Titanic缺失数值处理 & 存活率预测

1. kaggle泰坦尼克数据titanic完整下载，原作者良心分享

https://download.csdn.net/download/lansui7312/9936840
2. 缺失值处理

# -*- coding:utf -

import pandas as pd

import numpy as np

from sklearn.ensemble import RandomForestRegressor

df = pd.read_csv('train.csv',header=0)

# SibSp 堂兄弟/妹个数

# Parch 父母与小孩个数

# Cabin 客舱

# Embarked 登船港口

# df.head(20)

# df.info()

# print(df.describe())

# print(df.columns[1])

# 男性和女性幸存率查看

x=[df[(df.Sex=='male')]['Sex'].size,df[(df.Sex=='female')]['Sex'].size]

# print(x)

y=[df[(df.Sex=='male') & (df.Survived==1)]['Sex'].size,

   df[(df.Sex=='female') & (df.Survived==1)]['Sex'].size]

# print(y[1]*100/x[1],y[0]*100/x[0])

# 缺失值处理

# 1. 删掉缺失行

# 2. 上船地点不重要，用众数赋值

df.Embarked[df.Embarked.isnull()] = df.Embarked.dropna().mode().values

# print(df.Embarked)

#3.  标称属性，赋予缺失值，因为缺失本身可能也是一种隐含信息。比如Cabin代表没有船舱

df.Cabin[df.Cabin.isnull()]='U0'

# print(df.Cabin)

#4.  使用回归、随机森林等模型来预测缺失属性的值

# 因为年龄是一个相当重要的特征，所以要保证一定的缺失值填充准确率

age_df=df[['Age','Survived','Fare','Parch','SibSp','Pclass']]

age_df_notnull = age_df.loc[(df.Age.notnull())]

age_df_isnull = age_df.loc[(df.Age.isnull())]

X = age_df_notnull.values[:,1:]

Y = age_df_notnull.values[:,0]

# y1 = age_df_notnull.values[:,2:]

# X[:,0]是numpy中数组的一种写法表示对一个二维数组，取该二维数组第一维中的所有数据，第二维中取第0个数据，直观来说，X[:,0]就是取所有行的第0个数据, X[:,1] 就是取所有行的第1个数据

# print(X)

rfr = RandomForestRegressor(n_estimators=1000,n_jobs=-1)

rfr.fit(X,Y)

predictAges = rfr.predict(age_df_isnull.values[:,1:])

df.loc[(df.Age.isnull()),'Age'] = predictAges

print(df.describe())