[kaggle]Titanic生还概率预测，accuracy-0.79425

目录

一、数据摸底

1.1 数据加载

1.2 数据统计描述和可视化

1、数据类型查看

2、特征缺失值查看

3、变量统计描述

4、特征变量与目标变量的相关性

二、数据预处理

2.1 名字字符串提取title

2.2 缺失值填充

2.3 类别变量转化为数值型

2.4 连续变量转化为离散型

2.5 组合特征变量

三、模型构建

1、rf模型

---

一、数据摸底

1.1 数据加载

数据下载路径：https://www.kaggle.com/c/titanic/data

import pandas as pd

data_train = pd.read_csv("../train.csv")
data_predict = pd.read_csv("../test.csv")

full = data_train.append(data_predict, ignore_index=True) #合并训练集和测试集，对特征统一处理

1.2 数据统计描述和可视化

1、数据类型查看

full.head()

类别变量：Cabin、Embarked、Pclass、Sex、Survived

连续数值变量：Age、Fare

离散数值变量：Parch、SibSp

2、特征缺失值查看

full.info()

Cabin有77%的数据缺失，应舍弃；

Age有20%的数据缺失，考虑用平均值填充；

Fare、Embarked有几条数据缺失，分别考虑用平均值、众数填充。

3、变量统计描述

数值型变量统计描述

full.describe()

年龄在[65,80]的乘客占比1%，full['Age'].describe(percentiles=[0.98,0.99])

票价大于500的乘客占比小于1%，full['Fare'].describe(percentiles=[0.98,0.99])

没有携带父母和孩子的乘客占比75%；

在三等舱的乘客占比大约50%；

携带配偶的乘客占比大约30%；

 

类别变量统计描述

full.describe(include=['O'])

乘客登船地点有三个，主要集中在S站；

男性乘客占比64.4%。

4、特征变量与目标变量的相关性

类别变量与目标变量的相关性

data_train[