weixin_43869610的博客

**摘要：**赛题以金融风控中的个人信贷为背景，要求选手根据贷款申请人的数据信息预测其是否有违约的可能，以此判断是否通过此项贷款，这是一个典型的分类问题。赛题以预测用户贷款是否违约为任务，数据集报名后可见并可下载，该数据来自某信贷平台的贷款记录，总数据量超过120w，包含47列变量信息，其中15列为匿名变量。为了保证比赛的公平性，将会从中抽取80万条作为训练集，20万条作为测试集A，20万条作为测试集B，同时会对employmentTitle、purpose、postCode和title等信息进行脱敏。比赛

泰坦尼克号生成预测这是kaggle上面比较入门的一个比赛。今天让我们来看看怎么做吧。kaggle传送门。首先报名，下载数据集。数据载入及概述首先导入从Kaggle上面下载的数据集，在导入的过程中就需要先导入一些必备的包了。import numpy as npimport pandas as pd# 接着导入我们的训练数据filename = 'titanic/train.csv' # 这是我存放的文件路径，这边换成你们自己的train = pd.read_csv(filename)然

一、数据探索与分析首先来看看seaborn这个库的用法，因为我们在作分析的时候，会频繁的使用这个库。Seaborn是一种基于matplotlib的图形可视化python libraty。它提供了一种高度交互式界面，便于用户能够做出各种有吸引力的统计图表。Seaborn其实是在matplotlib的基础上进行了更高级的API封装，从而使得作图更加容易，在大多数情况下使用seaborn就能做出很具有吸引力的图，而使用matplotlib就能制作具有更多特色的图。应该把Seaborn视为matplotlib

2.1 缺失值观察与处理我们拿到的数据经常会有很多缺失值，比如我们可以看到Cabin列存在NaN，那其他列还有没有缺失值，这些缺失值要怎么处理呢。2.1.1 缺失值观察还是以泰坦尼克号的数据为例。查看各个特征缺失值个数# 首先导入库和数据import numpy as npimport pandas as pddf = pd.read_csv('train.csv')方法1：df.info()不过这样显示的是非缺失值的数据，不够直观。方法2：df.isnull().sum()

导入numpy和pandas# 如果没安装这两个库可以通过# conda install numpy 或者 pip install numpy# conda install pandas 或者 pip install pandasimport numpy as npimport pandas as pd载入数据虽然有上面那么多种用法，不过用的最多的还是read_csv和read_table这两个。这次学习使用的是泰坦尼克号的数据，kaggle链接——https://www.kaggle.