【Kaggle入门】Titanic: Machine Learning from Disaster----认识数据

---

这个系列博客纯粹为了记录一下自己学习kaggle的相关内容，也是跟着别人一步步学习。

---

都推荐从泰坦尼克之灾和房价预测两个项目入门kaggle。

这里就先学习一下泰坦尼克之灾。

首先在kaggle官网上下载了数据集。

 一个train.csv用于训练，一个test.csv用于验证模型，一个gender_submission.csv是提交格式的示例。

看过一些大神们分享的经验，对数据的认识非常非常重要，关系到后面对数据的处理和特征工程，所以这里先来认识一下titanic的数据。

先读入数据，使用的编辑器是jupyter notebook。

import pandas as pd
import numpy as np
from pandas import Series,DataFrame

data_train = pd.read_csv("data/train.csv")
data_train

 

 

一共12列，891个样本的数据。

每一列代表：

• PassengerId：乘客ID
• Survived：是否获救
• Pclass：乘客的舱位等级
• Name：乘客姓名
• Sex：乘客性别
• Sib Sp：堂兄弟/妹个数
• Parch：父母与小孩的个数
• Ticket：船票信息
• Fare：票价
• Cabin：客舱
• Embarked：登船港口

简明的看一下数据的情况。

data_train.info()

可以看到像cabin这一列缺的数据非常多，age这一项也有一些缺失。

下面可以看一下数值型数据的整体情况。

data_train.describe()