The sinking of the RMS Titanic is one of the most infamous shipwrecks in history. On April 15, 1912, during her maiden voyage, the Titanic sank after colliding with an iceberg, killing 1502 out of 2224 passengers and crew. This sensational tragedy shocked the international community and led to better safety regulations for ships.

One of the reasons that the shipwreck led to such loss of life was that there were not enough lifeboats for the passengers and crew. Although there was some element of luck involved in surviving the sinking, some groups of people were more likely to survive than others, such as women, children, and the upper-class.

渣翻译

RMS 泰坦尼克号沉没是历史上最惨重的海难之一。 1912 年 4 月 15 日，在它的第一次航行中，泰坦尼克号与冰山相撞后沉没，2224 名乘客和机组人员中有 1502 人死亡。这场耸人听闻的悲剧震惊了国际社会，同时,也促进了更好的船只安全规定的制定。

造成海难失事的原因之一是乘客和机组人员没有足够的救生艇。尽管幸存有一些运气因素，但有些人比其他人更容易生存，例如妇女，儿童和上流社会。

总体思路

先进行数据集的处理,然后进行分类学习.

数据集

泰坦尼克问题是 类实际问题 ,与 sklearn 中的 dataset 的数据不同,存在缺失值等干扰项,所以第一步是要对数据集进行预处理.

属性

存在以下的 12 个属性,其中,Survived 是结果.

PassengerId -  Unique ID of the passenger
Survived -  Survived (1) or died (0)
Pclass -  Passenger's class (1st, 2nd, or 3rd)
Name -  Passenger's name
Sex - Passenger's sex
Age -  Passenger's age
SibSp -  Number of siblings/spouses aboard the Titanic
Parch -  Number of parents/children aboard the Titanic
Ticket -  Ticket number
FareFare -  paid for ticket
Cabin - Cabin number
Embarked -  Where the passenger got on the ship (C - Cherbourg, S - Southampton, Q = Queenstown)

处理思路

在了解了属性的具体含义之后就可以进行数据集的处理了.

这里先列一下最终的目标:

数值化,随机森林不支持非数值的数据
消除残缺值

数值化

输出 Dataframe.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

可以看出,要处理的是 name \ Sex \ Ticket \ Cabin \ Embarked 这几项.

根据常识, name 对是否幸存并没有决定性影响

df1.drop(['Name'],axis=1,inplace=True)

然后,对 sex\Embarked 这类有限数量的数据进行数值化.

df1['Sex'].replace('male',1,inplace=True)
df1['Sex'].replace('female',0,inplace=True)

df1['Embarked'].replace('S',0,inplace=True)
df1['Embarked'].replace('C',1,inplace=True)
df1['Embarked'].replace('Q',2,inplace=True)

注:由于 Embarked 存在残缺值,所以数据类型为 float

这里对 Ticket 的处理有点犹豫,暂缺同 name 进行处理

df1.drop(['Ticket'],axis=1,inplace=True)

最后,到最关键的 cabin 处理
有两种方法

直接删除,因为 cabin 的缺失值太多(这在后面的缺失值处理中会介绍,缺失率为 77%)
填补

直接删除的好处在于方便(废话
填补是一项巨大的工程,并且依据方法的不同,出错的概率很高.

这里我选择去填补(修正残缺值).

修正残缺值

查看各属性的残缺值比例,并按照降序排列

Cabin       0.771044
Age         0.198653
Embarked    0.002245
Fare        0.000000
Parch       0.000000
SibSp       0.000000
Sex         0.000000
Pclass      0.000000
Survived    0.000000
dtype: float64

我准备先从残缺值比低的开始修正(又是废话….

目前我所掌握的两种方法:

人工分析
随机森林填补

人工分析

人工分析的好处在于准确度相对较高.
缺点当然就是费时.

修正 Embarked

先列出残缺值的具体行,得到数据

PassengerId	Survived	Pclass	Sex	Age	SibSp	Parch	Fare	Cabin	Embarked
62	1	1	0	38.0	0	0	80.0	B28	NaN
830	1	1	0	62.0	0	0	80.0	B28	NaN

再从数据表中摘出可能会影响该值的因素 – Pclass(阶层)\Fare(票价)

然后绘制箱线图,发现极大概率落在 C 域内,所以两者赋值为

聚类得出各个水平的 Cabin 的平均值,并划分区间

Cabin
G     14.205000
F     18.079367
N     19.132707
T     35.500000
A     41.244314
D     53.007339
E     54.564634
C    107.926598
B    122.383078
Name: Fare, dtype: float64

然后使用自定义的换算函数,将 Fare 依据其所在的区间换算为对应的大写字母,然后数值化.

def cabin_to_num(a):
    #{'G': 0, 'C': 1, 'E': 2, 'F': 3, 'T': 4, 'D': 5, 'A': 6, 'B': 7}
    dic = dict([*zip(Cabin_list,range(0,len(Cabin_list)))])
    return dic[a]

df_manutal_1.Cabin = df_manutal_1.Cabin.apply(lambda x:cabin_to_num(x))

最后剩下的空值是年龄,但是凭借主观经验判断,年龄对是否生存具有十分重要的影响,不应该使用一些粗糙的方法(如上)去填充(人工分析的严谨性),所以暂时先删除.

到这里,人工分析的数据集的处理就可以告一段落了.然后进行模型的建立和评估.

这里由于 结果不太好 ,就不单独列一节了.
使用十折交叉验证法,最后得出

训练均分	测试均分
0.9909744528907043	0.7901017214397495

(没错,过拟合了,树模型是非常容易过拟合的,出现这种情况之后就要调参,来优化模型

# 调参选择(渐进优化)
param = {'max_depth':[5],'min_samples_leaf':[2],"min_samples_split":[2],'max_features':range(1,5),'criterion':['gini','entropy']}

优化之后,test 分数变为 0.8207282913165266