Python数据分析与机器学习----收入的预测分析

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