泰坦尼克号
本文将从六个部分对泰坦尼克号的数据进行分析,分别为提出问题、理解数据、数据清洗、构建模型、模型评估和实施方案。
一、提出问题
在泰坦尼克号沉船事件中,有人幸存了、有人牺牲,那有什么因素会影响到成员的幸存几率了?这就是问题所在。所以,实验中会提供两份数据列表,一份是带有分类结果的有多项特征(因素)的数据,然后用前一份数据(之后称为训练数据)来训练学习模型,后一份数据(之后称为测试数据),用在学习模型上得到测试结果(就是分类测试数据)
二、理解数据
2.1 导入工具包和数据
2.2 查看数据集信息
-
查看数据
-
解释标签数据
PassengerId:乘客ID
Survived:0代表NO,1代表YES
Pclass:1,2,3代表成员的经济社会地位1最高,3最低
Name:乘客姓名
Sex:代表性别
Age:年龄
SibSp:由两部分组成,Sibling(兄弟姐妹,堂妹都合适),Spouse代表(丈夫或妻子)
Parch:父母和孩子组成,若只跟保姆写0
Ticket:船票ID
Fare:船票价格
Cabin:船舱号
Embarked:登船港口:C=Cherbourg,Q=Queenstown,S=Southampton -
获取数据类型列的描述统计信息
-
查看每一列的数据类型,和数据总数
从上图我们发现数据总共有1309行。
其中数据类型列:年龄(Age)、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:
1)登船港口(Embarked)里面数据总数是1307,只缺失了2条数据,缺失比较少
2)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%,缺失比较大
这为我们下一步数据清洗指明了方向,只有知道哪些数据缺失数据,我们才能有针对性的处理。
三、数据清洗
3.1 数据预处理
- 缺失值处理
在数据理解阶段可发现数据总共有1309行。其中数据类型列:年龄(Age)、船舱号(Cabin)里面有缺失数据;字符串列:登船港口(Embarked)、船舱号(Cabin)里面有缺失数据。
对于缺失的数据可以这样处理:
-
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
3.2 特征提取
- 数据分类
查看数据类型,分为3种数据类型。并对类别数据处理:用数值代替类别,并进行One-hot编码
1.数值类型:
乘客编号(PassengerId),年龄(Age),船票价格(Fare),同代直系亲属人数(SibSp),不同代直系亲属人数(Parch)
2.时间序列:无
3.分类数据:
1)有直接类别的
乘客性别(Sex):男性male,女性female
登船港口(Embarked):出发地点S=英国南安普顿Southampton,途径地点1:C=法国 瑟堡市Cherbourg,出发地点2:Q=爱尔兰 昆士敦Queenstown
客舱等级(Pclass):1=1等舱,2=2等舱,3=3等舱
2)字符串类型:可能从这里面提取出特征来,也归到分类数据中
乘客姓名(Name)
客舱号(Cabin)
船票编号(Ticket)
3.2.1 分类数据:有直接类别的
乘客性别(Sex): 男性male,女性female
登船港口(Embarked):出发地点S=英国南安普顿Southampton,途径地点1:C=法国 瑟堡市Cherbourg,出发地点2:Q=爱尔兰 昆士敦Queenstown
客舱等级(Pclass):1=1等舱,2=2等舱,3=3等舱
3.2.1 分类数据:字符串类型
字符串类型:可能从这里面提取出特征来,也归到分类数据中,这里数据有:
乘客姓名(Name)
注意到在乘客名字(Name)中,有一个非常显著的特点:
乘客头衔每个名字当中都包含了具体的称谓或者说是头衔,将这部分信息提取出来后可以作为非常有用一个新变量,可以帮助我们进行预测。
例如:
Braund, Mr. Owen Harris
Heikkinen, Miss. Laina
Oliva y Ocana, Dona. Fermina
Peter, Master. Michael J
客舱号(Cabin)
客场号的类别值是首字母,例如:
C85 类别映射为首字母C
船票编号(Ticket)
家庭人数=同代直系亲属数(Parch)+不同代直系亲属数(SibSp)+乘客自己
(因为乘客自己也是家庭成员的一个,所以这里加1)
家庭类别:
小家庭Family_Single:家庭人数=1
中等家庭Family_Small: 2<=家庭人数<=4
大家庭Family_Large: 家庭人数>=5
3.3 特征选择
相关系数法:计算各个特征的相关系数
查看各个特征与生成情况(Survived)的相关系数,
ascending=False表示按降序排列
根据各个特征与生成情况(Survived)的相关系数大小,我们选择了这几个特征作为模型的输入:
头衔(前面所在的数据集titleDf)、客舱等级(pclassDf)、家庭大小(familyDf)、船票价格(Fare)、船舱号(cabinDf)、登船港口(embarkedDf)、性别(Sex)
四、构建模型
4.构建模型
用训练数据和某个机器学习算法得到机器学习模型,用测试数据评估模型
4.1 建立训练数据集和测试数据集
训练数据集,做为我们的原始数据集(记为source),从这个原始数据集中拆分出训练数据集(记为train:用于模型训练)和测试数据集(记为test:用于模型评估)。
sourceRow是我们在最开始合并数据前知道的,原始数据集有总共有891条数据
从特征集合full_X中提取原始数据集提取前891行数据时,我们要减去1,因为行号是从0开始的。
891行前面的数据是测试数据集,891行之后的数据是预测数据集。[sourceRow:,:]就是从891行开始到最后一行作为预测数据集
从原始数据集(source)中拆分出训练数据集(用于模型训练train),测试数据集(用于模型评估test)
4.2 选择机器学习算法
选择一个机器学习算法,用于模型的训练
4.3 训练模型
五、模型评估
六、实施方案