泰坦尼克号生存预测

分析目标

作为当时最豪华的游轮之一，泰坦尼克号的处女航也是当时人们关注的一个话题，所有人都期待着这艘船能够往返于大洋，但没想到，这一次的处女航，1500多人永远的沉睡在海底。
假如你灵魂穿越，作为一名泰坦尼克号的乘客，你能预测自己获救的概率吗？

• 描述泰坦尼克号乘客数据集特点
• 泰坦尼克号乘客数据描述性统计分析
• 探索分析泰坦尼克号乘客生存概率与乘客属性之间的关系
• 通过探索性分析，确定建模需要的特征值，并进行特征值处理
• 通过数据建模，预测泰坦尼克号乘客的生存情况

目录

1. 泰坦尼克号乘客数据描述统计分析
2. 探索性分析乘客的各个特征与其生存概率之间的关系，并确定模型特征值
3. 特征工程
4. 建模
5. 总结

1.数据描述统计分析

train_df = pd.read_csv(r'D:\数据文件\泰坦尼克号\train.csv')
test_df = pd.read_csv(r'D:\数据文件\泰坦尼克号\test.csv')
#将两个数据集组合在一起，方便之后的操作
combine = [train_df, test_df]

print(train_df.info())
print('*'*40)
print(test_df.info())

查看数据集中的缺失值

• 在train_df数据集中age、cabin，embarked三列数据有缺失值，需要处理
• 在test_df数据集中age、cabin、fare有缺失值，需要处理
• 数据集中，浮点数，整型，object对象都存在

#查看数据集中数值特征的描述性统计
train_df.describe()

#查看数据集中分类列的描述性统计
train_df.describe(include=['O'])

数据集描述统计分析

• 乘客中，获救人数还不到40%
• 乘客中以3等级的人居多
• 乘客中大多数人都是30岁左右的青壮年，年龄分布稍微向年龄小的方向偏移
• 大多数人都是独自出门旅游
• 船票票价平均32一张，但船票价格波动很大
• 乘客中男性乘客更多，接近三分之二
• 乘客登船港口多数为S港口

2. 探索性分析

• 性别与获救概率的关系（sex）
• 年龄与获救概率的关系（age）
• 社会地位与获救概率的关系（pclass）
• 家庭关系与获救概率的关系（sibsp parch）
• 登船港口（embarked）
• 多个特征与获救概率的关系

社会地位-pclass与乘客获救关系

plt.figure(figsize=(10,4))
plt.subplot(121)
train_df.groupby('Pclass')['Survived'].mean().plot.barh()
plt.title('各社会地位获救概率')
plt.xlabel('获救概率')

plt.subplot(122)
train_df.groupby(['Pclass']).size().plot.barh()
plt.title('各社会地位人数')
plt.xlabel('人数')
plt.show()