当前位置:   article > 正文

泰坦尼克号沉船数据分析与可视化、数据建模与分类预测【Python | 机器学习-Sklearn】_titanic.csv

titanic.csv

泰坦尼克号沉船数据之美——起于悲剧,止于浪漫

前言:泰坦尼克号,不只是卡梅隆导演的经典电影,它是一个真实存在的悲剧,也是电影的故事背景与题材。作为一个IT人,分析事实还得看数据,了解到泰坦尼克号沉船幸存者多为老人、小孩和妇女,而牺牲者多为年轻的男士,这样的历史数据,让我感受到了人性之美与善,七夕,我们一起来分析一下这一悲壮与浪漫的数据吧~

本文内容包含了泰坦尼克号沉船数据分析与可视化、数据建模与分类预测

现有 titanic.csv 数据集。该数据集记录了泰坦尼克轮船上的乘客信息。使用 scikit-learn 对该数据集进行分析,探究生存率和哪些因素有关(性别,年龄,是否有伴侣,票价,舱位等级,包间,出发地点)。

关键步骤:

1、把数据随机分成训练集和测试集两类。

2、构造特征向量。(注意:如果所选特征是非数值特征,需要将其转成数值。)

3、分别训练判定树、KNN、SVC和朴素贝叶斯四种模型,对测试数据进行预测。

4、使用混淆矩阵对分类器的分类结果进行评估,比较。

5** 绘制ROC曲线。

获取资源:

百度网盘:https://pan.baidu.com/s/1qsY70lqwmgWnMn-A81NOaw 
    提取码:wsdc

演示环境:Python 3、Jupyter notebook

涉及技术:scikit-learn 分类 + seaborn + matplotlib + pandas +numpy

操作步骤:

导入数据集预处理、特征工程、模型训练和模型对比所需的库

  1. import pandas as pd
  2. import numpy as np
  3. import matplotlib.pyplot as plt
  4. from pylab import *
  5. import seaborn as sns
  6. from sklearn import model_selection, preprocessing, naive_bayes, metrics, svm
  7. from sklearn.model_selection import train_test_split, GridSearchCV
  8. from sklearn.linear_model import LogisticRegression
  9. from sklearn.neighbors import KNeighborsClassifier
  10. from sklearn import ensemble, tree
  11. # 忽略警告提示
  12. import warnings
  13. warnings.filterwarnings('ignore')

1. 数据预处理

1.1 导入数据

  1. data = pd.read_csv('titanic.csv')
  2. print(data.shape)
  3. data.sample(5)

输出:(891, 15)

1.2 处理缺失值

data.isnull().sum()

输出:


survived         0
pclass           0
sex              0
age            177
sibsp            0
parch            0
fare             0
embarked         2
class            0
who              0
adult_male       0
deck           688
embark_town      2
alive            0
alone            0
dtype: int64

缺失值分析:

age、deck、embarked、embark_town 存在缺失值,需要处理。(1)age 对生存率有影响,不能忽略,用平均值填充;(2)总共有 891 条信息,deck 有 688 个缺失值,因此剔除 deck 这个分类标签;(3)embarked、embark_town 缺失值较少,都为 2 个,随机取其中一个数据填充。

  1. data['age']=data['age'].fillna(data['age'].median())
  2. del data['deck']
  3. data['embarked']=data['embarked'].fillna('S')
  4. data['embark_town']=data['embark_town'].fillna('Southampton')
  5. data.isnull().sum()

输出:


survived       0
pclass         0
sex            0
age            0
sibsp          0
parch          0
fare           0
embarked       0
class          0
who            0
adult_male     0
embark_town    0
alive          0
alone          0
dtype: int64

1.3 观察数据

1.3.1 全体成员的生存情况

  1. survived = data['survived'].value_counts().to_frame().reset_index().rename(columns={'index': 'label', 'survived': 'counts'})
  2. #计算存活率
  3. survived_rate = round(342/891, 2)
  4. survived['rate'] = [1-survived_rate, survived_rate]
  5. survived

输出:

数据描述:存活 的有 342 人,遇难 的有 549 人。

  1. mpl.rcParams['axes.unicode_minus'] = False #处理无法显示中文的问题
  2. mpl.rcParams['font.sans-serif'] = ['SimHei']
  3. fig=plt.figure(1,figsize=(6,6))
  4. ax1=fig.add_subplot(1,1,1)
  5. label=['遇难','存活']
  6. color=['#C23531','#F5DEB3']
  7. explode=0.05,0.05 #扇区间隔
  8. patches,l_text,p_text = ax1.pie(survived.rate,labels=label,colors=color,startangle=90,autopct='%1.0f%%',explode=explode,shadow=True)
  9. for t in l_text:
  10. t.set_size(20)
  11. for t in p_text:
  12. t.set_size(20)
  13. ax1.set_title('全体成员的生存情况', fontsize=20)

输出:

 1.3.2 乘客的各属性分布情况

  1. fig = plt.figure(figsize=(15,10))
  2. fig.set(alpha=0.3) # 设定图表颜色alpha参数(透明度)
  3. plt.subplot2grid((2,3),(0,0))
  4. data.survived.value_counts().plot(kind='bar')
  5. plt.title("获救情况 (1为获救)")
  6. plt.ylabel("人数")
  7. plt.subplot2grid((2,3),(0,1))
  8. data.pclass.value_counts().plot(kind="bar")
  9. plt.ylabel("人数")
  10. plt.title("乘客等级分布")
  11. plt.subplot2grid((2,3),(0,2))
  12. plt.scatter(data.survived, data.age)
  13. plt.ylabel("年龄")
  14. plt.grid(b=True, which='major', axis='y')
  15. plt.title("按年龄看获救分布 (1为获救)")
  16. plt.subplot2grid((2,3),(1,0), colspan=2)
  17. data.age[data.pclass == 1].plot(kind='kde')
  18. data.age[data.pclass == 2].plot(kind='kde')
  19. data.age[data.pclass == 3].plot(kind='kde')
  20. plt.xlabel("年龄")
  21. plt.ylabel("密度")
  22. plt.title("各等级的乘客年龄分布")
  23. plt.legend(('头等舱', '2等舱','3等舱'),loc='best')
  24. plt.subplot2grid((2,3),(1,2))
  25. data.embarked.value_counts().plot(kind='bar')
  26. plt.title("各登船口岸上船人数")
  27. plt.ylabel("人数")
  28. plt.show()

输出: 

1.3.3 特征之间的相关性

  1. sns.heatmap(data.corr(),annot=True,cmap='RdYlGn',linewidths=0.2)
  2. fig=plt.gcf()
  3. fig.set_size_inches(10,8)
  4. plt.show()

输出: 

 1.3.4 连续值特征(年龄、船票费用)对生存结果的影响

  1. fig = plt.figure(figsize=(15,4))
  2. plt.subplot2grid((2,2),(0,0))
  3. data.age[data.survived == 0].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#C23531', fontsize=15)
  4. plt.grid(linestyle="--", alpha=0.8)
  5. plt.title("遇难", fontsize=15)
  6. plt.subplot2grid((2,2),(0,1))
  7. data.fare[data.survived == 0].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#C23531', fontsize=15)
  8. plt.grid(linestyle="--", alpha=0.8)
  9. plt.title("遇难", fontsize=15)
  10. plt.subplot2grid((2,2),(1,0))
  11. data.age[data.survived == 1].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#F5DEB3', fontsize=15)
  12. plt.grid(linestyle="--", alpha=0.8)
  13. plt.xlabel("存活", fontsize=15)
  14. plt.subplot2grid((2,2),(1,1))
  15. data.fare[data.survived == 1].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#F5DEB3', fontsize=15)
  16. plt.grid(linestyle="--", alpha=0.8)
  17. plt.xlabel("存活", fontsize=15)

输出:

 1.3.5 乘客等级、性别对生存结果的影响(从年龄的分布看)

  1. mpl.rcParams.update({'font.size': 14})
  2. fig,axes=plt.subplots(2,2,figsize=(18, 12))
  3. sns.violinplot("pclass","age", hue="survived", data=data, palette='autumn',ax=axes[0][0]).set_title('Pclass and Age vs Survived')
  4. sns.swarmplot(x="pclass", y="age",hue="survived", data=data,palette='autumn',ax=axes[1][0]).legend(loc='upper right').set_title('survived')
  5. sns.violinplot("sex","age", hue="survived", data=data, palette='winter', ax=axes[0][1]).set_title('Sex and Age vs Survived')
  6. sns.swarmplot(x="sex", y="age",hue="survived", data=data,palette='winter',ax=axes[1][1]).legend(loc='upper right').set_title('survived')

输出:  

1.3.6 乘客等级、性别对生存结果的影响(从船票费用的分布看)

  1. fig,axes=plt.subplots(2,2,figsize=(18, 12))
  2. sns.violinplot("pclass","fare", hue="survived", data=data, palette='autumn',ax=axes[0][0]).set_title('Pclass and Age vs Survived')
  3. sns.stripplot("pclass", "fare",hue="survived", data=data,palette='autumn',ax=axes[1][0]).legend(loc='upper right').set_title('survived')
  4. sns.violinplot("sex","fare", hue="survived", data=data, palette='winter', ax=axes[0][1]).set_title('Sex and Age vs Survived')
  5. sns.stripplot("sex", "fare",hue="survived", data=data,palette='winter',ax=axes[1][1]).legend(loc='upper right').set_title('survived')

输出:  

2. 特征工程

2.1 Feature Preprocessing——标签编码预处理

在所有标签中,survived 是分类标签,其余的 14 个变量是分类特征。 由于特征和标签的值存在非结构化类型,因此需要进行特征工程处理,即进行字符串编码处理。

data.info()

输出:


<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 14 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   survived     891 non-null    int64  
 1   pclass       891 non-null    int64  
 2   sex          891 non-null    object 
 3   age          891 non-null    float64
 4   sibsp        891 non-null    int64  
 5   parch        891 non-null    int64  
 6   fare         891 non-null    float64
 7   embarked     891 non-null    object 
 8   class        891 non-null    object 
 9   who          891 non-null    object 
 10  adult_male   891 non-null    bool   
 11  embark_town  891 non-null    object 
 12  alive        891 non-null    object 
 13  alone        891 non-null    bool   
dtypes: bool(2), float64(2), int64(4), object(6)
memory usage: 85.4+ KB

初始化编码器

  1. le = preprocessing.LabelEncoder()
  2. for col in data.columns:
  3. data[col] = le.fit_transform(data[col])
  4. data.head()
  5. data.to_csv('Preprocessing_Titanic.csv')

2.2 去除多余的的标签

名字对生存率几乎没有影响,所以删除 who 标签

del data['who']

去掉意思表达一样的标签

  1. data_ = data.T.drop_duplicates().T
  2. print('去重前:', len(data.columns))
  3. print('去重后:', len(data_.columns))
  4. for a in data.columns:
  5. if a not in data_.columns:
  6. for b in data_.columns:
  7. if list(data[b].values) == list(data[a].values):
  8. print(f'重复标签: {a}{b}')
  9. data = data_

输出:


去重前: 13
去重后: 10
重复标签: class 和 pclass
重复标签: embark_town 和 embarked
重复标签: alive 和 survived

data.head()

输出: 

2.3 可视化探索各个特征的分布情况

result_plot = data.hist(bins=50, figsize=(14, 12))

输出:

 由上面的可视化情况来看,不需要对特征进行标准化处理。

  1. # 对数据进行标准化
  2. # X = StandardScaler().fit_transform(X)

2.4 10折交叉验证分割数据集,9份做训练,1份做测试 ,确保训练和测试数据无交集

  1. X = data.iloc[:, 1:]
  2. y = data.iloc[:, 0]
  3. x_train, x_test, y_train, y_test = train_test_split(X, y,test_size=0.1,shuffle=True,random_state=20)
  4. print(x_train.shape)
  5. print(x_test.shape)
  6. print(y[:5])
  7. X[:5]

输出:


(801, 9)
(90, 9)
0    0
1    1
2    1
3    1
4    0
Name: survived, dtype: int64

3. 建立模型训练及评估函数

3.1 建模

  1. model, train_score, test_score, roc_auc = [], [], [], [] # 存储相关模型信息,以便后续分析
  2. def train_model(classifier, x_train, y_train, x_test):
  3. lr = classifier # 初始化
  4. lr.fit(x_train, y_train) # 训练
  5. y_pred_lr = lr.predict(x_test) # 预测
  6. if '.' in str(classifier):
  7. model_name = str(classifier).split('(')[0].split('Classifier')[0].split('.')[1]
  8. print('\n{:=^60}'.format(model_name))
  9. else:
  10. model_name = str(classifier).split('(')[0].split('Classifier')[0]
  11. print('\n{:=^60}'.format(model_name))
  12. model.append(model_name)
  13. # 性能评估
  14. print('\n>>>在训练集上的表现:', lr.score(x_train, y_train))
  15. print('\n>>>在测试集上的表现:', metrics.accuracy_score(y_test, y_pred_lr))
  16. print('\n>>>预测的 Roc_auc:%.4f' % metrics.roc_auc_score(y_test, y_pred_lr))
  17. print('\n>>>混淆矩阵'),show_confusion_matrix(metrics.confusion_matrix(y_test,y_pred_lr))
  18. train_score.append(lr.score(x_train, y_train))
  19. test_score.append(metrics.accuracy_score(y_test, y_pred_lr))
  20. roc_auc.append(metrics.roc_auc_score(y_test, y_pred_lr))

3.2 绘制误分类矩阵函数

  1. def show_confusion_matrix(cnf_matrix):
  2. plt.matshow(cnf_matrix,cmap=plt.cm.YlGn,alpha=0.7)
  3. ax=plt.gca()
  4. ax.set_xlabel('Predicted Label',fontsize=16)
  5. ax.set_xticks(range(0,len(survived.label)))
  6. ax.set_xticklabels(survived.label,rotation=45)
  7. ax.set_ylabel('Actual Label',fontsize=16,rotation=90)
  8. ax.set_yticks(range(0,len(survived.label)))
  9. ax.set_yticklabels(survived.label)
  10. ax.xaxis.set_label_position('top')
  11. ax.xaxis.tick_top()
  12. for row in range(len(cnf_matrix)):
  13. for col in range(len(cnf_matrix[row])):
  14. ax.text(col,row,cnf_matrix[row][col],va='center',ha='center',fontsize=16)
  15. plt.show()

3.3 绘制ROC曲线函数

  1. def show_roc_line(classifier, x_train, y_train):
  2. y_train_prob=classifier.predict_proba(x_train)
  3. y_pred_prob=y_train_prob[:,1] #正例率
  4. fpr,tpr,thresholds=metrics.roc_curve(y_train,y_pred_prob) #计算ROC曲线
  5. auc=metrics.auc(fpr,tpr) #计算AUC
  6. plt.plot(fpr,tpr,lw=2,label='ROC curve (area={:.2f})'.format(auc))
  7. plt.plot([0,1],[0,1],'r--')
  8. plt.xlim([-0.01, 1.02])
  9. plt.ylim([-0.01, 1.02])
  10. plt.xlabel('False Positive Rate')
  11. plt.ylabel('True Positive Rate')
  12. plt.title('Receiver Operating Characteristic')
  13. plt.legend(loc='lower right')
  14. plt.show()

4. 训练预测

(1) Decision Tree 模型

  1. classifier = tree.DecisionTreeClassifier()
  2. train_model(classifier, x_train, y_train, x_test) #建模

输出:

 可视化特征重要性权重

  1. labels = X.columns
  2. importances = classifier.feature_importances_ # 获取特征权重值
  3. indices = np.argsort(importances)[::-1]# 打印特征等级
  4. features = [labels[i] for i in indices]
  5. weights = [importances[i] for i in indices]
  6. print("Feature ranking:")
  7. for f in range(len(features)):
  8. print("%d. %s (%f)" % (f + 1, features[f], weights[f]))# 绘制随机森林的特征重要性
  9. plt.figure()
  10. plt.title("Feature importances")
  11. plt.bar(features, np.array(weights), color='r')
  12. plt.xticks(rotation=90)
  13. plt.title('Feature Weights')
  14. plt.show()

 数据分析:从上面的可视化图可以看出,对生存率影响大的特征只有 4 个:fare(船票费用)、adult_male(成年男性)、age(年龄)、pclass(乘客等级)。

(2) KNN模型

  1. classifier = KNeighborsClassifier(n_neighbors=20)
  2. train_model(classifier, x_train, y_train, x_test)
  3. show_roc_line(classifier, x_train, y_train)

输出:

 (3) SVC模型

  1. classifier = svm.SVC()
  2. train_model(classifier, x_train, y_train, x_test)

输出:

 (4) 朴素贝叶斯

  1. classifier = naive_bayes.GaussianNB()
  2. train_model(classifier, x_train, y_train, x_test) #建模

输出:

show_roc_line(classifier, x_train, y_train)  #绘制ROC曲线

输出: 

 5. 性能比较

比较不同模型之间的性能情况

  1. df = pd.DataFrame()
  2. df['model'] = model
  3. df['Roc_auc'] = roc_auc
  4. df['train_score'] = train_score
  5. df['test_score'] = test_score
  6. df

输出:

【评判标准:AUC(Area under Curve),Roc曲线下的面积,介于0.1和1之间。Auc作为数值可以直观的评价分类器的好坏,值越大越好。】

从上面的结果可以看出,朴素贝叶斯(GaussianNB)的 Roc_auc 分值最高,预测结果最好,说明朴素贝叶斯比较适合泰坦尼克号问题的分类。

特别的,对于 DecisionTree 的训练和预测结果,可以看出训练集拟合非常好,但是测试集拟合较差,说明过拟合了,需要调参:

  1. param = [{'criterion':['gini'],'max_depth': np.arange(20,50,10),'min_samples_leaf':np.arange(2,8,2),
  2. 'min_impurity_decrease':np.linspace(0.1,0.9,10)},
  3. {'criterion':['gini','entropy']},
  4. {'min_impurity_decrease':np.linspace(0.1,0.9,10)}]
  5. clf = GridSearchCV(tree.DecisionTreeClassifier(),param_grid=param,cv=10)
  6. clf.fit(x_train,y_train)
  7. print('最优参数:', clf.best_params_)
  8. print('最好成绩:', clf.best_score_)

输出:


最优参数: {'criterion': 'gini', 'max_depth': 20, 'min_impurity_decrease': 0.1, 'min_samples_leaf': 2}
最好成绩: 0.7839814814814815

按最优参数生成决策树

  1. model = tree.DecisionTreeClassifier(criterion= 'gini', max_depth=20, min_impurity_decrease=0.1, min_samples_leaf= 2)
  2. model.fit(x_train, y_train)
  3. y_pred = model.predict(x_test)
  4. print('train score:', clf.score(x_train, y_train))
  5. print('test score:', clf.score(x_test, y_test))
  6. print("查准率:", metrics.precision_score(y_test,y_pred))
  7. print('召回率:',metrics.recall_score(y_test,y_pred))
  8. print('f1分数:', metrics.f1_score(y_test,y_pred)) #二分类评价标准

输出:


train score: 0.784019975031211
test score: 0.8333333333333334
查准率: 0.7647058823529411
召回率: 0.7878787878787878
f1分数: 0.7761194029850745

从上面的分值来看,按最优参数生成决策树的预测结果比较理想,但还是比朴素贝叶斯(GaussianNB)的预测分值差一些,比其他模型的预测分值好。

【最后,祝大家七夕快乐,顺便记得给我点个赞~~~~】

【同时,欢迎留言、讨论~~~】

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/笔触狂放9/article/detail/718105
推荐阅读
相关标签
  

闽ICP备14008679号