Kaggle 泰坦尼克号生存分析(数据概览和缺失值处理部分）

Kaggle 泰坦尼克号生存分析

数据概览

#导入pandas库方便数据读取和预处理，导入os库方便修改工作路径
import os
import pandas as pd
           

#读取数据
os.chdir("F:/titianic_data")
train = pd.read_csv("raw/train.csv")
test = pd.read_csv("raw/test.csv")
           

train.shape
           

(891, 12)
           

PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
1	3	Braund, Mr. Owen Harris	male	22.0	1	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	STON/O2. 3101282	7.9250	NaN	S

#查看有无缺失值
train.isnull().sum()
           

PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2
dtype: int64
           

#查看数据维度和类型
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
           

#描述性统计分析
train.describe()
           

PassengerId	Survived	Pclass	Age	SibSp	Parch	Fare
count	891.000000	891.000000	891.000000	714.000000	891.000000	891.000000	891.000000
mean	446.000000	0.383838	2.308642	29.699118	0.523008	0.381594	32.204208
std	257.353842	0.486592	0.836071	14.526497	1.102743	0.806057	49.693429
min	1.000000	0.000000	1.000000	0.420000	0.000000	0.000000	0.000000
25%	223.500000	0.000000	2.000000	20.125000	0.000000	0.000000	7.910400
50%	446.000000	0.000000	3.000000	28.000000	0.000000	0.000000	14.454200
75%	668.500000	1.000000	3.000000	38.000000	1.000000	0.000000	31.000000
max	891.000000	1.000000	3.000000	80.000000	8.000000	6.000000	512.329200

#查看字段的特征数量
train.nunique()
           

PassengerId    891
Survived         2
Pclass           3
Name           891
Sex              2
Age             88
SibSp            7
Parch            7
Ticket         681
Fare           248
Cabin          147
Embarked         3
dtype: int64
           

特征类型较少的,可视化分析

（1）定类数据：Embarked,Parch,Pclass,Sex,SibSp

（2）连续型数据：Age,Fare

特征类型较多的，后续处理再进行分析

（1）Name,Ticket,Cabin.

#合并train.csv以及test.csv进行下一步的数据缺失值处理
alldata = pd.concat([train,test],axis=0)
           

缺失值处理

缺失值的处理方式有多种：

1.用某些集中趋势度量（均值、众数）进行填充

2.用统计模型来预测缺失值，例如决策树、随机森林RF、回归模型

3.删除缺失值

4.保留缺失值

第一个字段：Embarked

#Embarked字段

#观察数据的总体情况
print(train['Embarked'].value_counts())#训练集

print(test['Embarked'].value_counts())#测试集
           

S    644
C    168
Q     77
Name: Embarked, dtype: int64
S    270
C    102
Q     46
Name: Embarked, dtype: int64
           

对于Embarked类别型的特征字段，采用频率最高的特征值进行填充

# 忽略警告提示
import warnings
warnings.filterwarnings('ignore')
           

alldata.Embarked[alldata.Embarked.isnull()] = alldata.Embarked.dropna().mode().values
#还有三种表达方式
#alldata['Embarked'].fillna('S',inplace=True)
#alldata.loc[alldata.Embarked.isnull(),'Embarked']='S'
#alldata['Embarked'] = alldata['Embarked'].fillna(alldata['Embarked'].mode()[0])#通常默认使用第一个众数值
           

第二个字段：Cabin

Cabin缺失比较严重，在train数据集中，891个观测值有687条观测值缺失，缺失比例达到 77%

处理这类数据方法之一是用一种特殊的字符来填充缺失值：把缺失值当成一类去对待，认为缺失本身是一种信息，应该保持它的独立性。

但这种方法比较适合类别变量，若要对连续变量使用该方法，需要首先对连续变量离散化，变成和类别变量一样的形式。

客舱位缺失可能代表这些人没有舱位，不妨使用’NO’来填充

alldata['Cabin'] = alldata['Cabin'].fillna('NO')
#其他表达方式
#alldata.loc[alldata.Cabin.isnull(),'Cabin'] = 'NO'
#alldata['Cabin'][alldata.Cabin.isnull()] = 'NO'
           

第三个字段：Age

Age这个变量看上去比较重要，下面介绍几种填充方式

（1）采用与头衔相对应的年龄中位数进行填补

#不同方法得到结果有所不同，将数据拷贝一份，以防混淆不同方式得到的结果
title_alldata = alldata.copy()
           

train数据集中，891个观测值，姓名字段有891个不同的结果，直接拿来使用，没太大意义，但是值得注意的是姓名中有头衔存在，头衔又是身份地位的象征

有可能身份地位越高，越容易存活

import re
           

#提取头衔
title_alldata['title'] = title_alldata.Name.apply(lambda x:re.search('\w+\.',x).group()).str.replace('.','')
#查看一共有多少种不同的结果
title_alldata.title.unique()
           

array(['Mr', 'Mrs', 'Miss', 'Master', 'Don', 'Rev', 'Dr', 'Mme', 'Ms',
       'Major', 'Lady', 'Sir', 'Mlle', 'Col', 'Capt', 'Countess',
       'Jonkheer', 'Dona'], dtype=object)
           

头衔的解读：

Mr:既可以用于已婚男性，也可以用于未婚男性

Mrs:已婚女士

Miss:称呼未婚女士，有时也用于自己不了解的年龄较大的妇女

Master:男童或男婴

Don:大学老师

Rev:牧师

Dr:医生或者博士

Mme:女士

Ms:既可以用于已婚女士也可以用于未婚女士

Major:陆军少校

Lady:公侯伯爵的女儿

Sir:上级长官

Mile:小姐

Col:上校（常用于陆空军）

Capt:船长

Countess:伯爵夫人

Jonkheer:乡绅

头衔太多，最终决定再次分类，查看每个头衔与性别对应的人数

title_sex = pd.crosstab(title_alldata.title,title_alldata.Sex)
title_sex.T
           

title	Capt	Col	Countess	Don	Dona	Dr	Jonkheer	Lady	Major	Master	Miss	Mlle	Mme	Mr	Mrs	Ms	Rev	Sir
Sex
female	1	1	1	1	260	2	1	197	2
male	1	4	1	7	1	2	61	757	8	1

决定将少数部分归为’Rare’（中文翻译：稀少的）

‘Mlle’、'Ms’用’Miss’代替

将’Mme’用’Mrs’代替

title_alldata['title'] = title_alldata['title'].replace(['Capt','Col','Countess','Don','Dr','Jonkheer','Lady','Major','Rev','Sir'],'Rare')
title_alldata['title'] = title_alldata['title'].replace(['Mlle','Ms'],'Miss')
title_alldata['title'] = title_alldata['title'].replace('Mme','Mrs')
#查看再次分类后，还有多少种不同的结果
title_alldata.title.unique()
           

array(['Mr', 'Mrs', 'Miss', 'Master', 'Rare', 'Dona'], dtype=object)
           

查看头衔与幸存的结果

import matplotlib.pyplot as plt
           

#绘制柱状图
title_survived = pd.crosstab(title_alldata['title'],title_alldata['Survived'])
title_survived.plot(kind='bar')
plt.xticks(np.arange(len(title_survived.index)),title_alldata.index,rotation = 360)
plt.title('Survived Status By Title')
           

Text(0.5,1,'Survived Status By Title')
           

幸存机会大对应的头衔：

Master,Miss,Mrs

幸存机会小对应的头衔：

Mr,Rare

train数据集中Age缺失值有177个，缺失比例约为20%，缺失数据也不少，而且Age在本次分析中比较重要（副船长当时坚持“小孩和女士先走”），因此缺失值不能删除也不能保留缺失值

方式之一：采用与头衔相对应的年龄中位数进行填补

#求出每个头衔对应的年龄中位数
age_title_median = title_alldata.groupby('title')['Age'].median()
#在当前表设置title为索引
title_alldata.set_index('title',inplace=True)
#在当前表填充缺失值
title_alldata.Age.fillna(age_title_median,inplace=True)
#重置索引
title_alldata.reset_index(inplace=True)
           

（2）采用均值进行填补

263
           

参考资料

http://url.cn/52f3eDc

http://www.cnblogs.com/star-zhao/p/9801196.html

https://mp.weixin.qq.com/s/lKEma5gAYvNw4lvEMu621g

https://www.kaggle.com/c/titanic/data

《Python机器学习及实战_从零开始通往KAGGLE之路》

如有违反或冒犯，请联系作者删除，QQ：2168849535。