一、提出问题：
1912年4月15日，号称“永不沉没”的泰坦尼克号巨轮，在首航期间，撞上冰山之后沉没。船上的2224名乘客和机组人员，只有772人存活了下来，生存率只有32%，让人唏嘘不已。
导致大量的没法存活的重要原因之一，就是没有足够的救生艇，在上船前，露丝就曾向船长提出救生艇不够的问题。虽然幸存下来有一些运气因素，但是，有一些人可能比其他人更有可能生存，比如妇女，儿童以及上层阶级。
所以，我们研究的问题是：什么样的人能够更容易在泰坦尼克号存活？
二、理解数据：
1.采集数据
数据来源于kaggle平台项目：点击下载Kaggle泰坦尼克号数据
2.导入数据
import os #查看工作路径，首先要导入os工作包。
os.getcwd() # 查看默认工作路径。
os.chdir("/Users//Desktop/KAGGLE/datas/") #修改工作路径为文件存放路径。
导入处理数据包
import numpy as np
import pandas as pd
导入数据
训练数据集
train = pd.read_csv("./train.csv")
测试数据集
test = pd.read_csv("./test.csv")
print ('训练数据集:',train.shape,'测试数据集:',test.shape)
合并数据集，方便同时对两个数据集进行清洗
full = train.append( test , ignore_index = True )
3.查看数据
查看数据
full.head()
查看每一列的数据类型，和数据总数
full.info()
根据上面打印的结果，我们发现数据总共有1309行。
其中数据类型列：年龄（Age）、船舱号（Cabin）里面有缺失数据：
年龄（Age）里面数据总数是1046条，缺失了1309-1046=263，缺失率263/1309=20%
船票价格（Fare）里面数据总数是1308条，缺失了1条数据
字符串列：
登船港口（Embarked）里面数据总数是1307，只缺失了2条数据，缺失比较少
船舱号（Cabin）里面数据总数是295，缺失了1309-295=1014，缺失率=1014/1309=77.5%，缺失比较大
这为我们下一步数据清洗指明了方向，只有知道哪些数据缺失数据，我们才能有针对性的处理。
三、数据清洗
1.缺失值处理
在前面，理解数据阶段，我们发现数据总共有1309行。
其中数据类型列：年龄（Age）、船舱号（Cabin）里面有缺失数据。
字符串列：登船港口（Embarked）、船舱号（Cabin）里面有缺失数据。
用均值填充年龄以及船票价格的缺失值：
#年龄(Age)缺失率为20%：
full['Age']=full['Age'].fillna( full['Age'].mean() )
#船票价格(Fare)缺失1条数据：
full['Fare'] = full['Fare'].fillna( full['Fare'].mean() )
#登船港口缺失2条数据，用众数填充：
full['Embarked'] = full['Embarked'].fillna( 'S’ )
#船舱号缺失值为77.5%，用U填充：
full['Cabin'] = full['Cabin'].fillna( 'U’ )
四、特征提取
1.数据分类：
数值类型：
乘客编号（PassengerId），年龄（Age），船票价格（Fare），同代直系亲属人数（SibSp），不同代直系亲属人数（Parch）
时间序列：无
分类数据：
1）有直接类别的
乘客性别（Sex）：男性male，女性female
登船港口（Embarked）：出发地点S=英国南安普顿Southampton，途径地点1：C=法国 瑟堡市Cherbourg，出发地点2：Q=爱尔兰 昆士敦Queenstown
客舱等级（Pclass）：1=1等舱，2=2等舱，3=3等舱
2）字符串类型：可能从这里面提取出特征来，也归到分类数据中
乘客姓名（Name）
客舱号（Cabin）
船票编号（Ticket）
2.分类数据处理：
2.1 乘客性别（Sex）
将性别的值映射为数值：
男（male）对应数值1，女（female）对应数值0
sex_mapDict={'male':1,
'female':0}
#map函数：对Series每个数据应用自定义的函数计算
full['Sex']=full['Sex'].map(sex_mapDict)
2.2 登船港口（Embarked）
#存放提取后的特征
embarkedDf = pd.DataFrame()
使用get_dummies进行one-hot编码，产生虚拟变量（dummy variables），列名前缀是Embarked
embarkedDf = pd.get_dummies( full['Embarked'] , prefix='Embarked' )
embarkedDf.head()
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full，并把登船港口(Embarked)删掉。
full = pd.concat([full,embarkedDf],axis=1)
full.drop('Embarked',axis=1,inplace=True)
2.3 客舱等级（Pclass）
客舱等级(Pclass):
1=1等舱，2=2等舱，3=3等舱
#存放提取后的特征
pclassDf = pd.DataFrame()
#使用get_dummies进行one-hot编码，列名前缀是Pclass
pclassDf = pd.get_dummies( full['Pclass'] , prefix='Pclass’ )
#删掉客舱等级（Pclass）这一列
full.drop('Pclass',axis=1,inplace=True)
字符串类型：
2.4 乘客姓名（Name）
定义函数：从姓名中获取头衔:
def getTitle(name):
str1=name.split( ',' )[1] #Mr. Owen Harris
str2=str1.split( '.' )[0]#Mr
#strip() 方法用于移除字符串头尾指定的字符（默认为空格）
str3=str2.strip()
return str3
#存放提取后的特征
titleDf = pd.DataFrame()
#map函数：对Series每个数据应用自定义的函数计算
titleDf['Title'] = full['Name'].map(getTitle)
titleDf.head()
定义以下几种头衔类别：
Officer政府官员
Royalty王室（皇室）
Mr已婚男士
Mrs已婚妇女
Miss年轻未婚女子
Master有技能的人/教师
#姓名中头衔字符串与定义头衔类别的映射关系
title_mapDict = {
"Capt": "Officer"; "Col": "Officer";
"Major": "Officer"; "Jonkheer": "Royalty",
"Don": "Royalty"; "Sir" : "Royalty",
"Dr": "Officer"; "Rev": "Officer",
"the Countess":"Royalty",
"Dona": "Royalty",; "Mme": "Mrs",
"Mlle": "Miss"; "Ms":"Mrs",
"Mr" : "Mr"; "Mrs" : "Mrs",
"Miss" :"Miss"; "Master" : "Master",
"Lady" : "Royalty"}
#map函数：对Series每个数据应用自定义的函数计算
titleDf['Title'] = titleDf['Title'].map(title_mapDict)
#使用get_dummies进行one-hot编码
titleDf = pd.get_dummies(titleDf['Title'])
titleDf.head()
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,titleDf],axis=1)
#删掉姓名这一列
full.drop('Name',axis=1,inplace=True)
2.5 客舱号（Cabin）
#存放客舱号信息
cabinDf = pd.DataFrame()
客场号的类别值是首字母，例如：
C85 类别映射为首字母C
full[ 'Cabin' ] = full[ 'Cabin' ].map( lambda c : c[0] )
##使用get_dummies进行one-hot编码，列名前缀是Cabin
cabinDf = pd.get_dummies( full['Cabin'] , prefix = 'Cabin’ )
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,cabinDf],axis=1)
#删掉客舱号这一列
full.drop('Cabin',axis=1,inplace=True)
2.6 家庭人数
#存放家庭信息
familyDf = pd.DataFrame()
家庭人数=同代直系亲属数（Parch）+不同代直系亲属数（SibSp）+乘客自己
（因为乘客自己也是家庭成员的一个，所以这里加1）
familyDf[ 'FamilySize' ] = full[ 'Parch' ] + full[ 'SibSp' ] + 1
家庭类别：
小家庭Family_Single：家庭人数=1
中等家庭Family_Small: 2<=家庭人数<=4
大家庭Family_Large: 家庭人数>=5
#if 条件为真的时候返回if前面内容，否则返回0
familyDf[ 'Family_Single' ] = familyDf[ 'FamilySize' ].map( lambda s : 1 if s == 1 else 0 )
familyDf[ 'Family_Small' ] = familyDf[ 'FamilySize' ].map( lambda s : 1 if 2 <= s <= 4 else 0 )
familyDf[ 'Family_Large' ] = familyDf[ 'FamilySize' ].map( lambda s : 1 if 5 <= s else 0 )
familyDf.head()
#添加one-hot编码产生的虚拟变量（dummy variables）到泰坦尼克号数据集full
full = pd.concat([full,familyDf],axis=1)
full.head()
五、特征选择
相关系数法：计算各个特征的相关系数
#相关性矩阵
corrDf = full.corr()
corrDf
查看各个特征与生成情况（Survived）的相关系数，
ascending=False表示按降序排列
corrDf['Survived'].sort_values(ascending =False)
我们发现头衔Mrs和生存情况有着很强的正线性相关，头衔Mr和生存情况有负线性相关性。有可能当时船上执行了，发生灾难时：妇女儿童优先。虽然灾难发生，很多人还是很好的遵守了这一人性的原则。
根据各个特征与生成情况（Survived）的相关系数大小，我们选择了这几个特征作为模型的输入：
头衔（前面所在的数据集titleDf）、客舱等级（pclassDf）、家庭大小（familyDf）、船票价格（Fare）、船舱号（cabinDf）、登船港口（embarkedDf）、性别（Sex）
#特征选择
full_X = pd.concat( [titleDf,#头衔
pclassDf,#客舱等级
familyDf,#家庭大小
full['Fare'],#船票价格
cabinDf,#船舱号
embarkedDf,#登船港口
full['Sex']#性别
] , axis=1 )
full_X.head()
六、模型构建
1.建立训练数据集和测试数据集
用训练数据和某个机器学习算法得到机器学习模型，用测试数据评估模型
#原始数据集：特征
source_X = full_X.loc[0:sourceRow-1,:]
#原始数据集：标签
source_y = full.loc[0:sourceRow-1,'Survived']
#预测数据集：特征
pred_X = full_X.loc[sourceRow:,:]
source_y
source_X
pred_X
from sklearn.model_selection import train_test_split
#建立模型用的训练数据集和测试数据集
train_X, test_X, train_y, test_y = train_test_split(source_X ,
source_y,
train_size=.80)
#交叉验证
#cross_validation.cross_val_score(LR, train_X , train_y, cv=10)
#输出数据集大小
print ('原始数据集特征：',source_X.shape,
'训练数据集特征：',train_X.shape ,
'测试数据集特征：',test_X.shape)
print ('原始数据集标签：',source_y.shape,
'训练数据集标签：',train_y.shape ,
'测试数据集标签：',test_y.shape)
2.模型训练评估
逻辑回归：
#第1步：导入算法
from sklearn.linear_model import LogisticRegression
#第2步：创建模型：逻辑回归（logisic regression）
model = LogisticRegression()
#第3步：训练模型
model.fit( train_X , train_y )
# 分类问题，score得到的是模型的准确率
model.score(test_X , test_y )
结果：0.83240223463687146
神经网络：
from sklearn.neural_network import MLPClassifier
mlp = MLPClassifier(hidden_layer_sizes=(30,20,20,20), max_iter=1000)
# 计算交叉验证的准确率
mlp.fit(train_X,train_y)
mlp.score(test_X , test_y)
结果：0.83798882681564246
KNN：
from sklearn import neighbors
knn = neighbors.KNeighborsClassifier(n_neighbors=8)
scores = cross_validation.cross_val_score(knn, train_X , train_y, cv=5)
print(scores.mean())
结果：0.762612035851
决策树：
from sklearn import tree
dtree = tree.DecisionTreeClassifier(max_depth=3, min_samples_split=4)
scores = cross_validation.cross_val_score(dtree, train_X , train_y, cv=3)
print(scores.mean())
结果：0.815921283768
随机森林：
from sklearn.ensemble import RandomForestClassifier
RF = RandomForestClassifier(n_estimators=100, min_samples_split=4)
scores = cross_validation.cross_val_score(RF, train_X , train_y, cv=3)
print(scores.mean())
结果：0.81598062954
Bagging：
from sklearn.ensemble import BaggingClassifier
bagging_clf = BaggingClassifier(RF,n_estimators=20)
scores = cross_validation.cross_val_score(bagging_clf,train_X , train_y, cv=3)
print(scores.mean())
结果：0.831410530314
Adaboost：
from sklearn.ensemble import AdaBoostClassifier
adaboost = AdaBoostClassifier(bagging_clf, n_estimators=10)
scores = cross_validation.cross_val_score(adaboost, train_X , train_y, cv=3)
print(scores.mean())
结果：0.827196980487
Stacking：
from sklearn.ensemble import VotingClassifier
sclf = VotingClassifier([('LR',LR),('mlp',mlp),('bagging_clf',bagging_clf),('knn',knn),('dtree',dtree)])
scores = cross_validation.cross_val_score(sclf, train_X , train_y, cv=15)
print(scores.mean())
结果：0.829916895836
结果可以看出：神经网络预测结果最好。
七、方案实施
1.结果上传
使用预测数据集到底预测结果，并保存到csv文件中，上传到Kaggle中，就可以看到排名。
#使用机器学习模型，对预测数据集中的生存情况进行预测
pred_Y = model.predict(pred_X)
'''
生成的预测值是浮点数（0.0,1,0）
但是Kaggle要求提交的结果是整型（0,1）
所以要对数据类型进行转换
'''
pred_Y=pred_Y.astype(int)
#乘客id
passenger_id = full.loc[sourceRow:,'PassengerId']
#数据框：乘客id，预测生存情况的值
predDf = pd.DataFrame(
{ 'PassengerId': passenger_id ,
'Survived': pred_Y } )
predDf.shape
predDf.head()
#保存结果
predDf.to_csv( 'titanic_pred.csv' , index = False )
2.结论
2.1 从性别来看：女性比男性（负线性相关）更容易存活，可能是在灾难来临的时候，整个群体遵循了“女人小孩先走的”的人性原则。
2.2 从仓位来看：高等级的仓位，生存率更高，可能是因为高等级的仓位处于上层甲板，逃生比低级仓位更容易
2.3 从头衔可以看出社会等级的差异，不同的社会等级往往生存率也有所不同。
网友评论