题目一:数据清洗及预处理
一、首先导入读取csv的pandas包，然后读取训练数据集及预测数据集
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
#训练数据集
train = pd.read_csv("train.csv")
#测试数据集
test = pd.read_csv("test.csv")
#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)
#查看前五条数据
print(full.head())
用head函数可以默认读取前5行的数据
shape函数，返回的是元组
hg.shape返回的是hg的行数和列数
hg.shape[0]返回的是hg的行数，有几行
hg.shape[1]返回的是hg的列数，有几列
通过full.info方法我们可以看出，其中Age和Cabin属性有大量的缺省值，需要平均值或默认数据进行替换。
所以我们对基本数据类型/文本数据进行分开替换：
基本数据类型用mean方法求出平均值然后fillna方法填充
#年龄(Age)
full['Age']=full['Age'].fillna( full['Age'].mean() )
#船票价格(Fare)
full['Fare'] = full['Fare'].fillna( full['Fare'].mean() )
文本数据类型先用head、value_counts方法看一下大部分数据值是什么
print(full['Embarked'].head())
print(full['Embarked'].value_counts())
full['Embarked'] = full['Embarked'].fillna( 'S' )
# 船舱号（Cabin）：查看里面数据长啥样
print(full['Cabin'].head())
# 由于缺失数据比较多，船舱号（Cabin）缺失值填充为U，表示未知（Uknow）
full['Cabin'] = full['Cabin'].fillna( 'U' )
数据清洗完成后，info方法查看一下，就剩预测数据集里的400位同志的生存情况。
题目二：数据可视化
1.先用柱状图看一下性别对于生存情况的可视化分析
#数据可视化
sex = train.groupby('Sex')['Survived'].sum()
sex.plot.bar()
plt.title('survived_count')
plt.show()
2.计算男女中死亡人数 1表示生存，0表示死亡
train.groupby(['Sex','Survived'])['Survived'].count().unstack().plot(kind='bar',stacked='True')
plt.title('survived_count')
plt.ylabel('count')
plt.show()
关于groupby的用法：
https://blog.csdn.net/shujuelin/article/details/79635848?utm_medium=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-9.control&depth_1-utm_source=distribute.pc_relevant.none-task-blog-2%7Edefault%7EBlogCommendFromMachineLearnPai2%7Edefault-9.control
3、计算不同票价中生存与死亡人数 折线图
fare_sur = train.groupby(['Fare'])['Survived'].value_counts().sort_values(ascending=False)
# 排序后绘折线图
fig = plt.figure(figsize=(20, 18))
fare_sur.plot(grid=True)
plt.legend()
plt.show()
4、可视化展示泰坦尼克号数据集中不同仓位等级的人生 存和死亡人员的分布情况
pclass_sur = train.groupby(['Pclass'])['Survived'].value_counts()
sns.countplot(x="Pclass", hue="Survived", data=train)
题目三：特征分析
1、 将性别映射为0、1数值
# 将性别的值映射为数值
# 男（male）对应数值1，女（female）对应数值0
sex_mapDict={'male':1, 'female':0}
#map函数：对Series每个数据应用自定义的函数计算
full['Sex']=full['Sex'].map(sex_mapDict)
print(full['Sex'].head())
2、登船港口(Embarked）
embarkedDf = pd.DataFrame()
# 使用get_dummies进行one-hot编码，产生虚拟变量（dummy variables），列名前缀是Embarked
# one hot编码是将类别变量转换为机器学习算法易于利用的一种形式的过程。
# prefix：指定列名
embarkedDf = pd.get_dummies( full['Embarked'] , prefix='Embarked' )
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,embarkedDf],axis=1)
# 因为已经使用登船港口(Embarked)进行了one-hot编码产生了它的虚拟变量（dummy variables）
# 所以这里把登船港口(Embarked)删掉；
full.drop('Embarked',axis=1,inplace=True)
3、客舱等级（Pclass）
# 1=1等舱，2=2等舱，3=3等舱
#存放提取后的特征
pclassDf = pd.DataFrame()
#使用get_dummies进行one-hot编码，列名前缀是Pclass
pclassDf = pd.get_dummies( full['Pclass'] , prefix='Pclass' )
#print(pclassDf.head())
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,pclassDf],axis=1)
#删掉客舱等级（Pclass）这一列
full.drop('Pclass',axis=1,inplace=True)
print(full.head())
4、从姓名中提取头衔：
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。
# 定义函数：从姓名中获取头衔
def getTitle(name):
str3 = name.split( ',' )[1].split( '.' )[0].strip()
return str3
#存放提取后的特征
titleDf = pd.DataFrame()
#map函数：对Series每个数据应用自定义的函数计算
titleDf['Title'] = full['Name'].map(getTitle)
#print(titleDf.head())
# 获取所有姓名中头衔的列表
titleDf['Title'].unique()
# 定义以下几种头衔类别：
# Officer 政府官员
# Royalty 王室（皇室）
# Mr 已婚男士
# Mrs 已婚妇女
# Miss 年轻未婚女子
# Master 有技能的人/教师
# 根据所有姓名中头衔的列表，定义头衔类别的映射关系
title_mapDict = {
"Capt": "Officer",
"Col": "Officer",
"Major": "Officer",
"Jonkheer": "Royalty",
"Don": "Royalty",
"Sir" : "Royalty",
"Dr": "Officer",
"Rev": "Officer",
"the Countess":"Royalty",
"Dona": "Royalty",
"Mme": "Mrs",
"Mlle": "Miss",
"Ms": "Mrs",
"Mr" : "Mr",
"Mrs" : "Mrs",
"Miss" : "Miss",
"Master" : "Master",
"Lady" : "Royalty"
}
#map函数：对Series每个数据应用自定义的函数计算
titleDf['Title'] = titleDf['Title'].map(title_mapDict)
#使用get_dummies进行one-hot编码
titleDf = pd.get_dummies(titleDf['Title'])
titleDf.head()
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,titleDf],axis=1)
#删掉姓名这一列
full.drop('Name',axis=1,inplace=True)
print(full.head())
5、从客舱号中提取客舱类别
print(full['Cabin'].head())
#存放客舱号信息
cabinDf = pd.DataFrame()
# 客场号的类别值是首字母，例如：
# C85 类别映射为首字母C
full[ 'Cabin' ] = full[ 'Cabin' ].map( lambda c : c[0] )
##使用get_dummies进行one-hot编码，列名前缀是Cabin
cabinDf = pd.get_dummies( full['Cabin'] , prefix = 'Cabin' )
cabinDf.head()
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,cabinDf],axis=1)
#删掉客舱号这一列
full.drop('Cabin',axis=1,inplace=True)
print(full.head())
6、建立家庭人数和家庭类别
familyDf = pd.DataFrame()
# 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）
familyDf[ 'FamilySize' ] = full[ 'Parch' ] + full[ 'SibSp' ] + 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
familyDf[ 'Family_Single' ] = familyDf[ 'FamilySize' ].map( lambda s : 1 if s == 1 else 0 )
familyDf[ 'Family_Small' ] = familyDf[ 'FamilySize' ].map( lambda s : 1 if 2 <= s <= 4 else 0 )
familyDf[ 'Family_Large' ] = familyDf[ 'FamilySize' ].map( lambda s : 1 if 5 <= s else 0 )
#print(familyDf.head())
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,familyDf],axis=1)
full.head()
题目三：相关分析（线性相关分析、方差分析等）
1、相关系数法：计算各个特征的相关系数
corrDf = full.corr()
# 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
corrDf['Survived'].sort_values(ascending =False)
#print(corrDf)
# 根据各个特征与生成情况（Survived）的相关系数大小，选择了这几个特征作为模型的输入：
#特征选择
full_X = pd.concat( [titleDf,#头衔
pclassDf,#客舱等级
familyDf,#家庭大小
full['Fare'],#船票价格
cabinDf,#船舱号
embarkedDf,#登船港口
full['Sex']#性别
] , axis=1 )
print(full_X.head())
题目四：回归及预测（逻辑回归）
首先我们的训练数据集（train.csv）一共有891条数据，剩下四百多条数据是没有生存情况数据的，也就是我们的预测数据集（test.csv）需要我们使用机器学习算法来进行模拟预测。
此题目我使用了机器学习算法中的逻辑回归算法（logisic regression）
1、 首先看了一下原始预测集和预测数据集的特征：
sourceRow=891
#原始数据集：特征
source_X = full_X.loc[0:sourceRow-1,:]
#原始数据集：标签
source_y = full.loc[0:sourceRow-1,'Survived']
#预测数据集：特征
pred_X = full_X.loc[sourceRow:,:]
#原始数据集有多少行
print('原始数据集有多少行:',source_X.shape[0])
#预测数据集大小
print('预测数据集有多少行:',pred_X.shape[0])
from sklearn.model_selection import train_test_split
train_X, test_X, train_y, test_y = train_test_split(source_X ,
source_y,
train_size=.8)
#输出数据集大小
print ('原始数据集特征：',source_X.shape,
'训练数据集特征：',train_X.shape ,
'测试数据集特征：',test_X.shape)
print ('原始数据集标签：',source_y.shape,
'训练数据集标签：',train_y.shape ,
'测试数据集标签：',test_y.shape)
2、建立逻辑回归模型进行预测
#第1步：导入算法
from sklearn.linear_model import LogisticRegression
#第2步：创建模型：逻辑回归（logisic regression）
model = LogisticRegression()
#第3步：训练模型
print(model.fit( train_X , train_y ))
# 分类问题，score得到的是模型的正确率
print(model.score(test_X , test_y ))
pred_Y = model.predict(pred_X)
# 生成的预测值是浮点数（0.0,1,0）
# 但是Kaggle要求提交的结果是整型（0,1）
# 所以要对数据类型进行转换
pred_Y=pred_Y.astype(int)
#乘客id
passenger_id = full.loc[sourceRow:,'PassengerId']
#数据框：乘客id，预测生存情况的值
predDf = pd.DataFrame(
{ 'PassengerId': passenger_id ,
'Survived': pred_Y } )
predDf.shape
print(predDf.head())
#保存结果
predDf.to_csv('titanic_pred.csv', index = False )
模型的正确率如下：
9444
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
