泰坦尼克号乘客数据集和鸢尾花数据集一样, 是机器学习中最常用的样例数据集之一。为了下次查找方便，故分享一下。文件不大，可以直接下载。

百度网盘链接: https://pan.baidu.com/s/1UQwKboBHFx5BpPe1cwkzfA 提取码: ss3v

链接：https://pan.baidu.com/s/1kEcyx7lwAdMNYTvM4WhhFw

提取码：3gog

百度云盘下载

链接：https://pan.baidu.com/s/1jF99BjxeRXxSUDhCcZ5RjQ

提取码：8gx6

Titanic生存率预测
1 提出问题
什么样的人在泰坦尼克号中更容易存活？
2 理解数据
2.1 采集数据
从Kaggle泰坦尼克号项目页面下载数据：
https://www.kaggle.com/c/titanic​www.kaggle.com
2.2 导入数据
2.3 查看数据集信息
从结果来看，数据总共有1309行。
其中数据类型列：年龄（Age）、船舱号（Cabin）里面有缺失数据：
1）年龄（Age）里面数据总数是1046条，缺失了1309-1046=263，缺失率263/1309=20%；
2）船票价格（Fare）里面数据总数是1308条，缺失了1条数据。
字符串列：
1）登船港口（Embarked）里面数据总数是1307，只缺失了2条数据，缺失比较少；
2）船舱号（Cabin）里面数据总数是295，缺失了1309-295=1014，缺失率=1014/1309=77.5%，缺失比较大。
3 数据清洗
在本案例中，只需对数据进行缺失值处理和异常值处理
常见的缺失值处理方法有：
如果是数值类型，用平均值取代
如果是分类数据，用最常见的类别取代
使用模型预测缺失值，例如：KNN
3.1 数据预处理
对年龄、登船港口和船票价格用平均值来填充缺失值数据，用fillna方法实现数据填充。
3.2 特征提取
1.数据分类
本案例包含两种数据类型
（1）数值类型：乘客编号（PassengerId），年龄（Age），船票价格（Fare），同代直系亲属人数（SibSp），不同代直系亲属人数（Parch）
（2）分类数据：用数值代替类别，并进行One-hot编码
1）有直接类别的
乘客性别（Sex）：男性male，女性female；登船港口（Embarked）：出发地点S=英国南安普顿Southampton，途径地点1：C=法国 瑟堡市Cherbourg，出发地点2：Q=爱尔兰 昆士敦Queenstown；客舱等级（Pclass）：1=1等舱，2=2等舱，3=3等舱
2）字符串类型：可从中提取出特征
乘客姓名（Name），客舱号（Cabin），船票编号（Ticket）
2.对直接类别的列提取特征
（1）性别
（2）登船港口
使用get_dummies进行one-hot编码，产生虚拟变量（dummy variables），列名前缀是Embarked
其中drop方法删除某一列代码：因为drop(name,axis=1)里面指定了name是哪一列，比如指定的是A这一列，axis=1表示按行操作。那么结合起来就是把A列里面每一行删除，最终结果是删除了A这一列.简单来说，使用drop删除某几列的语法：drop([列名1,列名2],axis=1)
（3）客舱等级
3.字符串类型的特征提取
（1）乘客姓名
由于乘客名字当中都包含了具体的称谓或头衔，将这部分信息提取出来后可以作为一个新变量，帮助我们进行预测。
（2）客舱号
使用 lambda 来创建匿名函数，即不再使用 def 语句这样标准的形式定义一个函数，语法如下：lambda 参数1，参数2：函数体或者表达式
（3）家庭类别
家庭类别定义：
小家庭Family_Single：家庭人数=1;
中等家庭Family_Small: 2<=家庭人数<=4;
大家庭Family_Large: 家庭人数>=5
家庭人数=同代直系亲属数（Parch）+不同代直系亲属数（SibSp）+乘客自己（因为乘客自己也是家庭成员的一个，所以这里加1）
3.2 特征选择
根据各个特征的与生存情况（Survived）相关系数的大小，选择以下几个特征作为模型的输入：头衔（前面所在的数据集titleDf）、客舱等级（pclassDf）、家庭大小（familyDf）、船票价格（Fare）、船舱号（cabinDf）、登船港口（embarkedDf）、性别（Sex）
4 构建模型
4.1建立训练数据集和测试数据集
1.测试数据集
将Kaggle泰坦尼克号项目的测试数据（test.csv文件)，作为预测数据集（记为pred）。后续使用机器学习模型来对其生存情况进行预测。
2.训练数据集
使用Kaggle泰坦尼克号项目训练数据集（train.csv文件），作为原始数据集（记为source），从这个原始数据集中拆分出训练数据集（记为train：用于模型训练）和测试数据集（记为test：用于模型评估）。
4.2 建立机器学习模型
5 模型评估
6 方案实施