Python数据分析案例1——预测泰坦尼克号乘员的生存(机器学习全流程)

1、背景分析

预测乘客是否存活下来

泰坦尼克号是数据科学机器学习领域很经典的数据集，在统计学里面也有很多案例，比如拟合优度检验，方差分析等等。其背景就是当年泰坦尼克号上那么多人，灾难发生后，有人生存有人死亡，而且每个人都有很多不同的特征，比如性别，年龄，船仓等级，登船地点等等.....根据这些特征，我们可以预测乘客是否存活下来。

存活是1，死亡是0，响应变量为两种取值，所以这是一个分类问题。

2、数据收集和读取

从kaggle上下载泰坦尼克号的数据

kaggle是国际很有名的数据科学竞赛平台，上面有很多比赛，也有很多数据集，大家可以注册一个账号去看看。下面是泰坦尼克号的项目链接。

 导入数据分析常用包

#  导入数据分析常用包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

读取数据，分训练集和测试集读取

#  导入泰坦尼克号数据集
data=pd.read_csv('train.csv')  #调用Pandas库中的read_csv函数，该函数用于读取CSV文件
data2=pd.read_csv('test.csv')
pd.set_option('display.max_columns', None)  # 显示所有列
pd.set_option('display.width', 1000)        # 设置输出宽度（根据需要调整）
data.head(5)  #.head()函数用于显示数据集的前5行
data2.head(5)  #要用print显示

展示训练集前五行数据

展示测试集前五行数据

可以看到第一列是乘客的编号。我们的响应变量是Survived，即乘客是否存活，但是测试集是没有这一列的，因为需要我们预测。

后面都是特征变量，乘客的特征：船舱等级、姓名，性别，年龄，子女个数，亲戚个数，船费、登船地点等等

3、数据清洗和整理

查看数据信息

data.info()
data2.info()

可以看到训练集891条数据，测试集418条数据。还有的列是没有这么多的，因为存在缺失值。

画图看缺失值

import missingno as msno
msno.matrix(data)
plt.show()
msno.matrix(data2)
plt.show()