Kaggle实战入门:泰坦尼克号生还预测

  • 1. 加载数据
  • 2. 特征工程
  • 3. 模型训练
  • 4. 模型部署

泰坦尼克号(Titanic),又称铁达尼号,是当时世界上体积最庞大、内部设施最豪华的客运轮船,有“永不沉没”的美誉,被称为“世界工业史上的奇迹”。1912年4月10日,她在从英国南安普敦出发,驶往美国纽约的首次处女航行中,不幸与一座冰山相撞,1912年4月15日凌晨2时20分左右,船体断裂成两截,永久沉入大西洋底3700米处,2224名船员及乘客中,逾1500人丧生。

而以此事件为背景的《泰坦尼克号》则是成为了电影史上的传奇,该片由詹姆斯•卡梅隆执导,莱昂纳多•迪卡普里奥、凯特•温斯莱特领衔主演。在中国大陆上映的时间是1998年4月,虽然时隔25年,泰坦尼克号也已沉没111年,但每当影片主题曲my heart will go on中悠扬的苏格兰风笛声响起时,每个人都会再次被带回那艘奥林匹克级的豪华邮轮。

机器学习领域,著名的数据科学竞赛平台kaggle的入门经典也是以泰坦尼克号事件为背景。该问题通过训练数据(train.csv)给出891名乘客的基本信息以及生还情况,通过训练数据生成合适的模型,并根据另外418名乘客的基本信息(test.csv)预测其生还情况,并将生还情况以要求的格式(gender_submission.csv)提交,kaggle会根据你的提交情况给出评分与排名。

1. 加载数据

import pandas as pd file = r'datasets/train.csv'data = pd.read_csv(file)

加载数据完成后,可使用内置方法对数据进行探查,初步认识数据。

data.head(5) #查看前5行数据:data.iloc[:5] 或者 data.loc[:5]

输出

data.info() #查看整体信息

输出

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: 83.7+ KB

可以看出,数据共有11个字段,其中Age有714个非空值,而Cabin仅有204个非空值。每个字段含义如下:

字段名字段含义
PassengerId乘客ID
Pclass客舱等级
Name乘客姓名
Sex性别
Age年龄
SibSp兄弟姐妹、配偶
Parch父母与子女
Ticket船票编号
Fare票价
Cabin客舱号
Embarked登船港口
data.Pclass.unique() #查看字段的取值情况

输出

array([3, 1, 2])

data.Pclass.value_counts() #查看字段取值的统计值

输出

3 491
1 216
2 184
Name: Pclass, dtype: int64

2. 特征工程

特征工程(Feature Engineering)极其重要,特征的选择与处理直接影响到模型效果。实际中,特征工程很多时候是依赖业务经验的。

通过数据探查,可以发现该数据包含以下几类属性

  • 标称属性(Nominal attribute):Sex(性别)、Embarked(登船港口)
  • 标称属性(Ordinal attribute):Pclass(客舱等级)
  • 数值属性(Numeric attribute):Age(年龄)、SibSp(兄弟姐妹、配偶)、Parch(父母与子女)、Fare(票价)
  • 其他:Name(乘客姓名)、Ticket(船票编号)、Cabin(客舱号)

(1)统计分析各属性与生还结果的相关性

针对Sex、Pclass、Embarkd与Survived的关系,可使用crosstab函数(或groupby函数)分别进行聚合统计,计算相应的百分比以实现归一化,并做图。

import matplotlib.pyplot as pltplt.rcParams['font.sans-serif'] = ['Arial Unicode MS'] #Mac系统设置中文显示 plt.rcParams['axes.unicode_minus'] = Falsefig = plt.figure()fig.set(alpha=0.65) # 设置图像透明度ax1=fig.add_subplot(131)ax2=fig.add_subplot(132)ax3=fig.add_subplot(133)cou_Sex = pd.crosstab(data.Sex,data.Survived) #或者用counts_Sex = data.groupby(['Sex','Survived']).size().unstackcou_Sex.rename({0:'未生还',1:'生还'},axis=1,inplace=True)cou_Sex.rename({'female':'F','male':'M'},inplace=True)pct_Sex = cou_Sex.div(cou_Sex.sum(1).astype(float),axis=0) #归一化pct_Sex.plot(kind='bar',stacked=True,title=u'不同性别的生还情况',ax=ax1)cou_Pclass = pd.crosstab(data.Pclass,data.Survived)cou_Pclass.rename({0:'未生还',1:'生还'},axis=1,inplace=True)pct_Pclass = cou_Pclass.div(cou_Pclass.sum(1).astype(float),axis=0)pct_Pclass.plot(kind='bar',stacked=True,title=u'不同等级的生还情况',ax=ax2,sharey=ax1)cou_Embarked = pd.crosstab(data.Embarked,data.Survived) cou_Embarked.rename({0:'未生还',1:'生还'},axis=1,inplace=True)pct_Embarked = cou_Embarked.div(cou_Embarked.sum(1).astype(float),axis=0)pct_Embarked.plot(kind='bar',stacked=True,title=u'不同登录点生还情况',ax=ax3,sharey=ax1)

输出

可直观的看出生还情况受性别(女性乘客生还概率较高)、客舱等级(一等舱乘客生还概率较高)、登船港口(C港口登船乘客生还概率较高)的影响。

针对数值属性的Age、Fare,可使用cut函数将其离散化后,再进行统计分析。

fig = plt.figure()fig.set(alpha=0.65) # 设置图像透明度ax1=fig.add_subplot(121)ax2=fig.add_subplot(122)bins=[0,14,30,45,60,80]cats=pd.cut(data.Age.as_matrix(),bins) #Age离散化data.Age=cats.codescou_Age = pd.crosstab(data.Age,data.Survived)cou_Age.rename({0:'未生还',1:'生还'},axis=1,inplace=True)pct_Age = cou_Age.div(cou_Age.sum(1).astype(float),axis=0)pct_Age.plot(kind='bar',stacked=True,title=u'不同年龄的生还情况',ax=ax1)bins=[0,15,30,45,60,300]cats=pd.cut(data.Fare.as_matrix(),bins) #Fare离散化data.Fare=cats.codescou_Fare = pd.crosstab(data.Fare,data.Survived)cou_Fare.rename({0:'未生还',1:'生还'},axis=1,inplace=True)pct_Fare = cou_Fare.div(cou_Fare.sum(1).astype(float),axis=0)pct_Fare.plot(kind='bar',stacked=True,title=u'不同票价的生还情况',ax=ax2,sharey=ax1)


可直观的看出年龄越小生还概率越高、票价越高生活概率越高(-1表示缺失值)。

(2)计算相关系数分析各属性与生还结果的相关性

使用corr函数计算属性 a a a b b b之间的相关性 r ( a , b ) r(a,b) r(a,b)corr函数默认使用Person系数,取值在 [ − 1 , 1 ] [-1,1] [1,1]之间。

  • r ( a , b ) > 0 r(a,b)>0 r(a,b)>0表示属性 a a a b b b正相关
  • r ( a , b ) < 0 r(a,b)<0 r(a,b)<0表示属性 a a a b b b负相关
  • r ( a , b ) = 0 r(a,b)=0 r(a,b)=0表示属性 a a a b b b相互独立。
def dataProcess(data): #定义数据预处理函数    mapTrans={'female':0,'male':1,'S':0,'C':1,'Q':2} #属性值转换    data.Sex=data.Sex.map(mapTrans)    data.Embarked=data.Embarked.map(mapTrans)        data.Embarked=data.Embarked.fillna(data.Embarked.mode()[0]) #使用众数填充    data.Age=data.Age.fillna(data.Age.mean()) #均值填充缺失年龄    data.Fare=data.Fare.fillna(data.Fare.mean()) #均值填充缺失Fare    return datadata = pd.read_csv(file)#载入数据data = dataProcess(data)#处理数据data.iloc[:,1:].corr()['Survived']#计算相关系数

输出

Survived 1.000000
Pclass -0.338481
Sex -0.543351
Age -0.069809
SibSp -0.035322
Parch 0.081629
Fare 0.257307
Embarked 0.106811
Name: Survived, dtype: float64

可以看出Survived与Pclass、Sex、Fare、Embarked相关性较大。

使用seaborn库的热力图可视化展示:

import seaborn as sns #导入seaborn绘图库sns.set(style='white', context='notebook', palette='deep')sns.heatmap(data.iloc[:,1:].corr(),annot=True, fmt = ".2f", cmap = "coolwarm")


通过上述分析,选择[‘Pclass’, ‘Sex’, ‘Age’, ‘Fare’, ‘Embarked’]作为特征,通过自定义的process函数对数据进行预处理,其中使用map方法将Sex、Embarked映射为数值,并用fillna方法填充Embark、Age、Fare的缺失值。

3. 模型训练

构建决策树模型,并使用fit方法完成模型的训练。

feature =['Pclass','Sex','Age','Fare','Embarked']X = data[feature] #选择特征y = data.Survived #标签from sklearn.tree import DecisionTreeClassifier as DTclf = DT() #建立模型clf.fit(X,y)  #训练模型

可使用准确率(score方法)和混淆矩阵(metrics.confusion_matrix方法)对模型进行评估。

print('%.3f' %(clf.score(X,y))) #准确率

输出

0.980

from sklearn import metricsmetrics.confusion_matrix(y, clf.predict(X)) #混淆矩阵

输出

array([[546, 3],
[ 15, 327]])

4. 模型部署

加载test.csv文件的数据,进行处理,并使用predict方法预测,将生成的结果文件在Kaggle页面点击Submit Predictions进行提交,Kaggle会给出准确率和排名。

data_sub = pd.read_csv(r'datasets/test.csv') #加载测试数据data_sub = dataProcess(data_sub) #处理测试数据X_sub = data_sub[feature]  #提取测试数据特征y_sub = clf.predict(X_sub) #使用模型预测数据标签result = pd.DataFrame({'PassengerId':data_sub['PassengerId'].as_matrix(), 'Survived':y_sub}) #形成要求格式result.to_csv(r'D:\[DataSet]\1_Titanic\submission.csv', index=False) #输出至文件