kaggle比赛泰坦尼克号基于别人的处理流程的学习总结

本篇是基于kaggle上一位作者的学习流程学习所写的总结，应用的都是一些比较基础的操作，主要发力在数据处理方面，对算法的优化过程几乎没有，下面是原文链接：

https://www.kaggle.com/startupsci/titanic-data-science-solutions

首先定义宏观的工作流程：

1.问题定义

2 .获取训练和测试集。

3.准备和清理数据。

4.分析，确认模式，并且处理数据。

5. 建模，预测和解决问题

6. 将解决步骤和最终解决方法可视化，报道并呈现出来

7. 提交结果

问题定义：

    这是一个拥有十几个特征，预测结果为二分类的预测问题。

载入数据：

    省略

观察所有特征，并对其进行分类，大致有：

数字类：PassengerId, Survived(Survival,  0 = No, 1 = Yes), Pclass(Ticket class,  1 = 1st, 2 = 2nd, 3 = 3rd), Age(Age in years), Sibsp(# of siblings / spouses aboard the Titanic# of siblings / spouses aboard the Titanic), Parch(# of parents / children aboard the Titanic), Fare(Passenger fare)

        其中分类型特征有Survived， Pclass。连续型特征有Age,  Sibsp,   Parch,  Fare， PassengerId

字母类：Name，  Embarked（Port of Embarkation，  C = Cherbourg, Q = Queenstown, S = Southampton），Sex

         其中Name为杂乱型，Embarked， Sex为分类型。

字母+数字类：Ticket（Ticket number）， Cabin（Cabin number）

考虑可能有错误的特征：名字非常复杂，意思可能有错误。

分类完成后进一步了解各个特征的空缺情况以及数据的类型特征，利用如下语句：

        

train_df . info()

print ( '_' * 40 )

test_df . info()

继续进行总览型操作如下：

train_df . describe()

以及：

train_df . describe(include = [ '0' ])