• 🌸博主主頁：@釉色清風
• 🌸文章專欄：機器學習實戰
• 🌸今日語錄：不要一直責怪過去的自己，她曾經站在霧里也很迷茫。

🌼實戰項目簡介

本次項目是kaggle上的一個入門比賽 ：Titanic——Machine Learning from Disaster(泰坦尼克號——災難中的機器學習)，比賽選擇了泰坦尼克號作為背景，并提供了樣本數據以及測試數據，要求我們使用機器學習創建一個模型，預測哪些乘客在泰坦尼克號沉船中幸存下來。

🌼數據文件說明

🌻泰坦尼克號項目頁面：Titanic——Machine Learning from Disaster

🌻可下載的Data頁面：

可下載包括三個文件：

• train.csv：訓練數據
• test.csv：測試數據
• gender_submission.csv ：提交結果案例

🌻數據變量說明

下載好文件，可知，每個乘客有12個屬性。

• Passengerld ：乘客唯一識別ID
• Survived：是否存活，0為否，1為是
• Pclass ：客艙等級，分為1、2、3等級，與英國的階級分層有關
• Name：姓名
• Sex：性別
• Age：年齡
• SibSp：泰坦尼克號上的兄弟姐妹/配偶數量(與該乘客一起旅行的)
• Parch：泰坦尼克號上的父母/孩子數量(與該乘客一起旅行的)
• Ticket：船票號
• Fare：船票價格
• Cabin：客艙編號
• Embarked：上船的港口編號(S=Southampton,英國南安普頓[啟航點]；C=Cherbourg,法國瑟堡市[途徑點]；Q=Quenstown,愛爾蘭昆市[途徑點])

🌼數據預處理

數據的質量直接決定模型預測的結果。所以，在進行訓練模型之前，我們必須要進行數據清洗。
接下來我們使用Jupyter Notebook來進行接下來的數據描述和預處理。

🌻讀入數據

首先，我們導入pandas庫，它是python中進行數據分析和處理的一個庫。然后我們讀入我們的訓練數據集。

🌾導入數據

🌾打印數據的前幾行

默認是打印前五行，如下：

🌻做簡單的統計分析

統計特性如下：

統計有

• count: 這一列的數量(只要不是缺失值就被統計)
• mean:平均值
• std : 方差
• min：最小值
• 25%：下四分位數
• 50%：中位數
• 75%：上四分位數
• max: 最大值

通過大致的瀏覽，我們可以看到，Age列含有缺失值。

🌻對[Age]列缺失值進行填充

一般對于缺失值的填充用到均值、中位數等。在這里，我們采用均值對Age列的缺失值進行填充。在填充缺失值這里我們用到了fillna函數。

🌾fillna函數

• fillna是一個用于填充缺失值的函數，它是pandas庫中的一個方法。
• fillna函數的基本語法如下：
• DataFrame.fillna(value=None, method=None, axis=None, inplace=False, limit=None, downcast=None)
  

🌾對[Age]列的缺失值采用均值填充法填充

填充完之后，我們再次describe。

如下圖：

🌻將字符型轉化為數值型數據

我們知道，計算機是可以處理數字的，但是無法處理字符。為了方便統計，我們將性別[Sex]和上船港口編號[Embarked]這兩列列進行處理。

🌾對[Age]列進行替換

我們在這里用到DataFrame的loc屬性：

• 在Python中，loc是一個用于數據框(DataFrame)的屬性，它用于選擇滿足特定條件的行。loc可以通過標簽或布爾數組來選擇行。
• 常見的用法有：
  1. 使用標簽選擇行：
     df.loc[label]
     2.使用布爾數組選擇行：
     df.loc[bool_array]
     3.使用標簽和列選擇行和列：
     df.loc[start_label:end_label, start_column:end_column]

這里我們則采用3進行替換：

🌾對[Embarked]列進行替換

替換：

然后我們進行統計新描述，發現中的數量889，存在從缺失值。

這時，我們對三個登船地點進行統計計數。發現0是最多的，即在S處登船的人最多。

所以對于缺失值，我們將用0進行填充。