Kaggle试水之泰坦尼克灾难

比赛地址：https://www.kaggle.com/c/titanic

再次想吐槽CSDN，编辑界面经常卡死，各种按钮不能点，注释的颜色不能改，很难看清。写了很多卡死要崩溃。

我也是第一次参加这个，代码还是看了一下别人介绍的，修改了错误的代码，并且在自己的理解了改进了一点代码，排名从5900到2200，改进还是不错的。而且目前未做任何参数的微调，仅仅是代码改进了一下。

以下介绍代码及分析过程，编辑界面使用jupyter

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns#可视化工具
import warnings
import re

#忽视警告
warnings.filterwarnings('ignore')
#这个是jupyter notebook里的，用于直接显示图像到控制台，其他地方不必
%matplotlib inline

加载文件：

train_data=pd.read_csv('train.csv')
test_data=pd.read_csv('test.csv')
#提取测试id，因为测试数据也要预处理，而后面还要保存结果上传文件
test_x=test_data['PassengerId']
#看一下有哪些特征
test_data.columns

查看一些测试集有哪些特征，结果如下所示，训练集多一个survivor特征

Index(['PassengerId', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch',
       'Ticket', 'Fare', 'Cabin', 'Embarked'],
      dtype='object')

我们可以使用一个函数来查看特征的缺失情况，以便处理缺失值。

def missingdata(data):
    #isnull函数将DataFrame变为一个True（如果是None或NaN）和False的类数组结构
    #sum统计的是缺失的，即isnull后为True的
    #count统计全部，不论为True还是False。但不能直接用count，否则缺失的不会统计
    total = data.isnull().sum().sort_values(ascending = False)
    percent = (data.isnull().sum()/data.isnull().count()*100).sort_values(ascending = False)
    #axis：应该是0为竖直方向拼接，即拼接在行后，1为按列拼接，类似table添加column
    #concat调用时在jupyter下自动绘表
    ms=pd.concat([total, percent], axis=1, keys=['Total', 'Percent'])
    #去除百分比为0的属性
    ms= ms[ms["Percent"] > 0]
    f,ax =plt.subplots(figsize=(8,6))
    plt.xticks(rotation='')
    fig=sns.barplot(ms.index, ms["Percent"],color="green",alpha=0.8)
    plt.xlabel('Features', fontsize=15)
    plt.ylabel('Percent of missing values', fontsize=15)
    plt.title('Percent missing data by feature', fontsize=15)
    return ms

调用函数missingdata(test_data) 显示如下图：

​

以上是测试数据的丢失情况，将Fare改为Embarked，就是训练数据的丢失情况。

下面处理丢失情况，可以用众数、平均数或中位数来填充缺失数据。对于港口，我们使用第一个代替，对于年龄和票价，使用中位数填充。

#训练数据

train_data['Embarked'].fillna(train_data['Embarked'][0],inplace=True)

train_data['Age'].fillna(train_data['Age'].median(),inplace=True)

#测试数据

test_data['Age'].fillna(test_data['Age'].median(),inplace=True)

test_data['Fare'].fillna(test_data['Fare'].median(),inplace=True)

然后，对于丢失严重的Cabin和冗余、不必要的特征，可以直接丢掉。

columns=['PassengerId','Ticket','Fare','Cabin']

train_data.drop(columns=columns,inplace=True)

test_data.drop(columns=columns,inplace=True)

定义一个函数，获取Name里的称呼

def get_title(name):
    title_search = re.search(' ([A-Za-z]+)\.', name)
    # If the title exists, extract and return it.
    if title_search:
        return title_search.group(1)
    return ""

将Name特征替换为称呼，并按尊贵级别分类

train_data['Title']=train_data['Name'].apply(get_title)#名字只保留称呼

test_data['Title']=test_data['Name'].apply(get_title)

#分为Rare尊贵称呼，以及女士、小姐、男士
train_data['Title'] = train_data['Title'].replace(['Master','Don', 'Rev','Dr', 'Major','Lady',
                                                 'Sir', 'Col', 'Capt', 'Countess', 'Jonkheer'], 'Rare')

#分出小姐和夫人
train_data['Title'] = train_data['Title'].replace('Mlle', 'Miss')
train_data['Title'] = train_data['Title'].replace('Ms', 'Miss')
train_data['Title'] = train_data['Title'].replace('Mme', 'Mrs')

#测试集多了一个Dona
test_data['Title'] = test_data['Title'].replace(['Master','Don','Dona','Rev','Dr', 'Major','Lady',
                                                 'Sir', 'Col', 'Capt', 'Countess', 'Jonkheer'], 'Rare')

#分出小姐和夫人
test_data['Title'] = test_data['Title'].replace('Mlle', 'Miss')
test_data['Title'] = test_data['Title'].replace('Ms', 'Miss')
test_data['Title'] = test_data['Title'].replace('Mme', 'Mrs')

替换后将旧特征Name去除

test_data.drop(columns=['Name'],inplace=True)

train_data.drop(columns=['Name'],inplace=True)

新建一个特征，表示家庭人员数量

#添加一个新特征：家庭人员数量
train_data['FamilySize'] = train_data['SibSp'] + train_data['Parch'] + 1

test_data['FamilySize'] = test_data['SibSp'] + test_data['Parch'] + 1

然后取出旧的特征：

columns=['SibSp','Parch']
#有了新的特征，这2个特征可以去除
train_data.drop(columns=columns,inplace=True)

test_data.drop(columns=columns,inplace=True)

我们将年龄进行区段划分，在此之前我统计了一下年龄的分布，当然不同人可能有不同的划分。

#将年龄划分一下区段
train_data['Age_bin']=pd.cut(train_data['Age'],bins=[0,14,20,50,100],labels=['Children','Teenage','Adult','Elder'])

test_data['Age_bin']=pd.cut(test_data['Age'],bins=[0,14,20,50,100],labels=['Children','Teenage','Adult','Elder'])

同样，清除旧的Age特征：

#划分后删除Age特征
train_data.drop(columns=['Age'],inplace=True)

test_data.drop(columns=['Age'],inplace=True)

将数据按家庭成员数量进行划分，可以看看家庭成员数量的分布：

#将家庭大小也分段
train_data['Family_bin']=pd.cut(train_data['FamilySize'],bins=[0,3,7,12],labels=['Small','Medium','Large'])

test_data['Family_bin']=pd.cut(test_data['FamilySize'],bins=[0,3,7,12],labels=['Small','Medium','Large'])

去除旧的特征：

#删除旧的特征，到此大概有3*2*3*3*4*3=648理论节点
train_data.drop(columns=['FamilySize'],inplace=True)

test_data.drop(columns=['FamilySize'],inplace=True)

接下来使用类似one-hot机制处理数据，并绘制相关图：

图中绿色代表相关性高，可以看到，2个不同的特征之间相关性是很低的，这说明选取的特征较为相互独立。

train_show=pd.get_dummies(train_data,columns=['Pclass', 'Sex', 'Embarked', 'Title', 'Age_bin',
       'Family_bin'])
test_show=pd.get_dummies(test_data,columns=['Pclass', 'Sex', 'Embarked', 'Title', 'Age_bin',
       'Family_bin'])
sns.heatmap(train_show.corr(),annot=True,cmap='RdYlGn',linewidths=0.2)
fig=plt.gcf()
fig.set_size_inches(20,12)
plt.show()

接下来建立模型

#建模
from sklearn.model_selection import train_test_split #for split the data
from sklearn.metrics import accuracy_score  #for accuracy_score
from sklearn.ensemble import RandomForestClassifier

#划分训练特征和训练目标标签
data_y=train_show['Survived']
data_x=train_show.drop('Survived',axis=1)#inplace=False

#分出验证集
x_train,x_val,y_train,y_val=train_test_split(data_x,data_y,test_size=0.3,random_state=0)

model = RandomForestClassifier(n_estimators=700,
                             max_features='auto',oob_score=True,
                             random_state=1,n_jobs=-1)

训练模型，看看验证精度，这里验证精度与参考代码差不多，但是后面预测的精度的精度更高。

model.fit(x_train,y_train)
pre_val=model.predict(x_val)
round(accuracy_score(pre_val,y_val)*100,2)#82%左右

使用模型对测试数据进行预测，并存为文件，以便上传打分。

pre_test=model.predict(test_show)
#test_x即最初开始就提取的乘客id，因为预测时这个特征是不用的
result=pd.DataFrame({'PassengerId':test_x, 'Survived':pre_test})
result.to_csv("result.csv", index=False)#存储

至此，只需要将csv文件提交，即可得到一个分数。