2泰坦尼克号生还预测 四种不同方法

泰坦尼克号生还预测是一个非常典型的联系项目。数据集是公开数据集。

numpy=1.14.5

pandas=0.22.0

sklearn=0.19.2

seaborn=0.7.1

matplotlib=2.1.2

keras=2.1.6

（1）提前准备好titanic_dataset.csv文件，

        准备好特征xtrain和标签ytrain数据

import numpy as np
import pandas as pd
feature=pd.read_csv('titanic_dataset.csv')
y_train=feature['Survived']
x_train=feature.drop('Survived',axis=1)

print(x_train.shape)
print(feature.head())

（2）通过shape属性可以查看xtrain数据的维度

通过featurn.head()可以查看前五条数据

 （3）通过describe（）方法可以得到，包括均值，中值，方差，最大最小等统计描述

         通过info（）方法得到，

print(feature.describe())
print(feature.info())

 通过info（）方法得到，每列的统计特性，特别是可以看出前四个属性不同于其他都是1309个值，说明这四个属性是有nan缺失值的，下一步对不同类型的缺失值进行处理。

（1）使用x_train.isnull().sum统计缺失值，结果如下如，说明前面4列均有缺失，但是要具体问题具体分析

 （1）Age字段，操作方法如下：

从sns可视化age数据可以看出来，age是服从正态分布，因此可以使用中值进行替换。

#使用seaborn进行可视化处理
import seaborn as sns

#print(sns.distplot.__doc__)
#Age直接去掉缺失值
sns.distplot(x_train['Age'].dropna(),hist=True,kde=True)
#以中值替换
x_train['Age'].replace(np.nan,np.nanmedian(x_train['Age']),
       inplace=True)

（2）Cabin字段：缺失值比较多，直接去掉
x_train.drop("Cabin",axis=1,inplace=True)

（3）Embarked字段：由于Embarked表示乘船的港口，是字符型，缺失值比较少，填补
#可以填最多.
#由countplot函数 可以得到可以得到 最多的是‘s’因此 空缺项填s

#sns.countplot(x='Embarked',data=x_train)

x_train['Embarked'].replace(np.nan,'S',
       inplace=True)
（4）Fare字段 只有一个缺失值,查看分布可知，没有什么规律，
'''
1）查询是哪条数据的票价信息欠缺，查看数据
2）查询信息Pclass=3，Embarked=“s”的数据，并返回Dataframe对象
3）讲缺失信息填为查询到信息的中值
'''

（5）sex字段 进行替换  male--1   female--0

x_train.drop("Cabin",axis=1,inplace=True)

#处理Embarked字段：由于Embarked表示乘船的港口，是字符型，缺失值比较少，填补
#可以填最多.
#由countplot函数 可以得到可以得到 最多的是‘s’因此 空缺项填s

#sns.countplot(x='Embarked',data=x_train)

x_train['Embarked'].replace(np.nan,'S',
       inplace=True)

#处理Fare只有一个缺失值,查看分布可知，没有什么规律，
'''
（1）查询是哪条数据的票价信息欠缺，查看数据
（2）查询信息Pclass=3，Embarked=“s”的数据，并返回Dataframe对象
（3）讲缺失信息填为查询到信息的中值
'''
print(x_train.isnull().sum())

#sns.countplot(x='Fare',data=x_train)

print(x_train[np.isnan(x_train['Fare'])])
pclass3_fares=x_train.query('Pclass==3 & Embarked=="S"')

pclass3_fares=pclass3_fares['Fare'].replace(np.nan,0)

median_fare=np.median(pclass3_fares)
print(median_fare)

x_train.loc[x_train['PassengerId']==1044,'Fare']=median_fare
#print(x_train.isnull().sum())
#结果可知没有缺失值

#对于sex字段 进行替换  male--1   female--0
x_train['Sex'].replace(['male','female'],[1,0],inplace=True)
#print(x_train.head())

下图是对Embarked的统计，可以看出"s"港口上船的人最多，此时缺失值填写“S”。

#数据清洗与分割
print(x_train.shape)
x_train=pd.get_dummies(x_train)#类似于one hot编码
print(x_train.shape)

#数据清洗  训练：测试=8:2 shuffle=True表示进行清洗数据
from sklearn.model_selection import train_test_split
#print(train_test_split.__doc__)

train_x,test_x,train_y,test_y=train_test_split(x_train,y_train,
                                               train_size=0.8,
                                                random_state=42,
                                                shuffle=True)

print("train_x,test_x,train_y,test_y,shape is:n{}n{}n{}n{}n"
      .format(train_x.shape,test_x.shape,train_y.shape,test_y.shape)

from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score
from sklearn import metrics

#创建模型
model=DecisionTreeClassifier()
model.fit(train_x,train_y)

#预测结果
#预测训练集
train_pre=model.predict(train_x)
test_pre=model.predict(test_x)

#计算预测精度
train_acc=accuracy_score(train_y,train_pre)
test_acc=accuracy_score(test_y,test_pre)
print('train_acc:%fn,test_acc:%f'%(train_acc,test_acc))

最后得到：

 2.3  ROC

#计算ROC
y_score_dt=model.predict_proba(test_x)

fp,tp,thresholds=metrics.roc_curve(test_y,y_score_dt[:,1])
print(fp,tp)
auc_score=metrics.roc_auc_score(test_y,y_score_dt[:,1])
print(auc_score)