【Pytorch】kaggle 泰坦尼克生存预测

数据集介绍

1912年4月15日，泰坦尼克号在首次航行期间撞上冰山后沉没，船上共有2224名乘客和乘务人员，最终有1502人遇难。沉船导致大量伤亡的重要原因之一是，没有足够的救生艇给乘客和船员。虽然从这样的悲剧性事故中幸存下来有一定的运气因素，但还是有一定规律可循的，一些人，比如妇女、儿童和上层人士，比其他人有更高的存活可能性。泰坦尼克号事件留下了“弥足珍贵”的数据记录。如前所述，乘客的幸存率存在一定的规律，因此这些数据记录集成了Kaggle上流行的入门机器学习的数据集。同时，又由于该数据集中的记录不完整，存在缺失值、异常值等，因此也成了很典型的练习数据分析的数据集。

数据集共有891行、12列。每条数据有12个特征，含义如下：

• PassengerId 乘客ID
• Survived 获救情况（1为获救，0为未获救）
• Pclass 乘客等级(1/2/3等舱位)
• Name 乘客姓名
• Sex 性别
• Age 年龄
• SibSp 堂兄弟/妹个数
• Parch 父母与小孩个数
• Ticket 船票信息
• Fare 票价
• Cabin 客舱
• Embarked 登船港口

数据处理

加载数据集

import torch  
import torch.nn as nn  
import pandas as pd  
import matplotlib.pyplot as plt  
from torch.utils.data import Dataset, DataLoader

# 加载CSV文件  
train_df = pd.read_csv(r"D:\kaggle\Titanic\train.csv") 
test_df = pd.read_csv(r"D:\kaggle\Titanic\test.csv")  
PassengerId = test_df['PassengerId']

查看数据信息

通过查看数据集信息，分析如何对数据集进行处理。

train_df.info()

从信息中我们可以看出哪些特征有缺失值，哪些特征是非数值型特征，这样我们就能对相应的特征进行处理。

数据集合并

将训练集和测试集合并，方便后面的数据处理。

full_df = pd.concat([train_df, test_df], ignore_index=True, sort=False)

缺失值处理

full_df['Embarked'] = full_df['Embarked'].fillna(full_df['Embarked'].mode()[0])  
full_df['Age'] = full_df['Age'].fillna(full_df['Age'].mean())

因为 Embarked 是非数值型特征，而 Age 是数值型特征，我们用 Embarked 的众数，Age 的平均值来填充缺失值。

特征工程

我们可以将SibSp（船上直系兄弟姐妹和配偶的数量）和 Parch（船上父母和子女的数量）相加，并加上1（代表乘客本人），以得到每个乘客的家庭规模，作为一个新的特征。

full_df['Family'] = full_df['SibSp'] + full_df['P