泰坦尼克：变量处理

紫色

01、变量Name处理

1.1、处理内容

变量Name中包含的额信息较多，需要进行处理。
（1）提取Mr、Mrss、Mrs等反应身份的信息（都在第一个逗号和第一个点之间的位置）
（2）提取姓氏信息

变量Name

1.2、身份提取

使用gsub函数，根据正则表达式把目标内容提取出来，发现身份有点多
Capt Col Don Dona Dr Jonkheer Lady Major Master Miss Mlle Mme Mr Mrs Ms Rev Sir the Countess
所有做一下处理，把乱七八糟的身份都定义为Rare Title
最后根据Name变量得到的身份情况就是这样的了

性别	Master	Miss	Mr	Mrs	Rare Title
female	0	264	0	198	4
male	61	0	757	0	25

#-------------------------------------------------------------->2、变量Name处理
library(dplyr)
full  <- bind_rows(train, test)
#---------------------------------------------------------->2.1、身份提取
full$Title <- gsub('(.*, )|(\\..*)', '', full$Name)
table(full$Sex, full$Title)
#------------------------------------------------------>2.2、乱七八糟的身份处理掉
rare_title <- c('Dona', 'Lady', 'the Countess','Capt', 'Col', 'Don', 
                'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer')
full$Title[full$Title == 'Mlle'] <- 'Miss' 
full$Title[full$Title == 'Ms']<- 'Miss'
full$Title[full$Title == 'Mme']<- 'Mrs' 
full$Title[full$Title %in% rare_title]  <- 'Rare Title'
table(full$Sex, full$Title)
#------------------------------------------------------>2.3、姓氏提取
full$Surname <- sapply(full$Name,
                       function(x) strsplit(x, split = '[,.]')[[1]][1])

1.3、姓氏提取

（1）在原始数据集上再新增一列叫Surname的变量
（2）strsplit(x, split = '[,.]')：就是根据逗号点，把Name字段内容分割开
（3）目标对象就是每行的第一个内容

分割后

代码操作：

full$Surname <- sapply(full$Name, function(x) strsplit(x, split = '[,.]')[[1]][1])

1.4、小结

对于变量Name的操作，就是新建两列变量，分别为身份变量和姓氏变量

02、家庭信息处理

SibSp变量统计乘客是否有兄弟姐妹/配偶同船
Parch变量统计乘客是否有父母/子女同船
（1）创建一个新变量Fsize，统计船上乘客的家庭人员
（2）家庭成员和生存关系

家庭信息

0表示存活；1表示死亡
所以数据统计表明，还是单身活得久

生存关系

把家庭成员数量为1的设置为singleton
把家庭成员数量在2、3、4之间的设置为Small
把家庭成员数量大于4的设置为Large
中间很大一块蓝色就是单身汉的存活希望~~~

换种表达

#--------------------------------------->3、家庭探究
full$Fsize <- full$SibSp + full$Parch + 1
full$Family <- paste(full$Surname, full$Fsize, sep='_')
#SibSp： Number of siblings/spouses aboard有多少兄弟姐妹/配偶同船
#Parch：Number of parents/children aboard有多少父母/子女同船
library(ggplot2)
library(ggthemes)
ggplot(full[1:891,], aes(x = Fsize, fill = factor(Survived))) +
  geom_bar(stat='count', position='dodge') +
  scale_x_continuous(breaks=c(1:11)) +
  labs(x = 'Family Size') +
  theme_few()
full$FsizeD[full$Fsize == 1] <- 'singleton'
full$FsizeD[full$Fsize < 5 & full$Fsize > 1] <- 'small'
full$FsizeD[full$Fsize > 4] <- 'large'
mosaicplot(table(full$FsizeD, full$Survived), main='Family Size by Survival', shade=TRUE)

接下来看看cabin变量和embarked变量的情况

03、船舱cabin变量

（1）缺失值问题
（2）信息提取：A、B、C等级船舱

cabin

3.1、缺失值

cabin变量一看就很多缺失值，但是VIM处理结果显示cabin变量没有缺失值。
经检验，cabin空格的地方时有数值的，不是NA

full$Cabin[1]
[1] ""
full$Age[6]
[1] NA

cabin缺失值检验

3.2、船舱等级信息提取

（1）使用函数strsplit(x, NULL)把C85这样的船舱信息分割成C、8、5三个部分
（2）创建一个新变量desk，表示船舱等级信息

full$Deck<-factor(sapply(full$Cabin, function(x) strsplit(x, NULL)[[1]][1]))

04、港口embarked变量

4.1、基础信息

（1）embarked变量信息基本完整，除62行和830行数值为“ ”
（2）所以把这两条信息去掉，探究港口和票价之间的关系

embarked	C	Q	S
num	270	123	914

三类港口，C和S登船人较多，C港口的一等舱票价很高，最高的达500美元以上。

港口和票价

full[c(62, 830), 'Embarked']  #Port of embarkation
embark_fare <- full %>%filter(PassengerId != 62 & PassengerId != 830)
library(scales)
ggplot(embark_fare, aes(x = Embarked, y = Fare, fill = factor(Pclass))) +
  geom_boxplot() +
  geom_hline(aes(yintercept=80), 
             colour='red', linetype='dashed', lwd=2) +
  scale_y_continuous(labels=dollar_format()) +
  theme_few()

4.2、C港口票价分布

由于C港口票价比较高，所以单独看一下C港口各等级的票价分布
船舱等级、港口与票价

C港口票价分布

a<-ggplot(full[full$Pclass == '3' & full$Embarked == 'C', ], aes(x = Fare)) +
  geom_density(fill = '#99d6ff', alpha=0.4) + 
  geom_vline(aes(xintercept=median(Fare, na.rm=T)),
             colour='red', linetype='dashed', lwd=1) +
  ggtitle("C港口，第3等级乘客票价分布")+
  scale_x_continuous(labels=dollar_format()) +
  theme_few()
  
b<-ggplot(full[full$Pclass == '2' & full$Embarked == 'C', ], aes(x = Fare)) +
    geom_density(fill = '#99d6ff', alpha=0.4) + 
    geom_vline(aes(xintercept=median(Fare, na.rm=T)),
               colour='red', linetype='dashed', lwd=1) +
    ggtitle("C港口，第2等级乘客票价分布")+
  scale_x_continuous(labels=dollar_format()) +theme_few()
c<-ggplot(full[full$Pclass == '1' & full$Embarked == 'C', ], aes(x = Fare)) +
  geom_density(fill = '#99d6ff', alpha=0.4) + 
  geom_vline(aes(xintercept=median(Fare, na.rm=T)),
             colour='red', linetype='dashed', lwd=1) +
  ggtitle("C港口，第1等级乘客票价分布")+
  scale_x_continuous(labels=dollar_format()) +theme_few()
grid.newpage()  ##新建页面
pushViewport(viewport(layout = grid.layout(2,2))) ####将页面分成2*2矩阵
vplayout <- function(x,y){
  viewport(layout.pos.row = x, layout.pos.col = y)
}
print(c, vp = vplayout(1,1:2))   ###将（1,1)和(1,2)的位置画图c
print(b, vp = vplayout(2,1))   ###将(2,1)的位置画图b
print(a, vp = vplayout(2,2))  ###将（2,2)的位置画图a