机器学习入门实战---预测泰坦尼克号上的生存者并熟悉机器学习的基础知识

摘要：背景知识泰坦尼克号年月从英国南安普顿出发，途径法国，爱尔兰在美国大西洋碰触冰山沉没，一部分人幸免于难，一部分人没有生存，这个案例中就是要通过机器学习的算法来预测一下中人的生存状况。

泰坦尼克号1912年4月从英国南安普顿出发，途径法国，爱尔兰在美国大西洋碰触冰山沉没，一部分人幸免于难，一部分人没有生存，这个案例中就是要通过机器学习的算法来预测一下test.csv中418人的生存状况。案例详细内容可以访问网站：https://www.kaggle.com/c/titanic。通过这个案例你可以大致掌握一个机器学习的基本步骤，本文最后附上案例的源码。

首先我们从kaggle上下载了泰坦尼克号案例的train.csv和test.csv两个数据，这里我为大家已经下好，大家可以在百度网盘里下载，地址：链接：https://pan.baidu.com/s/1RV-U... 密码：zlkj。

首先导入数据，可以看到训练数据集train.csv中有891行，12列数据，而测试数据集中有418行，11列数据；缺少的这一列数据正是我们要预测的生存状况数据。

import numpy as np
import pandas as pd
#导入训练集
train = pd.read_csv("train.csv")
#导入测试集
test = pd.read_csv("test.csv")
#查看测试数据集合训练数据集的形状
# print("训练数据集：",train.shape)
# print("测试数据集：",test.shape)
full = train.append(test,ignore_index=True)
# print("合并后的数据集：",full.shape)
# print(full.head(10))

通过实验结果我们可以知道，每一名乘客都对应着一个12维数据，其含义是：

   1.Age：乘客年龄      
   2.Cabin：乘客船舱座位号
   3.Embarked：乘客登船的港口，有三个可选值：S：南安普顿，C：法国瑟堡 Q：爱尔兰昆士敦
   4.Fare：船票费用
   5.Name：乘客姓名
   6.parch：乘客的父母与子女数量
   7.PassengerId：乘客ID
   8.Pclass：乘客所在的船舱等级，1;一等，2;二等；3：三等
   9.sex：乘客性别
   10.SibSp：乘客的兄弟姐妹以及配偶数量
   11.Survived：乘客是否存活标志;1:活着的  0：死亡
   12.Ticket：票的编号

总数据有1309行，Age、Cabin、Embarked、Fare这四列数据中有缺失的情况，接下来的第三步就是要清洗数据，填补缺失值。

首先处理一下缺失的数据，如果缺失的数据是数字类型的，可以用平均数代替，如果是字符串类型的，可以用出现最多的数（众数）来替代。

# 填充年龄缺失值
full.Age = full.Age.fillna(full.Age.mean())
# 填充船票价格缺失值
full.Fare = full.Fare.fillna(full.Fare.mean())
# #填充登船的港口，因为最多的为s，故将所有的缺失值填充为S
full.Embarked = full.Embarked.fillna("S")
# 由于船票号这一栏缺失值过多，故将其填充为U
full.Cabin = full.Cabin.fillna("U")

在做好这一步之后，数据还需要对一些列的字符串数据类型进行编码，比如Sex性别的分类数据，需要进行one-hot编码，方便机器学习识别。这里需要对性别、港口和姓名、船舱等级这些分类数据，进行重新编码。应用map函数可以对一列数据做同一个操作：

sexDict = {"male":1,"female":0}
sex = full.Sex.map(sexDict)
print(sex.head())

登船的港口有三个，分别是英国南安普顿、法国瑟堡、爱尔兰昆士敦，分别用首字母S、C、Q表示。

embarked = pd.DataFrame()
embarked = pd.get_dummies(full.Embarked,prefix="Embarked")
print(embarked.head())
#对船舱等级采取同样的方法
pclass = pd.DataFrame()
pclass = pd.get_dummies(full.Pclass,prefix="Pclass")
print(pclass.head())
 

接下来我们看一下名字这一列的数据字符串格式：名，头衔，姓，我们需要从名字里面获取头衔来判定是否对生存情况的影响。通过定义一个函数：
第一步获取name1剔除名字中逗号前面的名，
第二步剔除名字中冒号后面的姓，
第三步用strip函数剔除字符串头尾指定的字符（默认为空格）然后返回中间的头衔。
第四步应用函数，用一个表格型数据Df存放提取后的头衔，
第五步讲姓名中的头衔字符串与定义头衔类别的映射关系，再把头衔进行one-hot编码，

def title1(name):
    name1 = name.split(",")[1]
    name2 = name1.split(".")[0]
    #使用strip函数提出姓名列的头尾，获得头衔
    name3 = name2.strip()
    return name3
titleDf = pd.DataFrame()
titleDf["Title"] = full.Name.map(title1)
titleDict = {
    "Capt":"officer",
    "Col":"officer",
    "Major":"officer",
    "Dr":"officer",
    "Rev":"officer",
    "Jonkheer":"Royalty",
    "Don":"Royalty",
    "Sir":"Royalty",
    "the Countess":"Royalty",
    "Dona":"Royalty",
    "Lady":"Royalty",
    "Mlle":"Miss",
    "Miss":"Miss",
    "Mr":"Mr",
    "Mme":"Mrs",
    "Ms":"Mrs",
    "Mrs":"Mrs",
    "Master":"Master"
}
titleDf["Title"] = titleDf["Title"].map(titleDict)
titleDf = pd.get_dummies(titleDf["Title"])
print(titleDf.head())

接着从座位号提取坐席类别，用seat存放客舱号的信息坐席类别就是座位号的首字母，比如C85，类别映射为首字母C，用U代表不知道的数据。使用lambda匿名函数提取Cabin中的首字母：

seat = pd.DataFrame()
seat["seat"] = full["Cabin"]
seat.seat = seat.seat.map(lambda  a:a[0])
#使用one-hot编码
seat = pd.get_dummies(seat.seat,prefix="Cabin")
#print(seat.head())

对船上每一个乘客的家庭成员数量进行一个统计。分别将原始数据中的SibSp列和Parch中的数据相加，再加上被统计者自身。

#对船上每一个乘客的家庭成员数量进行一个统计
family = pd.DataFrame()
family["family"] = full.SibSp + full.Parch + 1
#print(family.head())

最后就是将原始数据复制一份，删除我们刚刚对其中重新编码的列（Cabin、Name、Sex、Pclass、Embarked、Parch、SibSp；还有票的编号Ticket这一列没有关系的数据。
最后合并的列包括了刚刚处理产生的新列名比如：da、family、seat、titleDf、pclass、embarked、sex。我们发现新的数据da有1309行，27列。

删除我们刚刚对其中重新编码的列（Cabin、Name、Sex、Pclass、Embarked、Parch、SibSp； 还有票的编号Ticket这一列没有关系的数据.最后合并的列包括了刚刚处理产生的新列名比如：da、family、seat、titleDf、pclass、embarked、sex.我们发现新的数据da有1309行，27列

da = train.append(test,ignore_index=True)
#采取同样的方式填充缺失值
da.Age = da.Age.fillna(da.Age.mean())
da.Fare = da.Fare.fillna(da.Fare.mean())
da.Embarked = da.Embarked.fillna("S")
da.Cabin = da.Cabin.fillna("U")
#提出不需要的列
da = da.drop(["Name","Pclass","Cabin","Parch","Embarked","SibSp","Ticket","Sex"],axis=1)
#合并修改后的列
da = pd.concat([titleDf,seat,family,pclass,embarked,da,sex],axis=1)
#print(da.shape)
#print(da.head())

#使用数据框corr获取相关系数矩阵，将相关系数提取出来，按照升序和降序排列
corrDf = da.corr()
#print(corrDf["Survived"].sort_values(ascending=False))
#print(corrDf["Survived"].sort_values(ascending=True))

我们发现相关系数大于0的列中：头衔、客舱等级、船票价格、船舱号都与生存状况呈现正线性关系在相关系数小于0的列中：头衔、性别、客舱等级、客舱号与生存情况呈现负线性相关。这些特征其实与我们在数据清洗过程中处理的列非常相关，这里我们直接采用上一步最后形成的新数据da

#将原始数据集拆分为训练集合评估集
sourceRow = 891
source_X  = da.loc[0:sourceRow-1,:]
source_X = source_X.drop(["Survived"],axis  =1)
source_y  =da.loc[0:sourceRow-1,"Survived"]

#拆分训练集和测试集
train_X,test_X,train_y,test_y = train_test_split(source_X,source_y,train_size=0.8)

#输出数据集大小
# print("原始数据集特征：",source_X.shape)
# print("训练集特征：",train_X.shape)
# print("测试集特征：",test_X.shape)
# print("原始数据集标签：",source_y.shape)
# print("训练数据集标签：",train_y.shape)
# print("测试数据集标签：",test_y.shape)

导入训练数据的特征train_X712条，包括性别，头衔等，导入标签train_y712条生存状况，得到正确率0.87：

#使用逻辑回归模型
model = LogisticRegression()
#使用数据，训练模型
model.fit(train_X,train_y)
# print(model.fit(train_X,train_y))
# print(model.score(test_X,test_y))

用机器学习模型，对预测数据集中的生存情况进行预测，这里用乘客的ID，数据框Df保存预测情况的值。

#方案实施，对预测数据集中的数据进行预测
predict_X = da.loc[sourceRow:,:]
predict_X = da.drop(["Survived"],axis=1)
pred_Y = model.predict(predict_X)
pred_Y = pred_Y.astype(int)  
#乘客ID
passenger_id = da.loc[sourceRow,"PassengerId"]
predDf = pd.DataFrame({"PassengerId":passenger_id,"Survived":pred_Y})
print(predDf.shape)
print(predDf)
  

最后附上源码：链接：https://pan.baidu.com/s/1cb60... 密码：y12u。
有兴趣的可以在阅读本文点赞，欢迎评论哦！