一、题目
利用age、workclass、…、native_country等13个特征预测收入是否超过50k,是一个二分类问题。
二、训练集
32561个样本,每个样本14个特征,其中6个连续性特征、9个离散型特征
三、测试集
16281个样本,每个样本14个特征,
即在测试集中,根据age等14个特征,预测income是否超过50k,二分类问题。
四、说明
部分特征的值为“?”,表示缺失值,需要对其先处理。
五、实验过程和结果
import numpy as np
import pandas as pd
train = pd.read_csv('data/data40587/train.csv')
train.replace(' ?', np.nan, inplace=True)
print(train.isnull().sum())
#用众数进行替换缺失值
train.fillna(value = {
'Workclass':train.Workclass.mode()[0],
'Occupation':train.Occupation.mode()[0],
'Native country':train['Native country'].mode()[0]}, inplace = True)
# 数据的探索性分析、数值型的统计描述
print(train.describe())
# 数据的探索性分析、离散型的统计描述
print(train.describe(include =[ 'object']))
# 导入绘图模块
import matplotlib.pyplot as plt
# 设置绘图风格
plt.style.use('ggplot')
# 设置多图形的组合
fig, axes = plt.subplots(2, 1)
# 绘制不同收入水平下的年龄核密度图, 针对数值型
train['Age']