kaggle-泰坦尼克号Titanic-1

大家都熟悉的『Jack and Rose』的故事，豪华游艇倒了，大家都惊恐逃生，可是救生艇的数量有限，无法人人都有，副船长发话了『lady and kid first！』，所以是否获救其实并非随机，而是基于一些背景有rank先后的。

训练和测试数据是一些乘客的个人信息以及存活状况，要尝试根据它生成合适的模型并预测其他人的存活状况。

对，这是一个二分类问题，很多分类算法都可以解决。

看看数据长啥样

 import pandas as pd
 import numpy as np
 from pandas import Series,DataFrame

 data_train = pd.read_csv("Train.csv")
 print(data_train.columns)

结果

Index([u'PassengerId', u'Survived', u'Pclass', u'Name', u'Sex', u'Age',u'SibSp', u'Parch', u'Ticket', u'Fare', u'Cabin', u'Embarked'],
      dtype='object')

我们看大概有以下这些字段

PassengerId => 乘客ID

Pclass => 乘客等级(1/2/3等舱位)

Name => 乘客姓名

Sex => 性别

Age => 年龄

SibSp => 堂兄弟/妹个数

Parch => 父母与小孩个数

Ticket => 船票信息

Fare => 票价

Cabin => 客舱

Embarked => 登船港口

看一下数据的详细信息

print(data_train.info())

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
PassengerId 891 non-null int64
Survived 891 non-null int64
Pclass 891 non-null int64
Name 891 non-null object
Sex 891 non-null object
Age 714 non-null float64
SibSp 891 non-null int64
Parch 891 non-null int64
Ticket 891 non-null object
Fare 891 non-null float64
Cabin 204 non-null object
Embarked 889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.6+ KB

上面的数据说啥了？它告诉我们，训练数据中总共有891名乘客，但是很不幸，我们有些属性的数据不全，比如说：

• Age（年龄）属性只有714名乘客有记录
• Cabin（客舱）更是只有204名乘客是已知的

似乎信息略少啊，想再瞄一眼具体数据数值情况呢？恩，我们用下列的方法，得到数值型数据的一些分布(因为有些属性，比如姓名，是文本型；而另外一些属性，比如登船港口，是类目型。这些我们用下面的函数是看不到的)

下面再看看每个/多个 属性和最后的Survived之间有着什么样的关系

 # -*- coding:utf-8 -*-
 import pandas as pd
 import numpy as np
 from pandas import Series,DataFrame
 import matplotlib.pyplot as plt
 from matplotlib.font_manager import FontManager, FontProperties
 def getChineseFont():
     return FontProperties(fname='/System/Library/Fonts/PingFang.ttc')

 data_train = pd.read_csv("train.csv")
 #print(data_train.info())
 #print(data_train.describe())

 fig = plt.figure()
 fig.set(alpha=0.2)#设定图表颜色alpha参数

 plt.subplot2grid((2,3),(0,0)) #在一张大图里分列几个小图
 data_train.Survived.value_counts().plot(kind='bar') #存活和不存活的条形图
 plt.title(u"获救情况(1为获救)",fontproperties=getChineseFont())
 plt.ylabel(u"人数",fontproperties=getChineseFont())

 plt.subplot2grid((2,3),(0,1))
 data_train.Pclass.value_counts().plot(kind='bar')
 plt.title(u"乘客等级分布",fontproperties=getChineseFont())
 plt.ylabel(u"人数",fontproperties=getChineseFont())

 plt.subplot2grid((2,3),(0,2))
 plt.scatter(data_train.Survived,data_train.Age)
 plt.title(u"按年龄看获救分布（1为获救）",fontproperties=getChineseFont())
 plt.ylabel(u"年龄",fontproperties=getChineseFont())
 plt.grid(b=True,which='major',axis='y') #格式化图表的网格线样式

 plt.subplot2grid((2,3),(1,0),colspan=2)
 data_train.Age[data_train.Pclass == 1].plot(kind='kde')
 data_train.Age[data_train.Pclass == 2].plot(kind='kde')
 data_train.Age[data_train.Pclass == 3].plot(kind='kde')
 plt.title(u"各等级乘客年龄分布",fontproperties=getChineseFont())
 plt.xlabel(u"年龄",fontproperties=getChineseFont())
 plt.ylabel(u"密度",fontproperties=getChineseFont())
 plt.legend(("level1","level2","level3"),loc='best')

 plt.subplot2grid((2,3),(1,2))
 data_train.Embarked.value_counts().plot(kind='bar')
 plt.title(u"各登船口岸上船人数",fontproperties=getChineseFont())
 plt.ylabel(u"人数",fontproperties=getChineseFont())

 plt.show()

得到了像下面这样一张图：

在图上可以看出来:

• 被救的人300多点，不到半数；
• 3等舱乘客灰常多；遇难和获救的人年龄似乎跨度都很广；
• 3个不同的舱年龄总体趋势似乎也一致，2、3等舱乘客20岁多点的人最多，1等舱40岁左右的最多(→_→似乎符合财富和年龄的分配哈)；
• 登船港口人数按照S、C、Q递减，而且S远多于另外俩港口。

这个时候我们可能会有一些想法了：

1. 不同舱位/乘客等级可能和财富/地位有关系，最后获救概率可能会不一样
2. 年龄对获救概率也一定是有影响的，毕竟前面说了，副船长还说『小孩和女士先走』呢
3. 和登船港口是不是有关系呢？也许登船港口不同，人的出身地位不同？

下面我们再来统计统计，看看这些属性值的统计分布吧。

 #看看各乘客等级的获救情况
 fig = plt.figure()
 fig.set(alpha=0.2)

 Survived_0 = data_train.Pclass[data_train.Survived == 0].value_counts()
 Survived_1 = data_train.Pclass[data_train.Survived == 1].value_counts()
 df = pd.DataFrame({'survived':Survived_1,'unsurvived':Survived_0})
 df.plot(kind='bar',stacked=True)
 plt.title(u"各乘客等级的获救情况",fontproperties=getChineseFont())
 plt.xlabel(u"乘客等级",fontproperties=getChineseFont())
 plt.ylabel(u"人数",fontproperties=getChineseFont())

 plt.show()

显然等级为1 的乘客获救概率更高，这一定是影响最后获救的一个特征。

 #看看各登录港口的获救情况
 fig = plt.figure()
 fig.set(alpha=0.2)  # 设定图表颜色alpha参数

 Survived_0 = data_train.Embarked[data_train.Survived == 0].value_counts()
 Survived_1 = data_train.Embarked[data_train.Survived == 1].value_counts()
 df=pd.DataFrame({'survived':Survived_1, 'unsurvived':Survived_0})
 df.plot(kind='bar', stacked=True)
 plt.title(u"各登录港口乘客的获救情况",fontproperties=getChineseFont())
 plt.xlabel(u"登录港口",fontproperties=getChineseFont())
 plt.ylabel(u"人数",fontproperties=getChineseFont())

 plt.show()

 #看看各性别的获救情况
 fig = plt.figure()
 fig.set(alpha=0.2)  # 设定图表颜色alpha参数

 Survived_m = data_train.Survived[data_train.Sex == 'male'].value_counts()
 Survived_f = data_train.Survived[data_train.Sex == 'female'].value_counts()
 df=pd.DataFrame({'male':Survived_m, 'female':Survived_f})
 df.plot(kind='bar', stacked=True)
 plt.title(u"按性别看获救情况",fontproperties=getChineseFont())
 plt.xlabel(u"性别",fontproperties=getChineseFont())
 plt.ylabel(u"人数",fontproperties=getChineseFont())
 plt.show()

歪果盆友果然很尊重lady，lady first践行得不错。性别无疑也要作为重要特征加入最后的模型之中