假如你在泰坦尼克号上 你能活下来吗？——kaggle比赛泰坦尼克号数据集基于决策树

回忆杀

先来一波回忆杀，沉迷于男女主的颜值自拔，当年的小李子的确是魅力四射啊！还记得那句经典的台词You jump，I jump，代表着永恒的爱情啊

先收住，等会再舔屏，我们今天不讲《泰坦尼克号》，主要讲泰坦尼克号。电影是根据真实故事改编而来的，1912年泰坦尼克号作为当时世界上最豪华、最庞大的客运轮船，在处女航中途与一座冰山相撞，大部分人不幸身亡，少部分人存活下来。因此本文想利用机器学习中的重要算法之一决策树（Decision Tree），根据乘客的数据（性别、年龄等）对其能否存活进行预测。如果在真实背景下，预测Jack和Rose能否存活幸存。

决策树是啥？

决策树都不知道？本仙女可没空和你吹牛。所谓决策树，其实是一种十分常用的分类方法。是一种监管学习方法，也就是给你一堆样本，每个样本都有一组属性和一个类别，这些类别是我们是已知的，也就是本案例中是否存活。通过决策树进行训练，那么就能够对新出现的乘客给出正确的分类啦。
决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。
给一个通俗易懂的例子吧，比如某银行要判断一个新客户是否可以贷款，根据历史客户数据生成决策树是酱紫的。那么我们先从根节点房产出发，如果该客户有房产，则可以贷款，若没有房产，再看其是否车辆，若有车辆，则可以贷款，若没有再看其年收入，以此类推，总能判断是否可以贷款。一眼就能看出这个图很像一棵树呢，所以就叫决策树啦。

泰坦尼克号数据集

首先来介绍下泰坦尼克号数据集吧，共收集到1309个样本，乘客的12个特征，其中Survived是因变量，是个二分类变量（存活和死亡），其他11个特征作为因变量，是不是刚好符合决策树算法的要求。

变量（变量解释）
Survived 存活情况（存活1，死亡0）
PassengerId 乘客编号
Pclass 船舱等级(1,2,3)
Name 乘客姓名
Sex 乘客性别
Age 乘客年龄
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（字符串）
Fare 船票价格（0-500）
Cabin 乘客所在船舱
Embarked 乘客登船港口（S，C，Q）

其中891个作为训练集，418个作为测试集。需要的包和导入数据的Python代码都在这里啦。Padas中的concat函数就是把训练集和测试集合并起来了，方便后面统一分析。
用Python自带的函数sample抽5个样本悄悄看一下数据，index是抽取的样本所在的行数。其实我们拿到的数据是有缺失的，比如Cabin船舱。

Part3

下面就是特征工程了，来看看乘客的存活情况是否与单个因变量有关

性别sex

先看一下性别和存活情况的关系，女性的存活率为74.20%，男性的存活率仅为18.89%，可见女性确实是受保护的，存活率远远高于男性。女性优先在危难关头得到淋漓尽致的展现了。

船舱等级class

下面来看一下船舱等级的存活率图，等级一、二、三的存活率分别为 62.97%、47.28%、24.24%。代码只需要把上面代码的“Sex”换成“Pclass”，so easy这里就不附上了。

年龄age

再来看一下年龄和存活率的情况吧

可以看出，在6岁左右，存活（1）远远大于死亡（0），说明儿童相对保护的比较好，大多数是存活下来的。25岁左右的青年存活率要低于死亡率，更多年轻人会把生存机会留给老人和孩子。在60到80岁之间，存活率比较比死亡率要低，老人相对体力不够，存活比较困难。

Fare

数据处理

我们先来瞄一眼缺失值情况，数据集共包含1309条记录，其中训练集891条，测试集418条。

可以看到特征Age,Cabin,Embarked,Fare以及Ticket不全，包含缺失值，需要进行缺失值填补，其中Survived是否生存，就是我们研究的因变量，所以测试集全为缺失。

年龄Age

首先来看年龄，通过前面推文我们已经知道年龄是重要特征，因此其缺失值的能否正确填补对模型有较大影响。通过进一步分析可以发现，登船者的年龄与其同乘的兄弟姐妹/配偶数（SibSp）、同乘的小孩数（Parch）有一定关联。因此我们这里用与缺失年龄的乘客有一样SibSp、Parch的乘客的平均年龄来填补缺失值，如果这个值为空，那就用所有乘客的平均年龄来填补。

index_NaN_age = list(dataset["Age"][dataset["Age"].isnull()].index)
for i in index_NaN_age :
    age_med = dataset["Age"].median()
    age_pred = dataset["Age"][((dataset['SibSp'] == dataset.iloc[i]["SibSp"]) & (dataset['Parch'] == dataset.iloc[i]["Parch"]) & (dataset['Pclass'] == dataset.iloc[i]["Pclass"]))].median()
    if not np.isnan(age_pred) :
        dataset['Age'].iloc[i] = age_pred
    else :
        dataset['Age'].iloc[i] = age_med

船票价格Fare

接下来看船票价格与乘客存活率的关系，violin图的代码只需在箱线图基础上加参数kind=’violin’

可以看出，存活下来的的乘客（Survived=1）其船票价格在100附近的相对较多，整体来说，未存活的乘客船票价格相对较低。

dataset["Fare"] = dataset["Fare"].fillna(dataset["Fare"].median())
dataset["Fare"] = dataset["Fare"].map(lambda i: np.log(i) if i > 0 else 0)

船票价格的缺失值只有3个，我们就可以简单粗暴的用中位数进行填补啦。但需注意的是，极少数乘客的票价相当高，因此我们这里对大于0的票价取对数，缩小差距，更好建模。

登船港口Embarked

下面我们来看登船港口的存活率，并加入的性别做对比。总共有S、C、Q三个港口，可以看出，无论是男性还是女性，各个港口的存活率是有较大差距的。明显看出港口C的存活率最高。

因为登船港口仅有两个缺失，我们就直接用众数填补了。先用value_counts()函数对频数进行统计，可以看出三个港口登船人数最多的为S，也就是众数，就直接用S进行填补啦~

dataset[“Embarked”].value_counts()
dataset[“Embarked”] = dataset[“Embarked”].fillna(“S”)

名字Name

泰坦尼克号数据集的Name特征比较特殊，我们先看一下其前五行：

一眼看上去名字特征似乎没什么用处，但其实这里包含了一个重要特征：乘客的头衔，即Mr、Mrs这样的title，不同的头代表的身份地位不同，与其存活率应该有较大关系。这里我们首先把头衔信息提取出来，并命名为Title，作为数据集的新列。其中split函数就是按指定的字符对字符串进行分割。这里首先利用‘,’将姓和名分开，再用‘.’将头衔提出来。

dataset_title = [i.split(",")[1].split(".")[0].strip() for i in dataset["Name"]]#strip()去除首尾的空白
dataset["Title"] = pd.Series(dataset_title)
dataset["Title"].head()  

看一下提取的效果，一下就把我们想要的头衔提取出来了~

but由于头衔种类特别多，且很多头衔出现的频数很少，频数统计如图。

接下来用replace函数对出现次数少且相近的头衔进行替换。最后再将头衔Ms、Miss 、Mme、Mlle、Mrs归为一类，其他头衔单独归为一类。

dataset["Title"] = dataset["Title"].replace(['Lady', 'the Countess','Countess','Capt', 'Col','Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')
dataset["Title"] = dataset["Title"].map({"Master":0, "Miss":1, "Ms" : 1 , "Mme":1, "Mlle":1, "Mrs":1, "Mr":2, "Rare":3})
dataset["Title"] = dataset["Title"].astype(int)

家庭成员数

下面我们关注同乘的兄弟姐妹/配偶数（SibSp）与同乘的小孩数（Parch），因为这两个特征其实反映了乘客的同行的家庭成员数，因此我们新创建一个特征家庭成员数Fsize =SibSp + SibSp+1。创建之后再用lambda函数赋值为0和1。

dataset.drop(labels = ["Name"], axis = 1, inplace = True)

# Create a family size descriptor from SibSp and Parch
dataset["Fsize"] = dataset["SibSp"] + dataset["Parch"] + 1

# Create new feature of family size
dataset['Single'] = dataset['Fsize'].map(lambda s: 1 if s == 1 else 0)
dataset['SmallF'] = dataset['Fsize'].map(lambda s: 1 if  s == 2  else 0)
dataset['MedF'] = dataset['Fsize'].map(lambda s: 1 if 3 <= s <= 4 else 0)
dataset['LargeF'] = dataset['Fsize'].map(lambda s: 1 if s >= 5 else 0)

分类变量编码

最后再将所有分类变量进行编码

dataset = pd.get_dummies(dataset, columns = ["Title"])
dataset = pd.get_dummies(dataset, columns = ["Embarked"], prefix="Em")

模型与预测

处理好的数据就可以进行建模和预测了（爱学习的小同学不要着急，后续会继续讲数据的具体整理过程），sklearn包里面有许多分类算法，我们导出里面的DecisionTreeClass就可以啦。代码附上，其中Y_train，X_train分别为训练集的因变量和自变量，X_test为测试集的因变量。

clf = tree.DecisionTreeClassifier(random_state=2)

train = dataset[:len(train)]
test = dataset[891:]
train["Survived"] = train["Survived"].astype(int)

Y_train = train["Survived"]
X_train = train.drop(labels = ["Survived"],axis = 1)
X_train = X_train.drop(labels = ["Ticket"],axis = 1)
X_test = test.drop(labels = ["Ticket"],axis = 1)

X_train.head()
clf.fit(X_train,Y_train) 
y_pred = clf.predict(X_test)
X_train.isnull()
`

最后回归电影《泰坦尼克号》，将男女主的数据录入测试集，有部分信息无法得知，用样本数据进行填补。最后预测得到Jack死亡，Rose生存，与电影的结局是一致的。有爱学习的小朋友可能会说决策树预测的不准，那么后续推文会再介绍其它机器学习的算法，再进行预测，乖乖等着吧。
最后的最后，学习太辛苦了，再来欣赏一下男女主的神仙颜值吧。

The End _{下面是全部代码}

#data analysis libraries 
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt