假期闲着无聊，做了一下Kaggle练手的项目--预测泰坦尼克号乘客的存活情况。对于一些函数和算法，刚开始也是懵懵懂懂的，但通过自己查资料，还是明白了许多，我会把参考资料的网址放在需要查看的地方。
------------------------------------
我们的整个流程如下：
①数据预处理：数据清洗、可视化、标签化
②分割训练数据
③随机森林分类器及其参数调节
数据预处理：数据清洗、可视化、标签化
首先，先导入需要的模块并读取数据
#导入包，读取数据
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
data_train = pd.read_csv(r‘C:\Users\Administrator\Desktop\456\train.csv‘)
data_test = pd.read_csv(r‘C:\Users\Administrator\Desktop\456\test.csv‘)
导入成功后，我们来看看训练数集↓
↑发现有如下特征：乘客ID，存活情况，船票级别，乘客姓名，性别，年龄，船上的兄弟姐妹以及配偶的人数，船上的父母以及子女的人数，船票编号，工资，所在船舱，登船的港口
来开始进行可视化
#我们要通过绘图来观察训练数集的基本情况哦，我们先从登舱口Embarked开始,来绘制二维柱状图，不同性别在不同登舱口的生存情况
sns.barplot(x=‘Embarked‘,y=‘Survived‘,hue=‘Sex‘,data=data_train)
#可以发现，在登船的C港口，无论是男女，生存概率都比S、Q多，但相差不会太多。总体上女性生存的几率比男性高很多
#接着，我们用折线图从Pclass，也就是几等舱来观测下生存概率
sns.pointplot(x=‘Pclass‘,y=‘Survived‘,hue=‘Sex‘,data=data_train,palette={‘male‘:‘blue‘,‘female‘:‘pink‘},
marker=[‘*‘,"o"],linestyle=[‘-‘,‘--‘])
#总的来说，可以发现，随着舱位越来越低，存活率越来越低，这就是有钱的好处吧
除了Embarked，Pclass，我还想对年龄、Cabin的首字母(与乘客所在舱口有关）、工资这三种情况与生存情况画图分析
但现在的情况是：
①年龄是连续变量，但我们可以按照我们日常生活的逻辑对年龄划区间，对年龄进行分组，再画图根据组来对乘客的Survived状况进行分析
②Cabin是一个字母+一串数字，但我们可以它们切割了，只留字母，再画图根据不同字母对乘客的Survived状况进行分析
③工资也是连续变量，同样需要分组，但我们在日常生活中，对高工资低工资什么的概念也有点模糊，不如我们把他们四分化，分为(最小值到下四分位数)，(下四分位数到中位数)，(中位数到上四分位数)，(上四分位数到最大值)
④我觉得乘客的名字Name、船票编码Ticket、Embarked对乘客的Survived情况没起到显著的作用，所以我打算删掉哦！
因此，我们要完成以上的任务哦。也就是说，我们要把原来的data_train转化成我们需要的、可以方便我们进行数据分析的表格↓
①简化年龄，就是分组
def simplify_ages(df):
#把缺失值补上，方便分组
df.Age = df.Age.fillna(-0.5)
#把Age分为不同区间,-1到0,1-5,6-12...,60以上,放到bins里，八个区间，对应的八个区间名称在group_names那
bins = (-1, 0, 5, 12, 18, 25, 35, 60, 120)
group_names = [‘Unknown‘, ‘Baby‘, ‘Child‘, ‘Teenager‘, ‘Student‘, ‘Young Adult‘, ‘Adult‘, ‘Senior‘]
#开始对数据进行离散化，pandas.cut就是这个功能
catagories = pd.cut(df.Age,bins,labels=group_names)
df.Age = catagories
return df
②简化Cabin，就是取字母
def simplify_cabin(df):
df.Cabin = df.Cabin.fillna(‘N‘)
df.Cabin = df.Cabin.apply(lambda x:x[0])
return df
③简化工资，也就是分组
def simplify_fare(df):
df.Fare = df.Fare.fillna(-0.5)
bins = (-1, 0, 8, 15, 31, 1000)
group_names = [‘Unknown‘, ‘1_quartile‘, ‘2_quartile‘, ‘3_quartile‘, ‘4_quartile‘]
catagories = pd.cut(df.Fare,bins,labels=group_names)
df.Fare = catagories
return df
④删除无用信息
def simplify_drop(df):
return df.drop([‘Name‘,‘Ticket‘,‘Embarked‘],axis=1)
⑤整合一遍，凑成新表
def transform_features(df):
df = simplify_ages(df)
df = simplify_cabin(df)
df = simplify_fare(df)
df = simplify_drop(df)
return df
⑥执行读取新表
#必须要再读取一遍原来的表，不然会报错,不仅训练集要简化，测试集也要，两者的特征名称要一致
data_train = pd.read_csv(r‘C:\Users\Administrator\Desktop\456\train.csv‘)
data_train = transform_features(data_train)
data_test = transform_features(data_test)
data_train.head()
以上任务执行完毕，继续画图！
#好啦，我们根据新的表格来画图啦，先来话Age-Survived的图哦,以Sex分组
sns.barplot(x = ‘Age‘,y = ‘Survived‘,hue=‘Sex‘,data = data_train)
#再按Cabin-Survived画
sns.barplot(x = ‘Cabin‘,y = ‘Survived‘,hue=‘Sex‘,data = data_train)
#根据舱位，其实也可以看出一些端倪哦
#到Fare啦
sns.barplot(x = ‘Fare‘,y = ‘Survived‘,hue=‘Sex‘,data = data_train)
#果然工资越高的，存活率更高啊，不过女性都很高
