import pandas as pd
titanic=pd.read_csv('http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic.txt')
观察前几行的数据,发现数据种类各异,有数值型,类别型,还有缺失数据
titanic.head()
#查看数据的统计特性,1313条乘客信息
titanic.info()
#数据预处理
#特征选择
X=titanic[['pclass','age','sex']]
y=titanic['survived']
#查看特征统计信息
X.info()
查看特征统计信息,发现age列只有633个,需要补充完整,sex,pclass 两个数据列都是类别型变量,需要转化为数值型
#使用平均数填充age列的na
X['age'].fillna(X['age'].mean(),inplace=True)
X.info()
#数据分割
from sklearn.cross_validation import train_test_split
X_train,X_test,y_train,y_test=train_test_split(X,y,test_size=0.25,random_state=33)
类别变量转化为数值型,转换特征后发现,凡是类别型变量的特征都单独剥离出来,独成一列特征
from sklearn.feature_extraction import Dic