kaggle经典题--“泰坦尼克号”--0.8275准确率--东北大学20级python大作业开源（附详细解法与全部代码以及实验报告）

前言

其实python大作业10月下旬就写完了，一直没来得及发，忙着大创立项。参考了国外kaggle大佬的解题思路，Kaggle网站得分0.82775（TOP 1.32%）：

kaggle-Titanic竞赛：

Titanic竞赛

所有代码以及实验报告下载：

泰坦尼克号代码以及实验报告

开发环境

编译器：PyCharm Community Edition 2021.2
pyhton版本：pyhton3.8

一、导入包：

主要是可视化包seaborn、matplotlib，机器学习包sklearn，以及python基础包

import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.ensemble import RandomForestClassifier, GradientBoostingClassifier
from sklearn.feature_selection import SelectKBest
from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import GridSearchCV
from sklearn.svm import SVC
from sklearn.preprocessing import LabelEncoder, OneHotEncoder
from sklearn.tree import DecisionTreeClassifier, DecisionTreeRegressor
from sklearn.preprocessing import StandardScaler
from numpy.random import seed

二、实验数据的读取，合并，以及显示info

读取csv文件，用到read_csv，连接数据集：concat，输出info（）
axios=0；行操作
axios=1；列操作

# 读取文件
train_csv = pd.read_csv("train.csv")
test_csv = pd.read_csv("test.csv")
# 在分割数据集之前为每个数据集设置索引
train_csv = train_csv.set_index("PassengerId")
test_csv = test_csv.set_index("PassengerId")
# dataframe，连接两个数据集，方便处理数据
df_csv = pd.concat([train_csv, test_csv], axis=0, sort=False)
df_csv.info()
print(df_csv.isnull().sum())

输出结果：

三、数据的预处理

（1）离散型字符串特征的处理

性别（Sex）的处理

这里做一个map操作，female与male分别改成0和1，因为后面用到的模型-随机森林以及决策树等等，都是不易于字符串的处理的，对于字符串的特征，我们先转换成离散型数字。

df_csv.Sex = df_csv.Sex.map({'female':0,'male':1})

港口Embarked处理

一样的做一个map操作，转换成离散型数字

# 登录港口处理：用数字1,2,3,表示
df_csv.Embarked = df_csv.Embarked.map({'S':0,'C':1,'Q':2})

（2）通过可视化来分析不同的特征数据

Pclass、Sex、Embarked、SlibSp、Parch、Survived的存活与死亡的数据的可视化

因为seaborn优于matplotlib，所以用的是seaborn和matplotlib库

figure：创建一个可以绘画的窗口
countplot：直方图
里面很多参数都有注释，这儿就不重复说了

plt.figure(figsize=(16, 18))#面积
sns.set(font_scale=1.2)#字体
sns.set_style('ticks')#应该是四周都有刻度线的白背景
feature_name=['Pclass', 'Sex', 'Embarked', 'SibSp', 'Parch', 'Survived']
for i, feature in enumerate(feature_name):#枚举循环
    plt.subplot(2, 3, i + 1)#一共6个，这是i+1个
    sns.countplot(data=df_csv, x=feature, hue='Survived', palette='Paired')# x=数据,y=存活率，palette=颜色
sns.despine()#删除边框

观点：女性的存活率更高；符合发生灾难时，让女性先走的事实。
有家人（SibSp与Parch）的存活率高，家人互帮互助存活率高
登录的港口（Embarked）看不出有啥影响
船舱（Pclass）的等级越高，存活率越高

Pclass、Sex、Embarked、SlibSp、Parch、Survived的Sex数据可视化

各个特征的相关系数图

（3）对于缺失值的处理

重点思想：对对象进行分类，再填充
例如填充Age：Age缺失较多，通过给数据集分组，先按Pclass、Sex分类，再填充，填充时根据不同分组的中位数来填。中位数更能反应一个类别人群的平均年龄，平均数容易受到极个别噪点数据的影响，所以不选择平均数填充。

缺失值（除开Survived）有Age、Embarked、Fare、Cabin

填充Age

方法部分：Age缺失较多，通过给数据集分组，按Pclass、Sex分组，填充时根据不同分组的中位数来填。中位数更能反应一个类别人群的平均年龄，平均数容易受到极个别噪点数据的影响，所以不选择平均数填充。

Age直方图

Age进行分类：

Age离散化操作

把age分成四类，再转换成离散变量0,1,2,3。方便以后跑模型

df_csv['Age'] = LabelEncoder().fit_transform(age_cut)#把age分成四类，再转换成离散变量0,1,2,3
pd.crosstab(df_csv['Age'], df_csv['Survived'])#用于统计分组频率的特殊透视表

填充Fare

方法部分：Fare缺失较多通过给数据集分组，按Pclass、Sex分组，填充时根据不同分组的中位数来填。中位数更能反应一个类别人群的平均票价，平均数容易受到极个别噪点数据的影响，所以不选择平均数填充。

Fare直方图

Fare离散化操作

df_csv['Fare'] = LabelEncoder().fit_transform(fare_cut)#把fare分成五类，再转换成离散变量0,1,2,3,4
pd.crosstab(df_csv['Fare'], df_csv['Survived'])#用于统计分组频率的特殊透视表

填充Embarked

方法部分：Embarked只有一个缺失，直接用所有Embarked数据的中位数来填值

删除Cabin

方法部分：Cabin的缺失值达到77.4%，缺失过多，容易产生噪点，所以不研究，直接删除。

四、特征选择

（1）对于Name特征的处理，处理Name的身份

最常见的是Mrs、Miss、Mrs、Master、把其他身份归为Rare

（2）Title变为离散变量

（3）SibSp与Parch的特征分析

新建特征列FamilySize，把家庭大小分为4类

（4）Ticket特征分析

发现含有字母与不含字母的全票存活率相差很大，含有字母的ticket对应的乘客存活率低 把含有字母的ticket变为0

（5）Woman or Child特征分析

女人or孩子的存活率相对较高，单独作为一个特征

（6）新建列Family_TotalCount, Family_SurviviedCount和Family_SurvivalRate

Family_ TotalCount
使用lambda函数在LastName、PClass和Ticked检测家庭的基础上对WomChi列进行计数，然后用布尔过程减去相同的乘客，该乘客是妇女或儿童。Family_
SurvivedCount
也使用lambda函数对WomChi列求和，然后使用掩码函数过滤器(如果乘客是妇女或儿童)减去生存状态，最后一个Family_
surviwalrate 仅除以Family_ SurvivedCount 和Family_ TotalCount。

五、分类器构建

离散特征的编码处理Sex、Fare、Pclass

删除部分容易产生噪点的特征Name、LastName、WomChi、Family_TotalCount,
Family_SurviviedCount,Embarked,Title（慢慢试出来的，这些特征真滴不行，影响结果）

六、模型验证

（1）提取测试集与训练集数据

（2）标准化处理

如果某个特征的方差比其他特征大几个数量级，那么它就会在学习算法中占据主导位置，导致学习器不能从其他特征中学习，从而降低精度。加快梯度下降求解的速度。

(3)模型对比（均为默认参数）

一共验证了5种经典模型：决策树、随机森林、SVM、逻辑回归、GBDT，发现决策树yyds

原理分析：决策树，我的理解是，开始有很多条件，通过if else，一步步筛选，最终得到一个结果，及一个决策。而随机森林是由很多棵决策树产生的森林，集合不同决策树的结果，来通票选出最终的结果，少数服从多数。

@决策树DecisionTreeClassifier( )

@ 随机森林RandomForestClassifier( )

@支持向量机SVM（）

@逻辑回归LogisticRegression（）

@梯度提升树GBDT（）

（4）网格搜索模型调参决策树模型

这里是引用

#决策树调参
from sklearn.model_selection import GridSearchCV
tree_param_grid = { 'max_depth':list((5,10,12)),'min_samples_split': list((2,4,6)),'min_samples_leaf':list((1,2,4))}
grid = GridSearchCV(DecisionTreeRegressor(),param_grid=tree_param_grid, cv=5)
grid.fit(X_train, Y_train)
grid.cv_results_['mean_test_score'], grid.best_params_, grid.best_score_
print(grid.best_params_, grid.best_score_)

调参结果 ：

发现准确率下降，分析原因为，默认参数下，决策树模拟Score已经很高了（99.89），网格搜索最优参数意义不大，而且容易造成过拟合或者欠拟合。

（5）输出结果

总结

1，优先级:数据预处理>模型选择>调参（预处理非常重要）
2，补充空缺值，要分类补充，不然正确率下降
3，调参不一定好，但是大部分调参可以提高正确率
4，数据少：决策树，数据多（百万）：神经网络
5，记得降维，离散化数据处理

Kaggle网站得分0.82775（TOP 1.32%）

不足与优化

1，关于Cabin的数据处理不到位，由于Cabin缺失值太多，没有找到好的处理方法，没有深挖Cabin的处理机制，以及对于结果的影响。
2，关于Embarked数据的处理不到位，在离散特征的编码处理Embarked的值后，发现其有较大的噪点影响，加入模型分析后，极大的减少了模型的正确率，暂未找到好的处理Embarked值的方法。
3，对于Name的特征处理有待深挖，比如race姓名的人，可能为贵族，存活率更高。
4，对于用神经网络模型对于数据集进行分析，Kaggle模拟结果可以达到0.78，但是没有进行细致的调参，调参后或许结果更好。
5，还可以试试XWBOOST模型，因为没有学过其所需要的编程语言，所以没有进行试验。

源代码以及实验报告

泰坦尼克号代码以及实验报告