概述
本文将以Titanic的数据集作为例子,学习如何进行数据清洗,从原始数据中挖掘出对目标有利的特征以便构建出优秀的模型。数据集来源于kaggle中的题目:预测Titanic乘客的存亡情况。
数据探索有7个步骤,分别是:
1.确定变量
2.单变量分析
3.二元变量分析
4.缺失值分析
5.异常值分析
6.特征转换
7.特征创建
其中4-7视模型效果而言需要反复进行多次。
数据集
首先,我们来简单看一下原始数据:
>test<-read.csv("test.csv")
>train<-read.csv("train.csv")
>str(train)
'data.frame': 891 obs. of 12 variables:
$ PassengerId: int 1 2 3 4 5 6 7 8 9 10 ...
$ Survived : int 0 1 1 1 0 0 0 0 1 1 ...
$ Pclass : int 3 1 3 1 3 3 1 3 3 2 ...
$ Name : Factor w/ 891 levels "Abbing, Mr. Anthony",..: 109 191 358 277 16 559 520 629 417 581 ...