python泰坦尼克号生存预测论文_泰坦尼克号生存率预测(基于Python)

背景：泰坦尼克号(RMS Titanic)是英国白星航运公司下辖的一艘奥林匹克级邮轮，于1909年3月31日在爱尔兰贝尔法斯特港的哈兰德与沃尔夫造船厂动工建造。她是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉 。1912年4月10日开始了她的第一次航行——从英国南安普敦出发，途经法国瑟堡-奥克特维尔以及爱尔兰昆士敦，驶向美国纽约。然而4天后，她撞上冰山沉入大西洋。2224名船员和旅客中，仅705人生还。泰坦尼克号沉没事故为和平时期死伤人数最为惨重的一次海难。

一、提出问题

在泰坦尼克号的海难中，仅有32%的人员存活下来，是什么因素影响船上的人在泰坦尼克号中生还率呢？生还率更高的人有什么共同特征？

二、理解数据

以下是数据变量的内容和含义

其中在船兄妹姐妹数/配偶数是指同辈分的关系条数，在船父母数/子女数是指跨一辈分的关系条数

三、数据清洗

数据源是两份分别为训练数据和测试数据的CSV格式的表格，其中测试数据比训练数据少1列生存情况

1、先把数据导入并查看数据

#准备工具包

#忽略警告提示

import warnings

warnings.filterwarnings('ignore')

#导入处理数据包

import numpy as np

import pandas as pd

#导入数据

#训练数据集

train=pd.read_csv(r'******\train.csv',engine = 'python')

#测试数据集

test=pd.read_csv(r'******\test.csv',engine = 'python')

print('训练数据集：',train.shape,'测试数据集：',test.shape)

#上面打印输出结果：训练数据集: (891, 12) 测试数据集: (418, 11)

#合并数据集，方便同时对两个数据集进行清洗

full = train.append( test , ignore_index = True )

print ('合并后的数据集:',full.shape)

#上面打印输出结果：合并后的数据集: (1309, 12)

#查看数据前五行

full.head()

#获取数据类型列的描述统计信息

full.describe()

#查看每一列的数据类型和数据总数

full.info()数据前5行统计描述数据类型和数据总数

从数据查看的结果了解到：

训练数据有891行，测试数据有418行；总数据一共1309行

Age列有1046个数据，缺失率为：(1309-1046)/1309=20%

Cabin列有295个数据，缺失率为77.5%，缺失率较大

Embarked列缺失2条数据

Fare列缺失1条数据

通过查看数据后，了解到的信息为下一步数据清洗提供了一些方向

2、数据预处理(此处不需要选择列和更列名)

1)缺失值处理

很多机器学习算法为了训练模型，要求所传入的特征中不能有空值。常用的数据缺失值处理方法如下：如果是数值类型，用平均值取代

如果是分类数据，用最常见的类别取代

使用模型预测缺失值，例如：K-NN

#数值型缺失值处理

#年龄(Age)

full['Age']=full['Age'].fillna(full['Age'].mean())

#船票价格(Fare)

full['Fare']=full['Fare'].fillna(full['Fare'].mean())

print('处理后：')

full.info()

#检查数据处理是否正常

full.head()

#分类数据的缺失值处理

#登船港口(Embarked):查看里面数据</