机器学习实战——泰坦尼克号

通过泰坦尼克号生存项目来熟悉机器学习的整个流程，数据来源是kaggle上的titanic数据。该项目从数据获取->数据清洗->特征处理->构建模型->模型评估5个步骤进行分析。

该比赛提供了891名泰坦尼克号的乘客数据，包含乘客的姓名，性别、年龄、客舱等级等信息，数据中还包含一个最重要的信息：乘客是否生还（1：生还，0：遇难）。目的是通过对训练数据集的学习来构建一个分类预测模型，对测试数据集中的418名乘客生存情况进行预测。

数据来源链接：https://www.kaggle.com/c/titanic/data

• train.csv 用于训练，标记了乘客是否生还的信息
• test.csv  用于测试，没有标记乘客是否生还信息，该数据集需要用模型来预测乘客是否生还

数据导入：

导入我们的训练数据和测试数据

# 导入包：
import pandas as pd 
import numpy as np
# 读取数据：
train_data = pd.read_csv("/Desktop/泰坦尼克号/train.csv")
test_data = pd.read_csv("/Desktop/泰坦尼克号/test.csv")
# 查看前5行
train_data.head()

数据字段的含义：

数据集中有12 个字段，每一个字段的名称和含义如下

• PassengerId：乘客 ID
• Survived：是否生存
• Pclass：客舱等级
• Name：乘客姓名
• Sex：性别
• Age：年龄
• SibSp：在船兄弟姐妹数/配偶数
• Parch：在船父母数/子女数
• Ticket：船票编号
• Fare：船票价格
• Cabin：客舱号
• Embarked：登船港口

查看数据基本信息：

# 查看数据基本信息
train_data.info()

从上面info()中我们可以看出，Age， Cabin， Embarked这三个变量有缺失值。

删除一些无效的数据列：

有些变量在模型中是没有意义的，所以我们可直接在train_data中删除一些没有意义的变量，通过drop()方法来删除：PassengerId,Name,Ticket

# 删除无效的数据变量
train_data=train_data.drop(['PassengerId','Name','Ticket'],axis=1)
train_data.head()

单变量分析：

单变量数据就是每次只对1个变量进行分析，相对的，多变量数据就是同时对多个变量之间的相关性进行分析。单变量数据分析主要目的是对单个变量的数据分布进行查看，方便后期的数据预处理，常用的单变量分析方法有：频数分析、描述性统计、直方图等。

• 频数分析：分析类别型变量每一个值出现的频数。
• 描述性统计：对数值型变量的常用统计量进行分析：均值，总和，最小值，最大值，分位数。
• 直方图：对数值型变量进行分段处理后进行频数分析并作图。

频数分析：（类别型变量）

数据集中的 Survived（是否生还）， Pclass（客舱等级）， Sex（性 别）， Embarked（登船港口）等变量是类别型变量，所以可对他们进行频数分析。 

1、变量Survived（是否生还）的频数分析及可视化：

# 统计频数
Survived_freq=train_data.Survived.value_counts()
print(Survived_freq)
# 统计结果的可视化分析（条形图和饼图）
import matplotlib.pyplot as plt
import seaborn as sns 
%matplotlib inline
plt.figure(figsize=(12,5))
plt.subplot(121)
sns.countplot(x='Survived',data=train_data)
plt.title('Count')
plt.subplot(122)
plt.pie(Survived_freq,labels=Survived_freq.index,autopct='%1.0f%%')
plt.title('percent')
plt.show

我们从上述的分析中可以看出，训练样本中有38%的乘客生还了。

2、变量Pclass（客舱等级）的频数分析及可视化：

# 统计频数
Pclass_freq=train_data.Pclass.value_counts()
print(Pclass_freq)
# 统计结果的可视化分析（条形图和饼图）
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize=(12,5))
plt.subplot(121)
sns.countplot(x='Pclass',data=train_data)
plt.title('Count')
plt.subplot(122)
plt.pie(Pclass_freq,labels=Pclass_freq.index,autopct='%1.0f%%')
plt.title('percent')
plt.show()

我们从上述的频数分析中可以看出，训练样本中3等舱的乘客最多占比55%，2等舱最少占比21%，1等舱占比24%。

3、变量Sex（性别）的频数分析及可视化： 

# 统计频数
Sex_freq=train_data.Sex.value_counts()
print(Sex_freq)
# 统计结果的可视化分析（条形图和饼图）
import matplotlib.pyplot as plt
import seaborn as sns
plt.figure(figsize&