【入门系列】Titanic-1 数据处理

Titanic-1 数据处理

数据分析、数据清洗

---

---

前言

Titanic是Kaggle比赛入门的经典案例，其背景就是历史上有名的泰坦尼克时间，比赛需要通过使用历史信息来预测测试集中的人能否在灾难中存活。

---

一、背景交代

泰坦尼克号沉没事故（Sinking of the RMS Titanic）是1912年4月14日深夜至15日凌晨在北大西洋发生的著名船难，事发时是泰坦尼克号从英国南安普敦港至美国纽约港首航的第5天，该船当时是世界最大的邮轮。1912年4月14日星期天23时40分与一座冰山擦撞前，已经收到6次海冰警告，但当瞭望员看到冰山时，该船的行驶速度正接近最高速。由于无法快速转向，该船右舷侧面遭受了一次撞击，部分船体出现缝隙，使16个水密隔舱中的5个进水。泰坦尼克号的设计仅能够承受4个水密隔舱进水，因此沉没。

二、数据分析

打开train.csv文件，我们可以看到包含如下几个特征：
PassengerId,Survived,Pclass,Name,Sex,Age,SibSp,Parch,Ticket,Fare,Cabin,Embarked
其中，PassengerId为乘客编号；
survived为是否存活，也是我们需要对test.csv进行预测的输出；
Pclass为船舱的等级，1、2、3等仓；
Name为头衔+姓名；
Sex性别；
Age年龄；
SibSp是sibship的缩写，即兄弟姐妹关系，兄弟姐妹的数量；
Parch为parent和child的缩写，父母和孩子的数量；
Ticket为票号；
Fare为船票费；
Cabin为船舱号；
Embarked为登船的港口，其中S为首发港Southampton（英国南安普顿）、C为Cherbourg（法国瑟堡港）、Q为Queenstown（爱尔兰昆士敦）。下面对数据进行定量分析一下。

1.数据分析

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
d_train=pd.read_csv("train_csv")
d_test=pd.read_csv("test_csv")
print(d_train.info())
print(d_train.describe())
print(d_train.head())
print(d_test.info)
print(d_test.describe())
print(d_test.head())

这里可以看到特征Cabin有较多的缺失值，因此在处理数据时可以直接将Cabin丢弃。此外，Ticket中包含的信息和是否生存关联性不大，因此也可以直接丢弃。

print("----------获救人数----------")
print(d_train.groupby(["Survived"])['Pclass'].count())

print<