原文链接：http://tecdat.cn/?p=6062
原文出处：拓端数据部落公众号
这场灾难以拯救“妇女和儿童第一”而闻名，所以让我们来看看性别和年龄变量。我们将从乘客的性别开始。将数据重新加载到R后，请查看此变量的摘要：
> summary(train$Sex)
female male
314 577
所以我们看到大多数乘客都是男性。对幸存的男性和女性进行比较：
> prop.table(table(train$Sex, train$Survived))
0 1
female 0.09090909 0.26150393
male 0.52525253 0.12233446
我们希望看到的是行比例，即存活的每个性别的比例。
> prop.table(table(train$Sex, train$Survived),1)
0 1
female 0.2579618 0.7420382
male 0.8110919 0.1889081
我们现在可以看到大多数女性幸存下来，并且男性的比例非常低。
> test$Survived <- 0
> test$Survived[test$Sex == 'female'] <- 1
在这里，我们添加“everyone dies”预测列，将零指定给整个列。然后我们改变其中女性乘客为1。
现在让我们写一个新的提交并发送给Kaggle
现在让我们研究年龄变量：
> summary(train$Age)
Min. 1st Qu. Median Mean 3rd Qu. Max. NA's
0.42 20.12 28.00 29.70 38.00 80.00 177
数据分析中缺少值，这可能会导致各种问题，而这些问题有时很难处理。目前我们可以假设177个缺失值是其余乘客的平均年龄。
现在我们有一个连续的变量，我们创建一个新的变量“Child”来表明乘客是否低于18岁：
> train$Child <- 0
> train$Child[train$Age < 18] <- 1
现在我们要创建一个包含性别和年龄的表，以查看不同子集的生存比例。首先让我们尝试找出不同子集的幸存者数量：
> aggregate(Survived ~ Child + Sex, data=train, FUN=sum)
Child Sex Survived
1 0 female 195
2 1 female 38
3 0 male 86
4 1 male 23
但我们不知道每个子集中的总人数; 让我们来看看：
> aggregate(Survived ~ Child + Sex, data=train, FUN=length)
Child Sex Survived
1 0 female 259
2 1 female 55
3 0 male 519
4 1 male 58
我们需要创建一个函数，它将子集向量作为输入，然后进行除法以给出一个比例。
> aggregate(Survived ~ Child + Sex, data=train, FUN=function(x) {sum(x)/length(x)})
Child Sex Survived
1 0 female 0.7528958
2 1 female 0.6909091
3 0 male 0.1657033
4 1 male 0.3965517
虽票价是一个连续变量，需要将其简化为可以轻松制表的内容。我们将票价收入不到10美元，10美元到20美元，20美元到30美元以及30美元以上，并将其存储到一个新变量中：
> train$Fare2 <- '30+'
> train$Fare2[train$Fare < 30 & train$Fare >= 20] <- '20-30'
> train$Fare2[train$Fare < 20 & train$Fare >= 10] <- '10-20'
> train$Fare2[train$Fare < 10] <- '<10'
现在让我们运行一个更长的聚合函数，看看这里有什么有趣的东西：
> aggregate(Survived ~ Fare2 + Pclass + Sex, data=train, FUN=function(x) {sum(x)/length(x)})
Fare2 Pclass Sex Survived
1 20-30 1 female 0.8333333
2 30+ 1 female 0.9772727
3 10-20 2 female 0.9142857
4 20-30 2 female 0.9000000
5 30+ 2 female 1.0000000
6 <10 3 female 0.5937500
7 10-20 3 female 0.5813953
8 20-30 3 female 0.3333333 **
9 30+ 3 female 0.1250000 **
10 <10 1 male 0.0000000
11 20-30 1 male 0.4000000
12 30+ 1 male 0.3837209
13 <10 2 male 0.0000000
14 10-20 2 male 0.1587302
15 20-30 2 male 0.1600000
16 30+ 2 male 0.2142857
17 <10 3 male 0.1115385
18 10-20 3 male 0.2368421
19 20-30 3 male 0.1250000
20 30+ 3 male 0.2400000
大部分男性和票价表现效果不好。
让我们根据新的见解做出新的预测。
> test$Survived <- 0
> test$Survived[test$Sex == 'female'] <- 1
> test$Survived[test$Sex == 'female' & test$Pclass == 3 & test$Fare >= 20] <- 0
好的，让我们创建输出文件，看看我们是否做得更好！
有问题欢迎下方留言！
最受欢迎的见解
1.数据类岗位需求的数据面
2.探析大数据期刊文章研究热点
3.机器学习助推快时尚精准销售预测
4.用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)的应用
5.数据聆听人民网留言板的那些“网事”
6.在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析
7.用数据解读体育决策：挖掘体育赛事新价值
8.把握出租车行驶的数据脉搏
9.智能门锁“剁手”数据攻略