链接: kaggle算法泰坦尼克号生存率预测.
1. 准备工具
# 导入包import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport warnings#准备前置工作sns.set(style=darkgrid) #使用画图风格warnings.filterwarnings(ignore) #忽略警告%matplotlib inline
2. 读取数据
train_data = pd.read_csv(r itanic\train.csv)test_data = pd.read_csv(r itanic\test.csv)
3. 先观察数据内容
先观察训练集数据:
train_data.head()
PassengerId:旅客序号,对生存率无影响Survived:生存(目标值)(“0”代表死亡,“1”代表生存)Pclass:阶层,社会地位 (分为1,2,3阶层,1阶层地位最高)Name:旅客姓名Sex:性别Age:年龄SibSp:船上的兄弟姐妹和配偶数量;Parch:船上的父母子女数量;Ticket:船票Fare:票价Cabin:船舱Embarked:登船点
查看数据基本描述
train_data.describe()
训练集一共有891人,很明显“年龄”存在缺失值,再具体查看哪些特征值还包含缺失值。
train_data.isnull().sum()
训练集:“Age”缺失177个,“Cabin”缺失687个,“Embarked”缺失2个。由于“Cabin”缺失数量比较多,该特征值难以填补,预测时将会删除。
再看看测试集特征值缺失情况(方便分析中一起填补):
test_data.isnull().sum()
测试集:“Age”缺失86个,“Cabin”缺失327个,“Fare”缺失1个。
4. 观察各特征值因素对生存率的影响
4.1 幸存者总体情况
fig,ax=plt.subplots(1,2,figsize=(16,7))train_data.Survived.value_counts().plot.pie(explode=[0,0.1],autopct=\%1.1f%%,ax=ax[0],shadow=True,fontsize=13)ax[0].set_title(Survived,fontsize=13)ax[0].set_ylabel(\)sns.countplot(Survived,data=train_data,ax=ax[1])ax[1].set_title(Survived,fontsize=13)for y, x in enumerate(train_data.Survived.value_counts()):plt.text(y, x , x, fontsize=13)plt.xticks(fontsize=13)plt.yticks(fontsize=13)plt.show()
训练集中总人数为891人,其中幸存者342人,占比38.4%,生存率比较低。
4.2 性别因素影响的情况
pd.crosstab(train_data[Sex],train_data[Survived],margins=True).style.background_gradient(cmap=Greens)
pd.crosstab(train_data[Sex],train_data[Survived],normalize=0,margins=True).style.background_gradient(cmap=Greens)
fig,ax = plt.subplots(1,2,figsize=(18,8))train_data[[Sex,Survived]].groupby([Sex]).mean().plot.bar(ax=ax[0])ax[0].set_title(Survived vs Sex,fontsize=13)sns.countplot(Sex,hue=Survived,data=train_data,ax=ax[1])ax[1].set_title(Sex:Survived vs Dead,fontsize=13)plt.show()
登船人数中,女性一共314人,男性577人,女性生存率为74.20%,男性为18.89%,女性生存率远高于男性。该特征值为重要特征值。
4.3 社会地位因素影响的情况
pd.crosstab(train_data[Pclass],train_data[Survived],margins=True).style.background_gradient(cmap=Greens)
pd.crosstab(train_data[Pclass],train_data[Survived],normalize=0,margins=True).style.background_gradient(cmap=Greens)
fig,ax=plt.subplots(1,2,figsize=(18,8))train_data[Pclass].value_counts().plot.bar(color=[darkgreen,lightseagreen,skyblue],ax=ax[0]) ax[0].set_title(Number of Passengers By Pclas,fontsize=13)ax[0].set_ylabel(Count)sns.countplot(Pclass,hue=Survived,data=train_data,ax=ax[1])ax[1].set_title(pclas:Survived vs Dead,fontsize=13)plt.show()
1阶层生存率最高,约63%;3阶层人数最多,生存率最低,约24%;2阶层比较均衡。特征值为重要特征值。
4.4 性别与社会地位因素共同影响的情况
pd.crosstab([train_data.Sex,train_data.Survived],train_data.Pclass,margins=True).style.background_gradient(cmap=Greens)
sns.factorplot(Pclass,Survived,hue=Sex,data=train_data)plt.show()
无论处于哪个阶层,女性的生存率始终比男性高,两因素相比,“性别”特征值的重要性大于“阶层”。(女士优先)
4.5 年龄因素影响的情况
年龄存在缺失值,先观察年龄的基本情况。
train_data.Age.describe()
最小值为0.42岁(5个多月?),最大值为80岁。缺失177个数据。
fig,ax=plt.subplots(1,2,figsize=(18,8))sns.violinplot(Pclass,Age,hue=Survived,data=train_data,split=True,ax=ax[0])ax[0].set_title(Pclass and Age vs Survived,fontsize=13)ax[0].set_yticks(range(0,110,10))sns.violinplot(Sex,Age,hue=Survived,data=train_data,split=True,ax=ax[1])ax[1].set_title(Sex and Age vs Survived,fontsize=13)ax[1].set_yticks(range(0,110,10))plt.show()