Titanic学习之Cabin中的仓位特征

仓位长这样，C123，一共有ABCDEFGT,8种仓位。之前我在进行数据预处理的时候，直接把仓位分成有仓位和无仓位，其实这样是有点问题的，有仓位的也有200多位，占了1/4还多，那就来看看各仓位以及无仓位之间获救的概率。

data_train.Cabin[data_train.Cabin.isnull()]='X'#将无仓位的数据直接标记位X
known_cabin = data_train[data_train.Cabin.notnull()]
known_cabin['Cabin']=known_cabin['Cabin'].apply(lambda x: x[0])#有仓位的首字母就是其仓位的位置
data_train.loc[ (data_train.Cabin.notnull()), 'Cabin' ] = known_cabin['Cabin']#用修改后的cabin来填充原来的cabin

fig = plt.figure()
fig.set(alpha=0.2)  # 设定图表颜色alpha参数
Survived_0 = data_train.Cabin[data_train.Survived == 0].value_counts()
Survived_1 = data_train.Cabin[data_train.Survived == 1].value_counts()
Survived_rate=Survived_1/(Survived_1+Survived_0)
df=pd.DataFrame({u'获救':Survived_rate})
df.plot(kind='bar', stacked=True)
plt.title(u"各仓位的获救比率")
plt.xlabel(u"仓位")
plt.ylabel(u"人数")
plt.show()

可以看到，T仓位的孩子的获救率为零，感觉找到一个有用信息，我来看看T有多少人

T_count = data_train.Cabin[data_train.Cabin == 'T'].value_counts()
print("T_count=%d" %(T_count))

结果。。。就一个人，好像没什么价值，不过从上面可以看到无仓位显然比有仓位的获救率高，我就按ABCDEFGTX来做一个交叉验证试试，看看情况。

##########################交叉验证########################
from sklearn import linear_model
from sklearn.model_selection import cross_val_score
from sklearn import svm
clf = linear_model.LogisticRegression(C=1.0, penalty='l1', tol=1e-6)#逻辑回归
train_df = df.filter(regex='Survived|Age_.*|SibSp|Parch|Fare_.*|Cabin_.*|Embarked_.*|Sex_.*|Pclass_.*|Title_.*')#regex(正则表达式)
train_np=train_df.as_matrix()#将frame(pandas)转换为Numpy数组表示
y = train_np[:, 0]
# X即特征属性值
X = train_np[:, 1:]
scores = cross_val_score(clf, X, y, cv=5)
print(scores)
print((scores[0]+scores[1]+scores[2]+scores[3]+scores[4])/5)

交叉验证的分数[0.82122905 0.81005587 0.8258427  0.80337079 0.86440678]，平均分0.8249810358016404；之前是[0.83798883 0.81005587 0.81460674 0.79213483 0.86440678]，平均分0.823838609086431，就提升了0.001，额，好像并不明显，再看看其他的吧