机器学习系列(1)_数据分析之Kaggle泰坦尼克之灾
本篇博客通过分析泰坦尼克号事故中乘客的信息，从而得出一些相关关系的判断，并且使用Python可视化的手段更加具体的展现。
注：本篇博客参考资料：
1、kaggle入门–泰坦尼克号之灾（某书）
2、机器学习系列(3)_逻辑回归应用之Kaggle泰坦尼克之灾
3、缺失值填充的几种方法
4、关于Kaggle 数据挖掘比赛（某乎）
5、Kaggle官网
6、数据分析的小提琴图应该怎么看（某乎）
7、随机森林 n_estimators参数 max_features参数
8、关于pandas中crosstab的用法（某乎）
文章目录
- 一、数据的初步探索
- 二、数据的缺失值处理
- 三、使用随机森林处理年龄
- 四、分析数据之间的关系
-
- 1. 性别与生存率的关系
- 2.舱位等级与生存率的关系
- 3. 舱位等级，性别和年龄的关系
- 4. 不同年龄阶段的总体分析
- 5.称谓与存活的关系
- 6.名称长度与存活率的关系
- 7.亲属与存活率之间的关系
- 8.舱位类型与存活率之间的关系
- 9.对不同类型的船舱进行分析
- 10.出发港口与存活率之间的关系
一、数据的初步探索
import seaborn as sns
import numpy as np
import pandas as pd
import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline # 有时候图片展示不出来可能是这个原因
plt.rcParams['font.sans-serif']=['Microsoft YaHei'] # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False # 用来正常显示负号
from datetime import datetime
plt.figure(figsize=(16,10))
import pyecharts.options as opts
from pyecharts.charts import Line
from pyecharts.faker import Faker
from pyecharts.charts import Bar
import os
from pyecharts.options.global_options import ThemeType
from scipy import stats
import pandas_profiling
from autoviz.AutoViz_Class import AutoViz_Class
from IPython.display import display
from statsmodels.stats.weightstats import ztest
import nltk
import plotly.graph_objs as go
import plotly.express as px
# 安装第三方工具包
!pip install pandas_profiling
!pip install autoviz
!pip install ppscore
# 读入数据
df=pd.read_csv("titanic.csv")
display(df.head(10))
读入数据：
•PassengerID（ID）
•Survived(存活与否)
•Pclass（客舱等级，较为重要）
•Name（姓名，可提取出更多信息）
•Sex（性别，较为重要）
•Age（年龄，较为重要）
•Parch（直系亲友）
•SibSp（旁系）
•Ticket（票编号）
•Fare（票价）
•Cabin（客舱编号）
•Embarked（上船的港口编号）
使用Pandas profiling 库：
Pandas profiling可以弥补pandas describe没有详细数据报告生成的不足。它为数据集提供报告生成，并为生成的报告提供许多功能和自定义。
report=pandas_profiling.ProfileReport(df)
display(report)
# 通过不同的角度查看缺失值
使用Python Autoviz，一行代码即可完成对数据集所有关系的探索：
AV=AutoViz_Class()
report2=AV.AutoViz("titanic.csv")
初步的分析数据：
df_survivors=df[df['Survived']==1] # 幸存者
df_nonsurvivors=df[df['Survived']==0] # 遇难者
df_survivors.head()
绘制小提琴图：
violin_survivors=go.Violin(
y=df_survivors['Age'],
x=df_survivors['Survived'],
name='Survivors',
marker_color='forestgreen',
box_visible=True)
violin_nonsurvivors=go.Violin(
y=df_nonsurvivors['Age'],
x=df_nonsurvivors['Survived'],
name='Non-Survivors',
marker_color='darkred',
box_visible=True)
data=[violin_nonsurvivors,violin_survivors]
layout=go.Layout(
paper_bgcolor='rgba(0,0,0,0)',
plot_bgcolor='rgba(0,0,0,0)',
title='"Age" of survivors vs Ages of non-survivors',
xaxis=dict(
title='Survived or not'
),
yaxis=dict(
title='Age'
)
)
fig=go.Figure(data=data,layout=layout)
fig.show()
二、数据的缺失值处理
train_data=pd.read_csv("titanic.csv") # 学习数据
test_data=pd.read_csv("titanic.csv") # 测试数据
# 幸存者和遇难者的人数比率（0代表遇难者）
train_data['Survived'].value_counts().plot.pie(autopct='%1.2f%%',figsize=(10,7),fontsize=20)
train_data.Embarked[train_data.Embarked.isnull()]=train_data.Embarked.dropna().mode().values # 缺失值使用众数来填充
# 对缺失的舱位号进行填充
train_data['Cabin']=train_data.Cabin.fillna('U0')
# Cabin代表在泰坦尼克号当中的仓位，就类似于学校的宿舍号，C代表最底层的，A代表上层贵族
# 这里把缺失值使用U0填充，没有实际含义
三、使用随机森林处理年龄
# 随机森林算法
from sklearn.ensemble import RandomForestRegressor
# 对缺失年龄进行填充
# 关于年龄的缺失值填充：假设知道你的兄弟姐妹的年龄，但是你的年龄未知，就可以根据你兄弟姐妹的年龄来推算出你的年龄
# 对应Age数据是空值的：其后面有5个数据可以进行参考：'Survived','Fare','Parch','SibSp','Pclass'。
# 对于Age不是空值的数据：根据Age与后面的五个参数'Survived','Fare','Parch','SibSp','Pclass'来构建模型，找到之间的关联，从而预测Age为空值的数据应该是多少
age_df=train_data[['Age','Survived','Fare','Parch','SibSp','Pclass']]
age_df_notnull=age_df.loc[(train_data['Age'].notnull())]
age_df_isnull=age_df.loc[(train_data['Age'].isnull())]
train_data.loc[train_data['Age'].isnull()]
# 有177条数据当中的Age为空，需要我们根据模型填写
# 使用随机森林的方式对年龄数据进行处理
X=age_df_notnull.values[:,1:] # 不要第一行
Y=age_df_notnull.values[:,0]
RFR=RandomForestRegressor(n_estimators=1000,n_jobs=-1)
RFR.fit(X,Y)
predictAges=RFR.predict(age_df_isnull.values[:,1:])
train_data.loc[train_data['Age'].isnull(),['Age']]=predictAges#将年龄是空值的数据填充上对应的我们预测出来的predictAges数据
predictAges
# 177个年龄的预估值,但不是整数，是小数
#array([23.91012463, 33.5790667 , 18.45447222, 34.77706252, 22.82583206,
# 27.92451495, 35.95309143, 22.23480409, 16.72228333, 27.92451495,
# 31.85729512, 34.04484405, 22.23480409, 23.3894125 , 41.26658333,
# 39.41428929, 14.56655619, 27.92451495, 31.85729512, 24.00832619,
# 31.85729512, 31.85729512, 27.92451495, 22.90537022, 30.49815577,
# 31.85729512, 40.55413361, 15.40209733, 31.47466905, 30.98913824,
# 25.62094582, 11.03429057, 24.91276667, 58.21367204, 7.26481346,
# 11.03429057, 31.78719475, 58.8055 , 26.40346667, 40.55413361,
# 22.23480409, 11.03429057, 34.63207227, 27.92451495, 7.26481346,
# 35.81648333, 23.10360556, 26.40346667, 30.98913824, 33.65973333,
# 40.55413361, 40.55413361, 52.66521429, 22.23480409, 35.54409821,
# 58.79858871, 39.41428929, 37.03649841, 22.23480409, 25.87029836,
# 32.00298358, 31.85729512, 29.08850714, 11.03429057, 25.87029836,
# 32.05307143, 27.92451495, 26.5948 , 62.716 , 34.77706252,
# 22.82583206, 22.82583206, 34.04484405, 16.72228333, 22.23480409,
# 35.11293571, 27.92451495, 24.41736964, 7.26481346, 27.92451495,
# 21.30626245, 35.54409821, 31.85729512, 27.92451495, 30.98913824,
# 40.55413361, 26.5948 , 25.17773002, 22.60258333, 31.85729512,
# 42.61237738, 40.55413361, 31.85729512, 35.54409821, 24.41736964,
# 30.98913824, 45.41313571, 35.54409821, 7.26481346, 22.60258333,
# 18.9056746 , 23.70674167, 28.90627937, 42.82544497, 31.85729512,
# 33.46546111, 34.77706252, 26.165255 , 29.62294286, 26.165255 ,
# 7.78515 , 23.7626625 , 31.23990052, 25.67115572, 29.62294286,
# 40.55413361, 31.85729512, 31.85729512, 26.165255 , 22.23480409,
# 21.82594306, 25.97161052, 31.85729512, 29.88929564, 20.06259281,
# 34.77706252, 27.92451495, 38.348 , 27.88305165, 26.40346667,
# 40.55413361, 24.41736964, 39.10006349, 26.78347096, 29.82119675,
# 35.81648333, 27.92451495, 28.05354048, 27.92451495, 28.11530132,
# 41.56493214, 35.54409821, 24.06617853, 29.82119675, 18.21759491,
# 14.56655619, 58.16147475, 27.83794286, 18.21759491, 35.54409821,
# 27.92451495, 27.92451495, 41.32000913, 23.7626625 , 40.377 ,
# 33.01589387, 34.77706252, 40.55413361, 24.41736964, 24.9595 ,
# 40.55413361, 11.03429057, 53.75925 , 39.10006349, 38.86513205,
# 29.75600476, 22.23480409, 26.165255 , 31.85729512, 41.80075152,
# 11.03429057, 43.7314369 , 26.165255 , 11.03429057, 25.0000228 ,
# 27.92451495, 24.9595 ])
train_data.describe()
四、分析数据之间的关系
1. 性别与生存率的关系
# 04.01 性别与生存率的关系
train_data.groupby(['Sex','Survived'])['Survived'].count()
plt.style.use('ggplot')
plt.title('性别与存活率的关系')
plt.ylabel('存活率')
plt.xlabel('性别')
plt.xticks(rotation=0)
train_data[['Sex','Survived']].groupby(['Sex']).mean().plot.bar(figsize=(10,8),fontsize=20)
2.舱位等级与生存率的关系
# 04.02 舱位等级与生存率的关系
train_data.groupby(['Pclass','Survived'])['Pclass'].count()
train_data[['Pclass','Survived']].groupby(['Pclass']).mean().plot.bar(figsize=(10,8),fontsize=20)
plt.title('舱位等级与存活率的关系')
plt.ylabel('存活率')
plt.xlabel('1-头等舱 2-二等舱 3-三等舱')
plt.xticks(rotation=0)
3. 舱位等级，性别和年龄的关系
# 04.03 结合舱位等级，性别和年龄分布的两张小提琴图
fig,ax=plt.subplots(1,2,figsize=(16,10))
sns.violinplot("Pclass","Age",hue="Survived",data=train_data,split=True,ax=ax[0])
ax[0].set_yticks(range(0,100,10))
sns.violinplot("Sex","Age",hug="Survived",data=train_data,split=True,ax=ax[1])
plt.show()
4. 不同年龄阶段的总体分析
# 04.04 年龄的总体分布
plt.figure(figsize=(10,8))
plt.subplot(121)
train_data['Age'].hist(bins=80)
plt.xlabel('年龄')
plt.ylabel('人数')
plt.subplot(122)
train_data.boxplot(column='Age',showfliers=True) # showfliers：显示是否有脱离的异常值
showfliers：显示是否有脱离的异常值
# 04.05 不同年龄下存活分布情况
facet=sns.FacetGrid(train_data,hue="Survived",aspect=4)
facet.map(sns.kdeplot,'Age',shade=True)
facet.set(xlim=(0,train_data['Age'].max()))
facet.add_legend()
# 04.06 不同年龄下存活分布情况
fig,axis1=plt.subplots(1,1,figsize=(18,4))
train_data['Age_int']=train_data['Age'].astype(int) # 这里年龄出现小数，但是使用.astype(float).astype(int)也不行，会报错。直接使用.astype(int)也不行
average_age=train_data[['Age_int','Survived']].groupby(['Age_int'],as_index=False).mean()
sns.barplot(x='Age_int',y='Survived',data=average_age)
# 不同年龄段下存活情况(对数据的分类统计)
bins=[0,12,18,65,100]
train_data['Age_group']=pd.cut(train_data['Age'],bins)
by_age=train_data.groupby('Age_group')['Survived'].mean()
by_age
by_age.plot(kind='pie')
5.称谓与存活的关系
# 04.07 称呼与存活的关系
train_data['Title']=train_data['Name'].str.extract('([A-Za-z]+)\.',expand=False) # 正则表达式，表示把.前面的字母拿到
# str.extract()，可用正则从字符数据中抽取匹配的数据，只返回第一个匹配的数据。
# expand表示是否把series类型转化为DataFrame类型
train_data.Title
pd.crosstab(train_data['Title'],train_data['Sex'])
train_data[['Title','Survived']].groupby(['Title']).mean().plot.bar()
plt.xticks(rotation=40)
6.名称长度与存活率的关系
## 04.08 名称的长度对生存率的影响
fig,axis1=plt.subplots(1,1,figsize=(14,4))
train_data['Name_length']=train_data['Name'].apply(len) # 这里年龄出现小数，但是使用.astype(float).astype(int)也不行，会报错。直接使用.astype(int)也不行
name_length=train_data[['Name_length','Survived']].groupby(['Name_length'],as_index=False).mean()
sns.barplot(x='Name_length',y='Survived',data=name_length)
# 由图片知：总体来讲：名字越长的存活率越高，分界线是在35
7.亲属与存活率之间的关系
这里涉及到直系亲属以及旁系亲属
•Parch（直系亲友，这里就认为是父母与孩子）
•SibSp（旁系，这里就认为是兄弟姐妹）
## 04.09 兄弟姐妹与存活概率(涉及到家族)
sibsp_df=train_data[train_data['SibSp']!=0]
no_sibsp_df=train_data[train_data['SibSp']==0]
plt.figure(figsize=(10,5))
plt.subplot(121)
sibsp_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct='%1.1f%%')
plt.xlabel('sibsp(有兄弟姐妹的)')
plt.subplot(122)
no_sibsp_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct='%1.1f%%')
plt.xlabel('no_sibsp（没有兄弟姐妹的）')
plt.show()
## 04.10 父母子女与存活概率(涉及到家族)
parch_df=train_data[train_data['Parch']!=0]
no_parch_df=train_data[train_data['Parch']==0]
plt.figure(figsize=(10,5))
plt.subplot(121)
parch_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct='%1.1f%%')
plt.xlabel('parch(父母带小孩)')
plt.subplot(122)
no_parch_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct='%1.1f%%')
plt.xlabel('no_parch(父母与孩子没有在一起的)')
plt.show()
## 04.10 父母子女与存活概率(涉及到家族)
parch_df=train_data[train_data['Parch']!=0]
no_parch_df=train_data[train_data['Parch']==0]
# 父子关系平均年龄与有无父子关系的比例、数量与存活率关系的比较
plt.figure(figsize=(16,12))
plt.rcParams.update({'font.family': "Microsoft YaHei"})
plt.subplot(2,3,1)
parch_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct='%1.1f%%')
plt.xlabel('parch')
plt.subplot(2,3,2)
parch_df.groupby(['Survived'])['Age'].mean().plot.bar(color='orange',title='有父子关系年龄均值对比')
# plt.xlabel('parch')
plt.subplot(2,3,3)
parch_df.groupby(['Survived'])['PassengerId'].count().plot.bar(color='brown',title='有父子关系数量')
plt.xlabel('parch')
plt.subplot(2,3,4)
no_parch_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct='%1.1f%%')
plt.xlabel('no_parch')
plt.subplot(2,3,5)
no_parch_df.groupby(['Survived'])['Age'].mean().plot.bar(color='orange',title='无父子关系年龄均值对比')
plt.xlabel('no_parch')
plt.subplot(2,3,6)
no_parch_df['Survived'].value_counts().plot.bar(color='brown',title='无父子关系数量')
plt.xlabel('no_parch')
8.舱位类型与存活率之间的关系
Cabin若为空，也就是没有保存舱位信息，则填充为U0。这里可以推断出有舱位类型的存活率较高。对于乘客，我猜想如果是地位较高的人，他们的舱位信息应该能较好的保存。因为地位低的人可能出现逃票的情况，或者他们更不重视自己的船票号码（舱位信息），因此舱位信息保存率比较低。
# 04.11 舱位类型与存活率
train_data['Has_Cabin']=train_data['Cabin'].apply(lambda x:0 if x=='U0' else 1)
train_data[['Has_Cabin','Survived']].groupby(['Has_Cabin']).mean().plot.bar()
9.对不同类型的船舱进行分析
主要目的：练习pd.dummies和pd.factorize的用法
# 04.12 对不同类型的船舱进行分析（涉及到变量转换）主要目的：练习pd.dummies和pd.factorize的用法
import numpy as np
import re
train_data['CabinLetter']=train_data['Cabin'].map(lambda x:re.compile("([a-zA-Z]+)").search(x).group())
# search()可以从任意一个文本里搜索匹配的字符串，即从任何位置里搜索到匹配的字符串
# 从compile()函数的定义中，可以看出返回的是一个匹配对象，它单独使用就没有任何意义，需要和findall(), search(), match(）搭配使用。
train_data
# pd.get_dummies方法
# 使用矩阵的方法显示舱位号
pd.get_dummies(train_data['CabinLetter'])
train_data=train_data.join(pd.get_dummies(train_data['CabinLetter'])) # 将两张表进行合并附加
# 这样可以方便哑变量（虚拟变量）与不同数据进行关系之间的探讨
train_data
train_data[['CabinLetter','Survived']].groupby(['CabinLetter']).mean().plot.bar()
不同舱位与存活率之间的关系
10.出发港口与存活率之间的关系
# 04.13 出发港口与存活率之间的关系
sns.countplot('Embarked',hue='Survived',data=train_data)
plt.title('Embarked and Survived')
