python实战之泰坦尼克号获救问题

数据来源：
Kaggle数据集 →
共有1309名乘客数据，其中891是已知存活情况（train.csv），剩下418则是需要进行分析预测的（test.csv）
字段意义：
PassengerId: 乘客编号
Survived :存活情况（存活：1 ; 死亡：0）
Pclass : 客舱等级
Name : 乘客姓名
Sex : 性别
Age : 年龄
SibSp : 同乘的兄弟姐妹/配偶数
Parch : 同乘的父母/小孩数
Ticket : 船票编号
Fare : 船票价格
Cabin :客舱号
Embarked : 登船港口
目的：通过已知获救数据，预测乘客生存情况研究问题：
1、整体来看，存活比例如何？
要求：① 读取已知生存数据train.csv② 查看已知存活数据中，存活比例如何？
提示：① 注意过程中筛选掉缺失值之后再分析② 这里用seaborn制图辅助研究
2、结合性别和年龄数据，分析幸存下来的人是哪些人？
要求：① 年龄数据的分布情况② 男性和女性存活情况③ 老人和小孩存活情况
3、结合 SibSp、Parch字段，研究亲人多少与存活的关系
要求：① 有无兄弟姐妹/父母子女和存活与否的关系② 亲戚多少与存活与否的关系
4、结合票的费用情况，研究票价和存活与否的关系
要求：① 票价分布和存活与否的关系② 比较研究生还者和未生还者的票价情况
5、利用KNN分类模型，对结果进行预测
要求：① 模型训练字段：‘Survived’,‘Pclass’,‘Sex’,‘Age’,‘Fare’,'Family_Size’②模型预测test.csv样本数据的生还率
提示：① 训练数据集中，性别改为数字表示 → 1代表男性，0代表女性

泰坦尼克号获救问题十分经典，比较初级，不过也很有练习价值。在这里我也简单记录一下自己的思路，小小分享，欢迎指正。
拿到问题，先打开数据看一看，了解一下大概情况以及分析目的。
前四问很简单，需要对数据进行描述、评判，最后一问是利用模型进行简单的预测。整体难度不高。

1 导入模块，加载数据

根据题目要求，预测需要的模块，也可以后期用到再加。然后导入数据，查看具体情况。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os
import time

import warnings
warnings.filterwarnings('ignore')

os.chdir('/Users/eleven/Desktop/python/泰坦尼克号获救问题/')
train_data = pd.read_csv('train.csv')
test_data = pd.read_csv('test.csv')

2 查看存活比例

存活只有两个数据值，1和0，可以直接用饼状图来体现，简单直观。

sns.set()
sns.set_style('ticks')
plt.axis('equal')
survive_per = train_data['Survived'].value_counts()
survive_per.plot.pie(autopct = '%.2f%%')

用seaborn制图，设置为正方形的绘图空间，通过value_counts计数，生成pie饼状图

得到存活比例为38.38%。

3 分析幸存下来的人群分布

（1）年龄数据的分布情况

简单的看分布情况，可以用直方图和箱型图来表示。

train_data_age = train_data[train_data['Age'].notnull()]
#去除缺失值

plt.figure(figsize = (12,6))
plt.subplot(121)
train_data_age['Age'].hist(bins = 70)
plt.xlabel('age')
plt.ylabel('num')
#绘制直方图

plt.subplot(122)
train_data.boxplot(column = 'Age',showfliers = False)
#绘制箱型图

train_data_age['Age'].describe()
#数据描述