarked',axis=1,inplace=True)
print(data)

# 将数据拆分为两组，一是年龄缺失组，二是年龄非缺失组，
missing = data.loc[data.Age.isnull(),]
nomissing = data.loc[~data.Age.isnull(),]
print(missing)
print(nomissing)

# 基于非缺失值构建KNN（K近邻回归）模型，再对缺失组做预测
# 提取出所有的自变量
X = nomissing.columns[nomissing.columns != 'Age']
# 构建模型,K近邻（回归）模型
knn = neighbors.KNeighborsRegressor()
# 模型拟合
knn.fit(nomissing[X], nomissing.Age)
# 年龄预测
pred_age = knn.predict(missing[X])
print(pred_age)
# missing['Age'] = pred_age
data.loc[data.Age.isnull(),'Age'] = pred_age
print(data)

四、重点讲解

1、对于缺失值的处理，归纳为三种方法：

方法一：删除法

该方法通常用来删除缺失值较多，且对最终预测结果影响不大的特征；或者删除缺失值较少的特征所对应的样本，删除少量的样本也并不会影响最终的预测结果。

方法二：替换法

该方法常常通过统计信息，利用需要填充的特征已有的数据，计算中位数、平均数、众数等，选择其一填充进所有的缺失值，缺失值填充的值一致。

方法三：插补法

该方法需要利用回归算法推断出该条样本特定特征最大可能的取值，也就是使用了最有可能的值来填充缺失值，每个缺失值不一定相同，准确性更高。

2、pandas：

• pandas是一个强大的分析结构化数据的工具集
• 它的使用基础是Numpy（提供高性能的矩阵运算）
• 用于数据挖掘和数据分析，同时也提供数据清洗功能

Pandas中常见的数据结构有两种：

• Pandas Series：
  • Pandas series 是像数组一样的一维对象，可以存储很多类型的数据。Pandas series 和 Numpy array之间的主要区别之一是你可以为Pandas series 中的每个元素分配索引标签；另一个区别是Pandas series 可以同时存储不同类型的数据。

• Pandas DataFrame:

  • ​​​​​​​​​​​​​​Pandas DataFrame 是具有带标签的行和列的二维数据结构，可以存储多种类型的数据，类似于电子表格。