机器学习实战之Kaggle泰坦尼克初尝试

项目简介

项目说明：泰坦尼克号的沉没是历史上最臭名昭著的海难之一，1912年4月15日，在她的处女航中，被广泛认为的“沉没” RMS泰坦尼克号与冰山相撞后沉没。不幸的是，船上没有足够的救生艇供所有人使用，导致2224名乘客和机组人员中的1502人死亡。虽然幸存有一些运气，但似乎有些人比其他人更有可能生存。本次主要是根据提供的数据来判断什么样的人更容易生存。

数据来源：Kaggle泰坦尼克生存预测

数据说明：

PassengerId	乘客编号
Survived	是否生还（0、1）
Pclass	船票等级（1、2、3）
Name	姓名
Sex	性别（male、female）
Age	年龄
SibSp	船上的兄弟姐妹、配偶数量
Parch	船上的父母、子女数量
Ticket	票号
Fare	票价
Cabin	船舱口
mbarked	登船港口

数据分析

这部分主要进行数据的导入、查看、缺失值的处理及数据的可视化显示，目前先是针对训练数据进行分析，后续需要对训练数据和测试数据进行统计处理，保证一致性。

导入数据

import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings("ignore")
# 导入数据
train_data = pd.read_csv("titanic_train.csv")
test_data = pd.read_csv("titanic_test.csv")

查看数据

查看前五行

# 查看数据
train_data.head()

结果如下： 

 查看整体统计

# 整体统计
train_data.describe()

结果如下：

可以看出，训练集中有891条数据，整体的生存率为38.4%，平均年龄为29.699，平均票价为32.2

查看数据缺失值

# 查看数据
train_data.info()
# 缺失值数量查看
train_data.isnull().sum()

结果如下： 

可以看到，船舱口数据缺失较大、登船港口有两条缺失、乘员年龄数据也有缺失，后续需要对缺失值进行填充。

缺失值处理

由上面可以数据有缺失，需要对其进行处理，主要是依据填充的形式，对于Embarked使用众数进行填充，对于年龄使用平均值进行填充（当然也可以根据其他特征使用模型拟合进行填充，本次为了简便使用了年龄均值的方式），对于Carbin，博主使用的是去除该特征，代码如下：

# 数据缺失值处理
# 年龄使用了平均值来填充
train_dat