1、目标确定
本次分析主要探寻泰坦尼克号上的生还率和各因素（客舱等级、年龄、性别、有无父母、客户花费等）的关系。
2、数据获取
Kaggle上titanic的数据集中的训练集train.csv
3、数据清洗
(1) 缺失值处理
数据清理上，我用的是python，对整个数据的描述性分析：
最开始的数据的描述
由图可知，有三个变量有缺失值，分别是Age，Cabin和Embarked。
Embarked是分类型变量，而且缺失值很少，所以可以用众数填充。
填充Embarked前的分类统计
通过python代码，对Embarked的数据进行统计，发现共有3个维度，所以有三个登陆港口C、Q和S，其中S最多，所以缺失值都填充为S。
填充Embarked代码
填充Embarked后的分类统计
Cabin表示的是所在的客舱，对于缺失值可能表示不在客舱内，所以，把缺失值都填充为C0，以表示不在客舱内。
填充Cabin代码
对于数值型变量Age，采用随机森林算法来预测缺失值。因为变量只能为数值型变量，所以，对于选取的模型数据包含'Age','Survived','Parch','SibSp','Pclass','Fare'等6个变量。先通过Age把缺失值和未缺失的数据分开，然后采用随机森林模型用未缺失的数据来预测缺失的数据。
随机森林填充Age代码
这时候，选取的模型数据里面就没有缺失值。然后循环几次随机森林，这次的数据模型发生了些变化，用没有缺失值的模型数据age_data来预测之前的缺失数据age_data_isnull，循环几次，把最后的结果赋值给总的数据data。
因为随机森林产生的数据是浮点型，而总数据是整数型的，所以赋值前需要转换一下格式。
循环随机森林填充Age代码
数据清理后，最后的数据信息如下：
处理后的数据的描述
测试集的缺失值处理方式一样。
(2) 数据整理
为了方便分析，需要对一些数据进行整理。
对于PassengerId、Name和Ticket，对于数据分析没有多大用处，所以首先删除。
删除不必要的变量代码
对于Age这个变量，首先进行描述性统计：
‘Age’的变量描述
最大值为80，最小值为0.42，跨度非常大，不能每个年龄都去统计，所以，需要把年龄分成4段，分别是小与12岁、12-18岁、18-65岁以及大于65岁，缩小成4个维度，方便统计。
‘Age’分段的代码
同理还有SibSp、Parch和Cabin，维度要多。
首先对SibSp进行描述分析：
‘SibSP’的变量描述
“0”代表没有兄弟姐妹，没有兄弟姐妹占大多数，所以，SibSp可以分成两个维度，有兄弟姐妹和无兄弟姐妹。
‘SibSp’分段的代码
同理，Parch分为两个维度，有父母兄弟和没有父母兄弟。
‘Parch’分段的代码
Cabin分为有客舱和无客舱两个维度。
‘Cabin’分段的代码
4、数据分析
本次数据总共有891 个样本量，生还者为342人，生还率为38%。
(1) Pclass分析
‘Pclass’人数及生还率分析
泰坦尼克号上总共有三个等级的船舱，等级越高，代表客户贡献的价值越高，越重视客户，如图，各个等级舱的人数分别是216、184和491，生还人数为136、87和119，生还率分别为63%、47%和24%，生还率依船舱的等级递减，充分体现了“富人先行”。
(2) Age分析
‘Age’人数及生还率分析
把年龄分成了4个维度，各个年龄段的人数分别为80、50、750和11人，生还人数分别为40、27、274和1人，生还率为50%、54%、37%和9%，年龄在12-17岁的生还率最高，其次是12岁以下的，在这场灾难中，大家把机会都让给了小孩和年轻人。
(3) Sex分析
‘Sex’人数及生还率分析
男生和女生人数分别为314和577，女性偏少，但是，女生生还233人，生还率为%74，男生生还109人，生还率为19%，充分体现了“女士优先”。
(4) SibSp分析
‘SibSp’人数及生还率分析
无兄弟姐妹的人数为608，有兄弟姐妹的是283，无兄弟姐妹的人数偏少，但是，无兄弟姐妹的生还率为47%，高于有兄弟姐妹的37%，说明有兄弟姐妹的人在离别时会更能引起别人的关注，更容易一起获救。
(5) Parch分析
‘Parch’人数及生还率分析
无父母子女与有父母子女的人数分别为678和213，无父母子女的人数占大多数，但是生还率却是有父母子女的人的生还率高，原因同上，有父母子女的更容易获得别人的同情与注意，同时也求生欲更强。
(6) Fare分析
平均票价分析
生还者的平均票价为48.4，未生还者的票价为22.12，生还者的远远高于未生还者的，和Pclass一样，体现了“富人悠闲”。
(7) Cabin分析
‘Cabin’人数及生还率分析
无客舱与有客舱的人数分别为687和204，无客舱的人占大多数，无客舱的生还人数为206，生还率为30%，有客舱的生还人数为136，生还率为67%，有客舱的生还率远远高于无客舱的，有无客舱与乘客的经济能力挂钩，所以，还是体现了“富人优先”。
(8) Embarked分析
‘Embarked’人数及生还率分析
登陆港口总共有3个，分别为C、Q和S港口，从图中可看出，S港口登陆的乘客最多，共646人，C港口其次，是168人，Q港口最少，77人，生还人数中S港口的生还人数最多，为219人，但生还率是最低的，为34%，生还率最高的是C港口，为55%，Q港口的生还人数是30，生还率是39%，可以看出，C港口上船的乘客生还率最高。
5 特征处理
最后，经过分析，选出了能影响生存率的几个特征，保留下‘Pclass‘，’Sex’，‘Age’，‘SibSp’，‘Parch’，‘Fare’，‘Cabin‘，’Embarked’几个变量。
对于Age这个变量，把女性设为1，男性设为0，同理，将每个变量的特征强的设为1，剩下的设为0，把值都变成布尔型的值，调用伯努力朴素贝叶斯，预测测试集的结果。
最后提交到kaggle中，评分为0.736。
分不高，主要是体验一次数据处理过程。
网友评论