Kaggle-泰坦尼克号项目 | 小白修炼之路的开始

前言

作为一名萌生转行想法大概2个月的小白，第一个月艰难的学习了execl，python，mysql的基础用法，第二个月开始尝试在不断学习的过程中，增加一些实践的部分，所以这篇文章就诞生了！所以也就是说这篇文章菲比个人开启自己转行之路的里程碑式文章，哈哈哈！

选择泰坦尼克号项目的原因有二，一则是泰坦尼克号是kaggle非常经典的一个项目，相信很多人都是从这个项目开始自己机器学习or数据分析的旅途的，二则是这个项目比较‘接地气’，毕竟卡梅隆的电影大家都看过，对于业务的理解不会那么晦涩难懂

因为此文章是处女作，第一目标是完成，最终完成之后的准确率为0.77751，排名在3000-4000之间（很菜，所以想要冲准确率的朋友们请忽略此篇菜鸟文）

数据读取

import numpy as np 
import pandas as pd 
import matplotlib.pyplot as plt
from sklearn.svm import SVC
import seaborn as sns

在做好了上述设置之后，先来看一看泰坦尼克号这个项目给我们的数据文件：共3个文件，分别为train.csv（训练集），test.csv（测试集），gender_submission.csv（输入结果集）

/kaggle/input/titanic/train.csv

/kaggle/input/titanic/test.csv

/kaggle/input/titanic/gender_submission.csv

训练集：用于数据分析+特征工程+模型构建等一系列操作，目标是通过训练集训练出一个模型，用于泰坦尼克项目的生存结果预测

测试集：用于测试通过训练集训练的模型的准确率

在数据分析、模型构建阶段我们需要的对训练集进行操作，同时虽然测试集仅用于测试，但是因为他要套用训练集训练的模型，故在数据预处理，特征工程这两个阶段需要两个数据集做统一的操作

基于以上分析

1、使用pd.read_csv()先将训练集和测试集分别进行读取

2、分别在data_train，data_test 中加一列 'is train' ，用于区分

3、使用pd.concat()将训练集和测试集拼接在一起用于后续的统一操作

data_real_train = pd.read_csv('/kaggle/input/titanic/train.csv')
data_real_test = pd.read_csv('/kaggle/input/titanic/test.csv')
data_real_train['is_train'] = 1
data_real_test['is_train'] = 0
datas = pd.concat([data_real_train, data_real_test], ignore_index = True)
datas.head()

初步数据分析

初步看一下数据，数据是否空缺值？数据有哪些类型？数据有哪些明显特征？数据之间简单的关系是怎么样的？

1、使用datas.info() 和 datas.describe() 先简单看下数据

• 训练集+测试集一共1309条数据，存活率38.38%
• 存在空缺值：'Pclass'  'Age'  'Cabin'  'Embarked'  'Fare'
• 3种数据类型：int,float,object 

 2、使用sns.pairplot() 快速画出两两特征（好多图，先简单看看吧，不做深入分析）
通过自己和自己的图，判断下数据类型：

• 与业务无关数据：'passengerid' 'is_train'（通过常识得出，在图中看也没有什么信息）
• 连续&无固定类型数据：'Age'  'Fare'
• 不连续&无固定的数据：'sibsp'  'parch' 
• 固定类型的数据：'survived'  'Pclass' 
• 字符串（图里没有，根据业务理解得出）:
  • 无固定类型数据：'Name' ' Ticket'  'cabin' 
  • 固定类型数据: 'Sex'  'embarked'