泰坦尼克号python数据分析统计服_Kaggle入门级赛题：泰坦尼克号生还者预测——数据分析篇...

本次分享的项目来自 Kaggle 的经典赛题：泰坦尼克号生还者预测。分为数据分析和数据挖掘两部分介绍。本篇为数据分析篇。

赛题解读

比赛概述

RMS 泰坦尼克号的沉没是历史上最为人熟知的海难事件之一。 1912 年 4 月 15 日，在她的处女航中，泰坦尼克号在与冰山相撞后沉没，在船上的 2224 名乘客和机组人员中，共造成 1502 人死亡。这场耸人听闻的悲剧震惊了国际社会，从而促进了船舶安全规定的完善。

造成海难失事的原因之一是乘客和机组人员没有足够的救生艇。尽管在沉船事件中幸存下有一些运气因素，但有些人比其他人更容易存活下来，比如女人，孩子和上流社会。

在这个挑战中，要求完成哪些人可能存活下来的分析。特别的，要求运用机器学习工具来预测哪些乘客能够幸免于悲剧。

所需技巧

Python 和 R 的基础 (Python and R basics)

最终目标

预测一名乘客是否能够在泰坦尼克号沉没事件中幸存。

对测试集中的每一个PassengerId，将其相应的Survived变量预测为值 0 或 1（这里 1 表示幸存，0 表示遇难）。

数据分析

数据描述

首先，导入数据：

data_train = pd.read_csv('train.csv')

data_test = pd.read_csv('test.csv')

数据需要进行转换能够作为模型输入。我们对训练集data_train进行变换，同样需要对测试集data_test进行变换，保证模型输入的一致性。

合并在一起可以进行统一变换，变换后再拆分。也可使用之前没有经过变换的data_train。对数据集进行如下处理：

# 将目标变量 Survived 单独提取，从特征变量中移除目标变量 Survived

df_target = data_train['Survived']

data_train_feature = data_train.drop(['Survived'], axis=1)

# 合并 train 和 test 数据集，以方便数据处理对两个数据集同时进行

df = data_train_feature.append(data_test)

合并后的数据集如下图所示：

我们看到，共有 11 个特征：

PassengerId： 乘客 ID

Pclass： 舱位等级 (1 = 1st, 2 = 2nd, 3 = 3rd)

Name： 乘客姓名

Sex： 性别

Age： 年龄

SibSp： 在船上的兄弟姐妹／配偶个数

Parch： 在船上的父母／小孩个数

Ticket： 船票信息

Fare： 票价

Cabin： 客舱

Embarked： 登船港口 (C = Cherbourg, Q = Queenstown, S = Southampton)

以上就是对比赛和数据意义的解读，下面我们对数据进行探索，来达到最终目标。

数据预处理

特征分析

我们已经在上一步查看了有哪些特征，接下来要做的是：

查看哪些特征存在缺失值。

判断哪些特征存在异常值，通过对数值型特征进行简单的描述性统计。

判断这些特征的数据类型，从而为后面的可视化分析找到合适的方法。

对数据进行可视化分析。

分析得出有用的结论。

1. 查看哪些特征存在缺失值

查看 train 和 test 合并后的数据：

df.info()

查看