泰坦尼克号数据集_机器学习—泰坦尼克号生存预测

一、数据来源

Titanic: Machine Learning from Disaster​www.kaggle.com

泰坦尼克号的沉没是历史上最臭名昭著的海难之一。1912年4月15日，闻名于世的泰坦尼克号在她的处女航中与冰山相撞后沉没。不幸的是，船上没有足够的救生艇供所有人使用，导致2224名乘客和机组人员中的1502人死亡。尽管幸存有一些运气，但似乎有些人比其他人更有可能生存。在本文中，我将建立一个预测模型来预测什么样的人更有可能生存。使用旅客数据姓名，年龄，性别，社会经济阶层等。数据集共有12个变量。介绍如下：

• PassengerId：乘客ID
• Survived：是否生存，0 否，1 是
• Pclass：船票等级，1上层，2中层，3下层
• Name：名字
• Sex：性别
• Age：年龄
• SibSp：泰坦尼克号上的兄弟姐妹和配偶数
• Parch：泰坦尼克号上的父母和子女数量
• Ticket：票号
• Fare：票价
• Cabin：船舱号
• Embarked：登船港口，C =瑟堡，Q =皇后镇，S =南安普敦

二、数据清洗

读取数据

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
test=pd.read_csv('test.csv')
train=pd.read_csv('train.csv')
test.shape,train.shape#查看数据行列数

合并数据

dataset = train.append(test,sort=False)

看看合并后的结果，随机查看

dataset.sample(5)

查看有哪些数据存在空值

dataset.info()

Survived的空值是test集的，这个是我们要预测的结果。Age的空值比较多，Fare有一个空值，Cabin有一千多个空值，Embarked有两个空值，下面就是要处理这些空值

将Age的缺失值充为平均值

dataset.Age = dataset.Age.fillna