实验内容
背景介绍
泰坦尼克号于1909年3月31日在爱尔兰动工建造，1911年5月31日下水，次年4月2日完工试航。她是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉。然而讽刺的是，泰坦尼克号首航便遭遇厄运：1912年4月10日她从英国南安普顿出发，途径法国瑟堡和爱尔兰昆士敦，驶向美国纽约。在14日晚23时40分左右，泰坦尼克号与一座冰山相撞，导致船体裂缝进水。次日凌晨2时20分左右，泰坦尼克号断为两截后沉入大西洋，其搭载的2224名船员及乘客，在本次海难中逾1500人丧生。
在该案例中，我们将探究什么样的人在此次海难中幸存的几率更高，并通过构建预测模型来预测乘客生存率。
数据
数据来源：根据blackboard上面提供的train.csv和test.csv文件。
字段说明：
实验要求
1） 对缺失值和异常值进行处理；
2） 用Gradient Boosting Classifier和Logistic Regression模型进行建模；
3） 对比分析实验结果（评价指标包含Accuracy、Recall以及F1-score等）。
实验过程
一、首先引入数据分析以及模型所需要的库
import matplotlib import matplotlib.pyplot as plt import pandas as pd import numpy as np import seaborn as sns import warnings warnings.filterwarnings('ignore') from IPython.display import display from sklearn.linear_model import LogisticRegression from sklearn.model_selection import train_test_split from sklearn import metrics ,ensemble
二、进行数据的读取
使用pandas.read_csv将数据读入。并查看前几个数据
data=pd.read_csv("train.csv") data.head()
三、进行数据分析
首先，对缺失值进行统计
data.isnull().sum()
可以看到，数据中存在比较多的缺失值，需要进一步填充处理。接下来，查看整体数据情况。
data.describe()
获取整体乘客中获救乘客的比例
f,ax=plt.subplots(1,2,figsize=(18,8)) data['Survived'].value_counts().plot.pie(explode=[0,0.1],autopct='%1.1f%%',ax=ax[0],shadow=True) ax[0].set_title('Survived') ax[0].set_ylabel('') sns.countplot('Survived',data=data,ax=ax[1]) ax[1].set_title('Survived') plt.show()
可以看到，在这次事故中，并没有多少乘客幸免于难。在训练集的691名乘客中，只有大约270人幸存下来（38.8%）。
我们需要从数据中提取出更多的信息用以模型的构建，接下来，我们将尝试使用数据集的不同特性进行检查与分析。
1、Sex：性别比例
data.groupby(['Sex','Survived'])['Survived'].count()
图形表示：
f,ax=plt.subplots(1,2,figsize=(18,8)) data[['Sex','Survived']].groupby(['Sex']).mean().plot.bar(ax=ax[0]) ax[0].set_title('Survived vs Sex') sns.countplot('Sex',hue='Survived',data=data,ax=ax[1]) ax[1].set_title('Sex:Survived vs Dead') plt.show()
不难发现船上的男人比女人多得多。不过，挽救的女性人数几乎是男性的两倍。生存率为一个女人在船上是75%左右，而男性在18-19%左右。
这是建模的一个非常重要的特性。
2、PClass：船舱等级
pd.crosstab(data.Pclass,data.Survived,margins=True).style.background_gradient(cmap='summer_r')
图形表示
f,ax=plt.subplots(1,2,figsize=(18,8)) data['Pclass'].value_counts().plot.bar(color=['#CD7F32','#FFDF00','#D3D3D3'],ax=ax[0]) ax[0].set_title('Number Of Passengers By Pclass') ax[0].set_ylabel('Count') sns.countplot('Pclass',hue='Survived',data=data,ax=ax[1]) ax[1].set_title('Pclass:Survived vs Dead') plt.show()
可以发现：船舱等级为1的被给予很高的优先级而救援。尽管数量在pClass 3乘客高了很多，仍然他们的存活率是非常低的，大约25%。对于pClass1来说存活率是63%左右，而pclass2大约是48%。
3、PClass，Sex：船舱等级与性别
pd.crosstab([data.Sex,data.Survived],data.Pclass,margins=True).style.background_grad
图形表示
sns.factorplot('Pclass','Survived',hue='Sex',data=data) plt.show()
我们用factorplot生成这个图，看起来更直观一些。我们可以很容易地推断，从pclass1女性生存是95-96%，只有3%的女性从pclass1没获救。显而易见的是，不论pClass，女性优先考虑。
4、Age：年龄
print('Oldest Passenger was of:',data['Age'].max(),'Years') print('Youngest Passenger was of:',data['Age'].min(),'Years') print('Average Age on the ship:',data['Age'].mean(),'Years')
图形表示
f,ax=plt.subplots(1,2,figsize=(18,8)) sns.violinplot("Pclass","Age", hue="Survived", data=data,split=True,ax=ax[0]) ax[0].set_title('Pclass and Age vs Survived') ax[0].set_yticks(range(0,110,10)) sns.violinplot("Sex","Age", hue="Survived", data=data,split=True,ax=ax[1]) ax[1].set_title('Sex and Age vs Survived') ax[1].set_yticks(range(0,110,10)) plt.show()
可以发现，20-60岁的乘客获救几率更高一些，对于男性来说，二十五岁以后的男性随着年龄的增长，存活率降低。
【缺失值填充】
可以发现，年龄特征存在很多空值，我们需要填补这些空值以便进行预测。为了替换这些空值，我们可以给他们分配数据集的一些平均年龄。通过检查姓名特征（先生，夫人等称呼）可以乘客进行合理分组，这样分组填补将使预测更加准确。
data['Initial']=0 for i in data: data['Initial']=data.Name.str.extract('([A-Za-z]+)\.')
这里我们使用正则表达式对信息进行匹配提取
图形化
pd.crosstab(data.Initial,data.Sex).T.style.background_gradient(cmap='summer_r') #用性别核对姓名首字母
data['Initial'].replace(['Mlle','Mme','Ms','Dr','Major','Lady','Countess','Jonkheer','Col','Rev','Capt','Sir','Don'],['Miss','Miss','Miss','Mr','Mr','Mrs','Mrs','Other','Other','Other','Mr','Mr','Mr'],inplace=True) data.groupby('Initial')['Age'].mean()
接下来对缺失值进行填充
data.loc[(data.Age.isnull())&(data.Initial=='Mr'),'Age']=33 data.loc[(data.Age.isnull())&(data.Initial=='Mrs'),'Age']=36 data.loc[(data.Age.isnull())&(data.Initial=='Master'),'Age']=5 data.loc[(data.Age.isnull())&(data.Initial=='Miss'),'Age']=22 data.loc[(data.Age.isnull())&(data.Initial=='Other'),'Age']=46 data.Age.isnull().any() #看看填充结果
