机器学习项目——泰坦尼克号乘船幸存者分类模型

0、项目说明

• 项目目的：通过泰坦尼克号乘船者的信息数据训练一个可以做生存预测的分类模型
• 乘船者信息数据
  链接：https://pan.baidu.com/s/1QbrlGltiMYRmRR4Ro_SAgw
  提取码：1234
• 项目概览：
  

---

1、项目整体流程

1.1、项目数据预处理

• 项目数据导入

# 导包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
# 导入数据
data = pd.read_csv('./泰坦尼克船员获救/titanic_train.csv')
'''
PassengerId：乘客id
Survived：是否存活
Pclass：船舱等级
Name：姓名
Sex：性别
Age：年龄
SibSp：兄弟姐妹的个数
Parch：家人数量
Ticket：船票号
Fare：船票价格
Cabin：门牌号
Embarked：上船地点
'''
data.head(3)

• 数据预览

# 数据预览
data.shape # (891, 12)
# data.loc[:,'Pclass'].unique() # array([3, 1, 2], dtype=int64)
# data.loc[:,'SibSp'].unique() # array([1, 0, 3, 4, 2, 5, 8], dtype=int64)
# data.loc[:,'Parch'].unique() # array([0, 1, 2, 5, 3, 4, 6], dtype=int64)
# data.loc[:,'Embarked'].unique() # array(['S', 'C', 'Q', nan], dtype=object)
data.loc[:,'Fare'].unique().max() # 512.3292
# 查看数据基本情况
data.info() # 查看空值情况，对于空值要么填充，要么删除整列
'''
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   PassengerId  891 non-null    int64  
 1   Survived     891 non-null    int64  
 2   Pclass       891 non-null    int64  
 3   Name         891 non-null    object 
 4   Sex          891 non-null    object 
 5   Age          714 non-null    float64  有缺失数据，考虑填充（平均值、中位数、众数）
 6   SibSp        891 non-null    int64  
 7   Parch        891 non-null    int64  
 8   Ticket       891 non-null    object 
 9   Fare         891 non-null    float64
 10  Cabin        204 non-null    object  有缺失数据，考虑删除
 11  Embarked     889 non-null    object  有缺失数据，考虑填充
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB
'''

• 存在空值的特征列进行数据填充或数据删除

# 中位数填充数据
data.loc[:,'Age'].fillna(data.loc[:,'Age'].median(),inplace=True)
# 删除
data.drop(columns='Cabin',inplace=True)
# 众数填充
data.loc[:,'Embarked'].value_counts()
'''
Embarked
S    644
C    168
Q     77
Name: count, dtype: int64
'''
data.loc[:,'Embarked'].fillna(value="S",inplace=True)
data.info()
'''
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 11 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   PassengerId  891 non-null    int64  
 1   Survived     891 non-null    int64  
 2   Pclass       891 non-null    int64  
 3   Name         891 non-null    object 
 4   Sex          891 non-null    object 
 5   Age          891 non-null    float64
 6   SibSp        891 non-null    int64  
 7   Parch        891 non-null    int64  
 8   Ticket       891 non-null    object 
 9   Fare         891 non-null    float64
 10  Embarked     891 non-null    object 
dtypes: float64(2), int64(5), object(4)
memory usage: 76.7+ KB
'''

• 字符型数据转数字型数据

# Sex处理为数字
# Embarked处理为数字
'''
方法1
data.loc[:,'Sex'] = data.loc[:,'Sex'].map({'male':0,'female':1})
data.loc[:,'Embarked'] = data.loc[:,'Embarked'].map({'S':0,'C':1,'Q':2})
'''
# 方法2
data.loc[:,'Sex'] = data.loc[:,'Sex'].factorize()[0]
data.loc[:,'Embarked'] = data.loc[:,</