这个项目是kaggle上的练手项目，实践方面是参考于csdn上一位大佬的总结，自己对其进行了实现和理解，主要是为了解整个项目操作的流程，并且，由于篇幅过长，所以会分为两部分记录

数据导入

import re
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

import warnings
warnings.filterwarnings('ignore')

• 注：这里加入
  import warnings
warnings.filterwarnings('ignore')
  主要就是为了美观，如果不加的话，warning一堆堆的，不怎么整洁

#导入数据
train_data = pd.read_csv('C:/Users/Youngy/Desktop/Titanic_dataset/train.csv')
test_data = pd.read_csv('C:/Users/Youngy/Desktop/Titanic_dataset/test.csv')
#查看前几行的源数据
sns.set_style('whitegrid')#设定图表的主题，其中whitegrid的主题比较简洁
train_data.head()

#查看所有的数据信息概况
train_data.info()
test_data.info()

• 看过数据的概况后，可以发现，训练集中的Age，Cabin，Embarked，测试集中的Fare是有缺失值的

#绘制存活的比例
train_data['Survived'].value_counts().plot.pie(autopct = '%1.2f%%')

缺失值处理

• 如果数据集很大，缺失值只占极小的一部分，可以直接删掉带有缺失值的行
• 如果该特征对模型的学习来说不是很重要，则可以对缺失值填充均值or众数；比如‘在哪儿登船’的这个特征共有三个登船的地点，总的数据是891，而该特征是889，缺失两个数值，就可以直接使用众数进行填充

#众数
train_data.Embarked.dropna().mode().values

#将众数赋值到源数据中
train_data.Embarked[train_data.Embarked.isnull()] = train_data.Embarked.dropna().mode().values

• mode是众数，train_data.Embarked.dropna()是表示对删去缺失值后的数据，再加个mode则表示删去缺失值后，数据的众数
• 对于标称属性，我们可以赋予一个代表缺失的值，比如‘U0’；因为缺失本身也可能代表着一些隐含信息，比如船舱号Cabin这个特征，缺失可能表示代表其没有船舱，也是有意义的
  • 注：标称属性(nominal attribute)意味着‘与名称相关’，它的值是一些符号或事物的名称。每个值代表某种类别，编码或状态，因此标称属性又被看作是分类的(categorical)

train_data['Cabin'] = train_data.Cabin.fillna('U0')

• 使用线性回归、随机森林等模型来预测缺失属性的值；比如：Age是一个非常重要的特征，我们需要保证缺失值填充的准确率，这是非常重要的
  • 一般来说，会采用数据较完整的条目作为模型的训练集，以此来预测缺失值

#采用随机森林来预测
from sklearn.ensemble import RandomForestRegressor

age_df = train_data[['Age','Survived','Fare', 'Parch', 'SibSp', 'Pclass']]#提取数据
age_df_notnull = age_df.loc[(train_data['Age'].notnull())]#训练集
age_df_isnull = age_df.loc[(train_data['Age'].isnull())]#测试集（即需要进行缺失值填充的数据）

X = age_df_notnull.values[:,1:]#训练集的输入X
y = age_df_notnull.values[:,0]#训练集的输出标签y

RFR = RandomForestRegressor(n_estimators=1000,n_jobs=-1)#调用随机森林，进行训练模型
RFR.fit(X,y)

predictAges = RFR.predict(age_df_isnull.values[:,1:])#预测
train_data.loc[train_data['Age'].isnull(),['Age']] = predictAges#将预测的结果赋值到源数据中

• 注意这种操作的顺序，提取notnull和isnull别搞错了就行
• 对Series进行切片，一定要指定特征后加个values再进行，不然会报错

#查看缺失值处理后的结果
train_data.info()

分析数据关系

分析数据之间的关系，也就是分析特征与特征之间的关系，下面我们依次分析

性别与是否生存的关系

• 利用groupy().count()将sex和survived的数据统计出来

train_data.groupby(['Sex','Survived'])['Survived'].count()

train_data[['Sex','Survived']].groupby(['Sex']).mean().plot.bar()

         Survived
Sex 
female    0.742038
male      0.188908

• 而train_data[['Sex','Survived']].groupby(['Survived']).mean()并不可以统计，原因是sex中的数据都是非数字（经验证，利用replace改成数字后就可以统计了）
  除此之外，似乎pandas中的筛选数据的操作只能针对数字型的数据，eg：a[a.Survived > 0]才可以，a.Survived=0和sex='male'都不可以

基于以上的图表，可以发现这里性别之中，女性的生存率更高，所以有相当大的关系

船舱等级和生存与否的关系

train_data.groupby(['Pclass','Survived'])['Pclass'].count()

train_data[['Pclass','Survived']].groupby(['Pclass']).mean().plot.bar()

• 这里的mean到底计算的是什么呢？
  • 其实前面的count是统计总的量，而这里的mean是要计算全部非NA量的平均值，也就是Survived属性中的所有值都加在一起，然后除以这个属性的值个数，即

train_data[['Sex','Pclass','Survived']].groupby(['Pclass','Sex']).mean().plot.bar()

train_data.groupby(['Sex','Pclass','Survived'])['Survived'].count()

由上面的图表可以看出，虽然每种船舱里都体现着女性优先，但最终，生存的情况和船舱等级有密不可分的联系

年龄与存活与否的关系

fig,axes = plt.subplots(1,2,figsize = (10,5))
sns.violinplot(x = 'Pclass' , y = 'Age' , hue = 'Survived' , data = train_data , split = True , ax = axes[0])
axes[0].set_title('Pclass and Age vs Survived')
axes[0].set_yticks(range(0,110,10))

sns.violinplot(x = 'Sex' , y = 'Age' , hue = 'Survived' , data = train_data , split = True , ax = axes[1])
axes[1].set_title('Sex and Age vs Survived')
axes[1].set_yticks(range(0,110,10))

plt.show()

• 在写这里时出了个问题，就是会显示matplotlib里没有subplots属性，这里是因为前面在导入包的时候，导入的是import matplotlib as plt，其实只要导入import matplotlib.pyplot as plt就可以了

# 我们先用直方图和箱线图看一下所有人的年龄分布
plt.figure(figsize=(10,5))
plt.subplot(121)
train_data['Age'].hist(bins = 70)
plt.xlabel('Age')
plt.ylabel('Num')

plt.subplot(122)
train_data.boxplot(column='Age',showfliers=False)
plt.show()

• plt.subplot(121)表示一行两列的图像，最后一个1表示显示第一个位置
  bins是直方图中的分类粒度大小，值越大越细
  showfliers表示是否显示异常值，而默认是显示的，所以这里showfliers = False是让箱线图不显示异常值

# 看一下不同年龄段的生存与否的分布情况
facet= sns.FacetGrid(train_data,hue = 'Survived',aspect=3)#aspect是关于图像大小的参数
facet.map(sns.kdeplot,'Age',shade=True)
facet.set(xlim=(0,train_data['Age'].max()))
facet.add_legend()

• FacetGrid对象用于生成plot的网格布局，当网格创建完毕后，可以使用FacetGrid的map方法来指定plot类型和需要绘制的属性
  • hue='Survived'是分类参数，也可以使用col='Survived'设定条件将数据分为多个子集，另外，aspect是设置图像大小的参数
  • sns.kdeplot是核密度曲线（Kernel Density Plot），其中shade=True是显示曲线的面积，可以方便观察

# 再观察一下不同年龄下的平均生存率
fig,axes1 = plt.subplots(1,1,figsize=(10,5))
train_data['Age_int'] = train_data['Age'].astype(int)#源数据里的Age是float64，现在转换为int32，并且作为一个新的特征加入源数据

#做一个数据的聚合，将平均值mean的数值作为Survived属性的新数据，然后将Age_int和Survived特征放到新的数据集average_age中
average_age = train_data[['Age_int','Survived']].groupby(['Age_int'],as_index = False).mean()
sns.barplot(x='Age_int',y='Survived',data=average_age)

• 上面是先转换数据，作为一个新特征加入源数据，然后筛选属性，做一个数据的聚合，将平均值mean的数值作为Survived属性的新数据，然后将Age_int和Survived特征放到新的数据集average_age中
  • 其中，as_index=False是保留原先的0~891的数字索引，而如果as_index=True（该参数默认为True）,列Age_int会被默认为索引列，新的dataframe中不再包含这列数据

# 观察年龄统计
train_data['Age'].describe()

• 样本有891，平均年龄约为30岁，标准差13.5岁，最小年龄为0.42，最大年龄80.
• 根据年龄统计，我们可以将乘客划分为儿童，青少年，成年和老年，并进一步分析四个群体的生还情况

bins = [0,12,18,65,100]
train_data['Age_group']= pd.cut(train_data['Age'],bins)
by_age = train_data.groupby('Age_group')['Survived'].mean()
by_age

• pd.cut是pandas自身的函数，其可以对连续型变量进行分类汇总
  • 其中，我们对（0,12）这样的区间段可以加上label
    eg：train_data['Age_group']= pd.cut(train_data['Age'],bins，label=['儿童','青少年','成年','老年'])

by_age.plot(kind = 'bar')

乘客姓名与存活与否的关系

train_data['Name'].head(5)

• 通过观察名字数据，我们可以看出其中包括对乘客的称呼，如：Mr、Miss、Mrs等，称呼信息包含了乘客的年龄、性别，同时也包含了如社会地位等的称呼，如：Dr,、Lady、Major、Master等的称呼

train_data['Title'] = test_data['Name'].str.extract(' ([A-Za-z]+)\.', expand=False)

pd.crosstab(train_data['Title'],train_data['Sex'])

• 这里是将姓名中的称呼用字符串str的str.extract()函数+正则表达式提取出来，然后利用交叉表crosstab将Title中的数据用sex特征进行统计
  • 注1：注意书写格式：要提取的部分正则表达式要用引号引起来。抽取多个数字或者字母的话要在后面加上'+'
  • 注2：加入之后的数据并不是数值格式的（属于字符串格式的），因此不能跟正常的数值一样进行运算，需要计算的时候要进行格式的转换
    • train_data['Title'].astype(float)转换为浮点型
    • train_data['Title'] = train_data['Title'].map(lambda x:float(x))也可以用map和匿名函数转换格式
  • 注3：.str的功能是可以使用切片器的，eg：train_data['Title'].str[:7]

train_data[['Title','Survived']].groupby(['Title']).mean().plot.bar()[图片上传中...(image.png-cfdce2-1552632604968-0)]

fig,axis1 = plt.subplots(1,1,figsize = (10,5))
train_data['Name_length'] = train_data['Name'].apply(len)
name_length = train_data[['Name_length','Survived']].groupby(['Name_length'],as_index=False).mean()
sns.barplot(x='Name_length',y='Survived',data=name_length)

• DataFrame.apply(func, axis=0, broadcast=False, raw=False, reduce=None, args=(), **kwds)
  • func是函数，相当于c里的函数指针，而这个函数需要自己去实现，因为函数的传入参数是根据axis来确定的，比如设置axis=1，则会把一行的数据作为Series的数据结构传入这个函数中，此时我们可以在这个函数中实现对Series的不同属性之间的数值计算，并返回一个结果，而apply函数则会自动遍历每一行的DataFrame的数据，最后将所有结果组合成一个Series数据结构返回;如果设置默认，即axis=1，则依然会一行一行的将数值参数传入函数中，比如x+9的简单函数，如果传入的数据中，一行有两个属性，则每个属性值都会+9，结果会返回一个所有数值都+9的DateFrame
  • 如果我们想给自己实现的函数传递参数，就可以用的apply函数的*args和**kwds参数，比如：func的传入参数是两个，而DataFrame只有一个数值，我们则可以用*args和**kwds参数传入func中

有无兄弟姐妹和存活与否的关系

# 我们先将数据分为有兄弟姐妹和没兄弟姐妹两组
sibsp_df = train_data[train_data['SibSp']!=0]
np_sibsp_df = train_data[train_data['SibSp']==0]

#再对两组数据进行可视化
plt.figure(figsize = (10,5))

plt.subplot(121)
sibsp_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct= '%1.1f%%')
plt.xlabel('sibsp')

plt.subplot(122)
sibsp_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct= '%1.1f%%')
plt.xlabel('no_sibsp')

plt.show()

有无父母子女和存活与否的关系

parch_df = train_data[train_data['Parch']!=0]
no_parch_df = train_data[train_data['Parch']==0]

plt.figure(figsize=(10,5))

plt.subplot(121)
parch_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct= '%1.1f%%')
plt.xlabel('parch')

plt.subplot(122)
no_parch_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct= '%1.1f%%')
plt.xlabel('no_parch')

plt.show()

亲友的人数和存活与否的关系 SibSp & Parch

# 先看一下有兄弟姐妹、有父母这两个属性与存活之间的数据统计
fig,ax=plt.subplots(1,2,figsize=(10,5))
train_data[['Parch','Survived']].groupby(['Parch']).mean().plot.bar(ax=ax[0])
ax[0].set_title('Parch and Survived')
train_data[['SibSp','Survived']].groupby(['SibSp']).mean().plot.bar(ax=ax[1])
ax[1].set_title('SibSp and Survived')

# 再看一下SibSp & Parch在一起后与存活之间的关系
train_data['Family_Size'] = train_data['Parch'] + train_data['SibSp'] + 1
train_data[['Family_Size','Survived']].groupby(['Family_Size']).mean().plot.bar()

• 从图表中可以看出，若独自一人，那么其存活率比较低；但是如果亲友太多的话，存活率也会很低

票价分布和存活与否的关系 Fare

fig,axes = plt.subplots(1,2,figsize = (10,5))

train_data['Fare'].hist(bins=70,ax = axes[0])
train_data.boxplot(column='Fare',by='Pclass',showfliers=False,ax = axes[1])

plt.show()

train_data['Fare'].describe()

#绘制生存与否与票价均值和方差的关系
fare_not_survived = train_data['Fare'][train_data['Survived']==0]
fare_survived = train_data['Fare'][train_data['Survived']==1]

average_fare= pd.DataFrame([fare_not_survived.mean(),fare_survived.mean()])
std_fare = pd.DataFrame([fare_not_survived.std(),fare_survived.std()])

average_fare.plot(yerr=std_fare,kind='bar',legend=False)

plt.show()

• 其中，参数yerr是y error的简称，可以画出y的偏差，所以我们在这里传入了yerr=std_fare

船舱类型和存活与否的关系 Cabin

• 由于船舱的缺失值确实太多，有效值仅仅有204个，很难分析出不同的船舱和存活的关系，所以在做特征工程的时候，可以直接将该组特征丢弃
• 当然，这里我们也可以对其进行一下分析，将缺失的数据都分为一类。
  进一步，我们可以简单地将数据分为是否有Cabin记录来作为一个新的特征，让其与生存与否进行分析

#加入一个新的特征‘Has_Cabin’
train_data.loc[train_data.Cabin.isnull(),'Cabin'] = 'U0'
train_data['Has_Cabin'] = train_data['Cabin'].apply(lambda x: 0 if x=='U0' else 1)

train_data[['Has_Cabin','Survived']].groupby(['Has_Cabin']).mean().plot.bar()

#接着对不同类型的船舱进行分析
train_data['CabinLetter'] = train_data['Cabin'].map(lambda x : 

train_data['CabinLetter'] = pd.factorize(train_data['CabinLetter'])[0]
train_data[['CabinLetter','Survived']].groupby(['CabinLetter']).mean().plot.bar()

可见，不同的船舱生存率也有不同，但是差别不大。所以在处理中，我们可以直接将特征删除

港口和存活与否的关系 Embarked

• 泰坦尼克号从英国的南安普顿港出发，途径法国瑟堡和爱尔兰昆士敦，那么在昆士敦之前上船的人，有可能在瑟堡或昆士敦下船，这些人将不会遇到海难

sns.countplot('Embarked',hue = 'Survived',data = train_data)
plt.title('Embarked and Survived')

sns.factorplot('Embarked','Survived',data=train_data,size=3,aspect=2)
plt.title('Embarked and survived rate')

• 由上可以看出，在不同的港口上船，生还率不同，C最高，Q次之，S最低
• 据了解，泰坦尼克号上共有2224名乘客。本训练数据只给出了891名乘客的信息，如果该数据集是从总共的2224人中随机选出的，根据中心极限定理，该样本的数据也足够大，那么我们的分析结果就具有代表性；但如果不是随机选取，那么我们的分析结果就可能不太靠谱了。

其他可能和存活与否有关系的特征

• 对于数据集中没有给出的特征信息，我们还可以联想其他可能会对模型产生影响的特征因素。如：乘客的国籍、乘客的身高、乘客的体重、乘客是否会游泳、乘客职业等等。
• 另外还有数据集中没有分析的几个特征：Ticket（船票号）、Cabin（船舱号）,这些因素的不同可能会影响乘客在船中的位置从而影响逃生的顺序。但是船舱号数据缺失，船票号类别大，难以分析规律，所以在后期模型融合的时候，将这些因素交由模型来决定其重要性

变量转换

• 变量转换的目的是将数据转换为适用于模型使用的数据，不同模型接受不同类型的数据，Scikit-learn要求数据都是数字型numeric，所以我们要将一些非数字型的原始数据转换为数字型numeric
• 所有的数据可以分为两类：
  1. 定量(Quantitative)变量可以以某种方式排序，Age就是一个很好的列子。
  2. 定性(Qualitative)变量描述了物体的某一（不能被数学表示的）方面，Embarked就是一个例子。

定性转换

Dummy Variables

• 定性变量的数据，例如性别、民族等，由于定性变量通常表示的是某种特征的有和无，所以量化方法可采用取值为0，1，2，3....等。这种变量称作虚拟变量（Dummy Variable），用D表示。它的作用是使定性数据能包括在统计模型中
• 当qualitative variable（定性变量）是一些频繁出现的几个独立变量时，Dummy Variables比较适合使用。我们以Embarked为例，Embarked只包含三个值’S’,‘C’,‘Q’，我们可以使用下面的代码将其转换为dummies

embark_dummies = pd.get_dummies(train_data['Embarked'])
train_data = train_data.join(embark_dummies)
train_data.drop(['Embarked'],axis=1,inplace=True)

• get_dummies是pandas里的一个函数，可以用来对定性变量进行one-hot编码
  然后将编码后的数据连接到源数据中,同时又删去了‘Embarked’特征

embark_dummies = train_data[['S','C','Q']]
embark_dummies.head()

Factorizing

• dummy不好处理Cabin（船舱号）这种标称属性，因为他出现的变量比较多。所以Pandas有一个方法叫做factorize()，它可以创建一些数字，来表示类别变量，对每一个类别映射一个ID，这种映射最后只生成一个特征，不像dummy那样生成多个特征
  • 疑问：这样的话会不会造成有序呢？就是会不会出现one-hot编码之前想去避免的情况呢

train_data['Cabin'][train_data.Cabin.isnull()] = 'U0'
train_data['CabinLetter'] = train_data['Cabin'].map(lambda x : 
train_data['CabinLetter'] = pd.factorize(train_data['CabinLetter'])[0]

train_data['CabinLetter'].head()

定量(Quantitative)转换

scaling缩放

• Scaling可以将一个很大范围的数值映射到一个很小的范围(通常是-1 - 1，或则是0 - 1)，很多情况下我们需要将数值做Scaling使其范围大小一样，否则大范围数值特征将会由更高的权重。比如：Age的范围可能只是0-100，而income的范围可能是0-10000000，在某些对数组大小敏感的模型中会影响其结果

#对Age进行缩放

from sklearn import preprocessing

assert np.size(train_data['Age']) == 891

scaler = preprocessing.StandardScaler()
train_data['Age_scaled'] = scaler.fit_transform(train_data['Age'].values.reshape(-1,1))

train_data['Age_scaled'].head()

Binning

• Binning通过观察“邻居”(即周围的值)将连续数据离散化。存储的值被分布到一些“桶”或“箱“”中，就像直方图的bin将数据划分成几块一样。下面的代码对Fare进行Binning

train_data['Fare_bin'] = pd.qcut(train_data['Fare'],5)
train_data['Fare_bin'].head()

• 在将数据Bining化后，要么将数据factorize化，要么dummies化

#factorize化
train_data['Fare_bin_id'] = pd.factorize(train_data['Fare_bin'])[0]

#dummies化
fare_bin_dummies_df = pd.get_dummies(train_data['Fare_bin']).rename(columns=lambda x: 'Fare_' + str(x))
train_data = pd.concat([train_data, fare_bin_dummies_df], axis=1)