案例-Kaggle泰坦尼克号生存预测分析_家庭人数=同代直系亲属 parch+不同代直系亲属 sibsp+乘客自己

数据采集和理解

#设置ast_node_interactivity = "all"使得可以同时输出多条语句
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
#导入包
import pandas as pd
import numpy as np
#导入数据
train=pd.read_csv(r'E:\python\data\titanic\train.csv')
test=pd.read_csv(r'E:\python\data\titanic\test.csv')
print('训练集数据规模:{}'.format(train.shape))
print('测试集数据规模:{}'.format(test.shape))

    训练集数据规模:(891, 12)
    测试集数据规模:(418, 11)
1
2
3
4
5
6
7
8
9
10
11
12
13
14

训练数据集比测试数据集的列多一个，即Survived值。由于它是预测的生存值，所以，在测试数据集中没有。

#查看训练集信息
train.head()
test.head()
1
2
3
4

为了方便对训练数据和测试数据进行清洗，将训练数据和测试数据进行合并

#通过设置ignore_index=True参数，合并后的数据集会重新生成一个index
full=pd.concat([train,test],ignore_index=True)
full.head()
1
2
3

针对每一个字段做一个简单的解释：
PassengerId: 乘客ID；

Survived: 生存情况，0代表不幸遇难，1代表存活；

Pclass: 仓位等级，1为一等舱，2为二等舱，3为三等舱；

Name: 乘客姓名；

Sex: 性别；

Age: 年龄；

SibSp: 乘客在船上的兄妹姐妹数/配偶数（即同代直系亲属数）；

Parch: 乘客在船上的父母数/子女数（即不同代直系亲属数）；

Ticket: 船票编号；

Fare: 船票价格；

Cabin: 客舱号；

Embarked: 登船港口（S: Southampton; C: Cherbourg Q: Queenstown）

#查看数据描述性统计
full.describe()
1
2

因为，describe()函数只能查看数据类型的描述统计信息，无法查看类似字符类型的信息。
故需用info()函数进一步查看每一列的数据信息。

full.info()

    <class 'pandas.core.frame.DataFrame'>
    RangeIndex: 1309 entries, 0 to 1308
    Data columns (total 12 columns):
    Age            1046 non-null float64
    Cabin          295 non-null object
    Embarked       1307 non-null object
    Fare           1308 non-null float64
    Name           1309 non-null object
    Parch          1309 non-null int64
    PassengerId    1309 non-null int64
    Pclass         1309 non-null int64
    Sex            1309 non-null object
    SibSp          1309 non-null int64
    Survived       891 non-null float64
    Ticket         1309 non-null object
    dtypes: float64(3), int64(4), object(5)
    memory usage: 122.8+ KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

数据的总行数为1309行，其中，Age一栏中263列有缺失项；Fare一栏中1列有缺失项；Survived一栏只有891列，刚好对应训练数据集的行数。除了Age和Fare以外，Cabin/Embarked也有缺失项。
也可以用另一个命令，查看缺失项信息

full.isnull().sum()

    Age             263
    Cabin          1014
    Embarked          2
    Fare              1
    Name              0
    Parch             0
    PassengerId       0
    Pclass            0
    Sex               0
    SibSp             0
    Survived        418
    Ticket            0
    dtype: int64
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

数据清洗

如果是数值类型，使用平均值或者中位数进行填充

年龄(Age) 最小值为0.17，不存在0值，其数据缺失率为263/1309=20.09%，由于Age的平均数与中位数接近，故选择平均值作为缺失项的填充值。

full['Age']=full['Age'].fillna(full['Age'].mean())
1

船票价格(Fare)一栏数据缺失项仅为一行，且存在票价为0的记录，如下：

full.loc[full['Fare']==0,:]
1

让我们先看下那些票价不为0的数据，其不同仓位等级的票均价

full.loc[full['Fare']!=0,:].groupby('Pclass')['Fare'].mean()

    Pclass
    1    89.447482
    2    21.648108
    3    13.378473
    Name: Fare, dtype: float64
1
2
3
4
5
6
7

我们可以用这三个均值分别填充不同仓位其票价为0的记录,并用所有记录的均值填充na

full.loc[(full['Fare']==0)&(full['Pclass']==1),'Fare']=89.4
full.loc[(full['Fare']==0)&(full['Pclass']==2),'Fare']=21.6
full.loc[(full[&
1
2
3