電影《泰坦尼克號》改編自一個真實故事。1912年4月15日，這艘號稱“永不沉沒”的泰坦尼克號在首航期間，撞上冰山后沉沒，船上的2224名乘客和機組人員，其中只有772人存活下來，生還率只有32%。 這一聳人聽聞的悲劇震撼了國際社會，并導致了更好的船舶安全條例。

---

一，提出問題

什么人在泰坦尼克號上更容易存活？

二，理解數據

• 采集數據

數據來源于kaggle網站Titanic項目，如下鏈接可下載數據。

https://www.kaggle.com/c/titanic?www.kaggle.com

• 導入數據

• 查看數據集信息

各列名含義如下：

查看數據描述統計信息：

查看數據基本信息：

數據總共有1309行，Survived是標簽，用作機器學習預測，無需處理。數據類型列：年齡（Age）、船票價格（Fare）和船艙號（Cabin）里面有缺失數據：

• 年齡（Age）里面數據總數是1046條，缺失了263，缺失率20%；
• 船票價格（Fare）里面數據總數是1308條，缺失了1條數據字符串列；
• 登船港口（Embarked）里面數據總數是1307，只缺失了2條數據，缺失較少；
• 船艙號（Cabin）里面數據總數是295，缺失了1014，缺失率77.5%，缺失較大。

三，數據清洗

數據清洗在整個數據分析的過程中占有很多的時間，因此提高數據清洗效率十分關鍵，因此，一定要將數據清洗步驟牢記：

選擇子集->列名重命名->缺失數據處理->數據類型轉換->數據排序->異常值處理

對于此次分析，前兩步不需要可以省略

• 缺失數據處理

在理解數據的步驟中，我們查看了數據的基本信息，了解了數據在各列的缺失情況，為下面的處理方式提供指導。

很多機器學習算法為了訓練模型，要求所傳入的特征中不能有空值。

常規得填充方式：

1. 如果是數值類型，用平均值取代
2. 如果是分類數據，用最常見的類別取代
3. 使用模型預測缺失值，例如：K-NN

那么對于年齡（Age）船票價格（Fare）這樣的數值類型，用平均值填充

那么對于登船港口（Embarked)這種分類數據，用最常見的類別取代

對于船艙號（Cabin），因為缺失值比較多，這里用'U'替換，表示未知

注意：(Survived）這里一列是我們的標簽，用來做機器學習預測的，不需要處理這一列

• 特征提取

（1）數據分類

查看數據類型，分為3種數據類型。并對類別數據處理：用數值代替類別，并進行One-hot編碼

1.數值類型：

乘客編號（PassengerId），年齡（Age），船票價格（Fare），同代直系親屬人數（SibSp），不同代直系親屬人數（Parch）

2.時間序列：無

3.分類數據：

1）有直接類別的

乘客性別（Sex）：男性male，女性female

登船港口（Embarked）：出發地點S=英國南安普頓Southampton，途徑地點1：C=法國 瑟堡市Cherbourg，出發地點2：Q=愛爾蘭 昆士敦Queenstown

客艙等級（Pclass）：1=1等艙，2=2等艙，3=3等艙

2）字符串類型：可能從這里面提取出特征來，也歸到分類數據中

乘客姓名（Name）

客艙號（Cabin）

船票編號（Ticket）

（2）分類數據：有直接類別的

1. 乘客性別（Sex）： 男性male，女性female
2. 登船港口（Embarked）：出發地點S=英國南安普頓Southampton，途徑地點1：C=法國 瑟堡市Cherbourg，出發地點2：Q=愛爾蘭 昆士敦Queenstown
3. 客艙等級（Pclass）：1=1等艙，2=2等艙，3=3等艙

乘客性別（Sex）

登船港口（Embarked）

刪除行用到了.drop：df.drop(name,axis=1)

這里的name指定了列，而axis=1則指定了行，表示刪除‘name’列下的每一行

客艙等級（Pclass）

（2）分類數據：字符串類型

字符串類型：可能從這里面提取出特征來，也歸到分類數據中，這里數據有：

1. 乘客姓名（Name）
2. 客艙號（Cabin）
3. 船票編號（Ticket）

從姓名中提取頭銜

查看姓名這一列長啥樣，注意到在乘客名字（Name）中，有一個非常顯著的特點：

乘客頭銜每個名字當中都包含了具體的稱謂或者說是頭銜，將這部分信息提取出來后可以作為非常有用一個新變量，可以幫助我們進行預測。

例如：

Braund, Mr. Owen Harris

Heikkinen, Miss. Laina

Oliva y Ocana, Dona. Fermina

Peter, Master. Michael J

我們看到姓名中'Braund, Mr. Owen Harris'，逗號前面的是“名”，逗號后面是‘頭銜. 姓’因此，這個位置我們將其切割，提取頭銜。

定義以下幾種頭銜類別：

Officer政府官員

Royalty王室（皇室）

Mr已婚男士

Mrs已婚婦女

Miss年輕未婚女子

Master有技能的人/教師

接下來就hi是添加one-hot編碼產生的虛擬變量（dummy variables）到泰坦尼克號數據集full，并刪除原有的‘name’列。

從客艙號中提取客艙類別

補充知識：匿名函數

查看以下客艙號類別，客場號的首字母是類別

接下來，就是添加one-hot編碼產生的虛擬變量（dummy variables）到泰坦尼克號數據集full，刪除原客艙號。

建立家庭人數和家庭類別

那么到現在，我們得特征值已經到了33個

• 特征選擇

根據各個特征與生成情況（Survived）的相關系數大小，我們選擇了這幾個特征作為模型的輸入：

這里選擇頭銜（前面所在的數據集titleDf）、客艙等級（pclassDf）、家庭大小（familyDf）、船票價格（Fare）、船艙號（cabinDf）、登船港口（embarkedDf）、性別（Sex）

四，構建模型

• 建立訓練數據集和測試數據集

從原始數據集（source）中拆分出訓練數據集（用于模型訓練train），測試數據集（用于模型評估test）

• 選擇機器學習算法

• 訓練模型

五，評估模型

六，方案實施

總結

以上是生活随笔為你收集整理的泰坦尼克号数据集_机器学习（入门）--Kaggle项目之泰坦尼克号的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。