【Kaggle实战】Python进行泰坦尼克生存预测

最新推荐文章于 2023-03-14 12:13:56 发布

蔚蓝的空气

最新推荐文章于 2023-03-14 12:13:56 发布

阅读量1.4k

点赞数 6

分类专栏：数据分析文章标签： Kaggle Python

本文链接：https://blog.csdn.net/weixin_43637773/article/details/88246125

版权

本文通过Kaggle上的泰坦尼克数据集，使用Python进行数据清理、特征工程和模型建立。分析了乘客年龄、船票价格、登船港口和船舱号的缺失情况，并通过one-hot编码处理分类变量。尝试了逻辑回归和随机森林算法，结果显示两种模型预测结果接近，随机森林稍逊于逻辑回归。

摘要由CSDN通过智能技术生成

一、问题
——预测泰坦尼克号乘客的存活状态

二、数据理解
1.数据来源: https://www.kaggle.com/c/titanic/data
得到两个csv文件:
① train.csv：包含一部分乘客的基本信息和生存状态。
② test.csv：包含了另一部分乘客的基本信息，无生存状态，需要建模预测。

2.导入包和数据

#导入包
import numpy as np
import pandas as pd
#导入数据
train = pd.read_csv("train.csv")
test  = pd.read_csv("test.csv")
print ('训练数据集:',train.shape,'测试数据集:',test.shape)

训练数据集: (891, 12) 测试数据集: (418, 11)

3.查看数据

train.head()

test.head()

train.info()
print ('------------------------------------')
test.info()

4.合并数据，方便后面一起进行数据清理

#合并数据集，方便同时对两个数据集进行清洗
union = train.append( test , ignore_index = True )
print ('合并后的数据集:',union.shape)

union.info()

在这里插入图片描述
分析：
数据总共有1309行。变量分别是：Passengerld 乘客编号，Survived 生存情况（1=存活，0=死亡），Pclass客舱等级（1=1等舱，2=2等舱，3=3等舱），Name姓名，Sex性别，Age年龄，SibSp船上兄妹姐妹数、配偶数，Parch 船上父母数、子女数，Ticket 船票编号，Fare船票价格，Cabin 客舱号，Embarked 登船港口
数值型变量：Age，Fare，Parch，Passengerld，Pclass，SibSp，Survived
非数值型变量：Cabin，，Embarked，Name，Sex，Ticket
其中数值型变量中年龄（Age）、船舱号（Cabin）里面有缺失数据；非数值型变量中登船港口（Embarked）和船舱号（Cabin）里面有缺失数据。
1）年龄（Age）里面数据总数是1046条，缺失了1309-1046=263，缺失率263/1309=20%。
2）船票价格（Fare）里面数据总数是1308条，缺失了1条数据。
字符串列：
3）登船港口（Embarked）里面数据总数是1307条，只缺失了2条数据。
4）船舱号（Cabin）里面数据总数是295，缺失了1309-295=1014，缺失率=1014/1309=77.5%&#x