泰坦尼克号沉船数据之美——起于悲剧，止于浪漫
前言：泰坦尼克号，不只是卡梅隆导演的经典电影，它是一个真实存在的悲剧，也是电影的故事背景与题材。作为一个IT人，分析事实还得看数据，了解到泰坦尼克号沉船幸存者多为老人、小孩和妇女，而牺牲者多为年轻的男士，这样的历史数据，让我感受到了人性之美与善，七夕，我们一起来分析一下这一悲壮与浪漫的数据吧～
本文内容包含了泰坦尼克号沉船数据分析与可视化、数据建模与分类预测。
现有 titanic.csv 数据集。该数据集记录了泰坦尼克轮船上的乘客信息。使用 scikit-learn 对该数据集进行分析，探究生存率和哪些因素有关(性别,年龄,是否有伴侣,票价,舱位等级,包间,出发地点)。
关键步骤：
1、把数据随机分成训练集和测试集两类。
2、构造特征向量。（注意：如果所选特征是非数值特征，需要将其转成数值。）
3、分别训练判定树、KNN、SVC和朴素贝叶斯四种模型，对测试数据进行预测。
4、使用混淆矩阵对分类器的分类结果进行评估，比较。
5** 绘制ROC曲线。
获取资源：
百度网盘：https://pan.baidu.com/s/1qsY70lqwmgWnMn-A81NOaw 提取码：wsdc
演示环境：Python 3、Jupyter notebook
涉及技术：scikit-learn 分类 + seaborn + matplotlib + pandas +numpy
操作步骤：
导入数据集预处理、特征工程、模型训练和模型对比所需的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from pylab import *
import seaborn as sns
from sklearn import model_selection, preprocessing, naive_bayes, metrics, svm
from sklearn.model_selection import train_test_split, GridSearchCV
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn import ensemble, tree
# 忽略警告提示
import warnings
warnings.filterwarnings('ignore')
1. 数据预处理
1.1 导入数据
data = pd.read_csv('titanic.csv')
print(data.shape)
data.sample(5)
输出：(891, 15)
1.2 处理缺失值
data.isnull().sum()
输出：
survived 0
pclass 0
sex 0
age 177
sibsp 0
parch 0
fare 0
embarked 2
class 0
who 0
adult_male 0
deck 688
embark_town 2
alive 0
alone 0
dtype: int64
缺失值分析：
age、deck、embarked、embark_town 存在缺失值，需要处理。（1）age 对生存率有影响，不能忽略，用平均值填充；（2）总共有 891 条信息，deck 有 688 个缺失值，因此剔除 deck 这个分类标签；（3）embarked、embark_town 缺失值较少，都为 2 个，随机取其中一个数据填充。
data['age']=data['age'].fillna(data['age'].median())
del data['deck']
data['embarked']=data['embarked'].fillna('S')
data['embark_town']=data['embark_town'].fillna('Southampton')
data.isnull().sum()
输出：
survived 0
pclass 0
sex 0
age 0
sibsp 0
parch 0
fare 0
embarked 0
class 0
who 0
adult_male 0
embark_town 0
alive 0
alone 0
dtype: int64
1.3 观察数据
1.3.1 全体成员的生存情况
survived = data['survived'].value_counts().to_frame().reset_index().rename(columns={'index': 'label', 'survived': 'counts'})
#计算存活率
survived_rate = round(342/891, 2)
survived['rate'] = [1-survived_rate, survived_rate]
survived
输出：
数据描述：存活 的有 342 人，遇难 的有 549 人。
mpl.rcParams['axes.unicode_minus'] = False #处理无法显示中文的问题
mpl.rcParams['font.sans-serif'] = ['SimHei']
fig=plt.figure(1,figsize=(6,6))
ax1=fig.add_subplot(1,1,1)
label=['遇难','存活']
color=['#C23531','#F5DEB3']
explode=0.05,0.05 #扇区间隔
patches,l_text,p_text = ax1.pie(survived.rate,labels=label,colors=color,startangle=90,autopct='%1.0f%%',explode=explode,shadow=True)
for t in l_text:
t.set_size(20)
for t in p_text:
t.set_size(20)
ax1.set_title('全体成员的生存情况', fontsize=20)
输出：
1.3.2 乘客的各属性分布情况
fig = plt.figure(figsize=(15,10))
fig.set(alpha=0.3) # 设定图表颜色alpha参数(透明度)
plt.subplot2grid((2,3),(0,0))
data.survived.value_counts().plot(kind='bar')
plt.title("获救情况 (1为获救)")
plt.ylabel("人数")
plt.subplot2grid((2,3),(0,1))
data.pclass.value_counts().plot(kind="bar")
plt.ylabel("人数")
plt.title("乘客等级分布")
plt.subplot2grid((2,3),(0,2))
plt.scatter(data.survived, data.age)
plt.ylabel("年龄")
plt.grid(b=True, which='major', axis='y')
plt.title("按年龄看获救分布 (1为获救)")
plt.subplot2grid((2,3),(1,0), colspan=2)
data.age[data.pclass == 1].plot(kind='kde')
data.age[data.pclass == 2].plot(kind='kde')
data.age[data.pclass == 3].plot(kind='kde')
plt.xlabel("年龄")
plt.ylabel("密度")
plt.title("各等级的乘客年龄分布")
plt.legend(('头等舱', '2等舱','3等舱'),loc='best')
plt.subplot2grid((2,3),(1,2))
data.embarked.value_counts().plot(kind='bar')
plt.title("各登船口岸上船人数")
plt.ylabel("人数")
plt.show()
输出：
1.3.3 特征之间的相关性
sns.heatmap(data.corr(),annot=True,cmap='RdYlGn',linewidths=0.2)
fig=plt.gcf()
fig.set_size_inches(10,8)
plt.show()
输出：
1.3.4 连续值特征（年龄、船票费用）对生存结果的影响
fig = plt.figure(figsize=(15,4))
plt.subplot2grid((2,2),(0,0))
data.age[data.survived == 0].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#C23531', fontsize=15)
plt.grid(linestyle="--", alpha=0.8)
plt.title("遇难", fontsize=15)
plt.subplot2grid((2,2),(0,1))
data.fare[data.survived == 0].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#C23531', fontsize=15)
plt.grid(linestyle="--", alpha=0.8)
plt.title("遇难", fontsize=15)
plt.subplot2grid((2,2),(1,0))
data.age[data.survived == 1].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#F5DEB3', fontsize=15)
plt.grid(linestyle="--", alpha=0.8)
plt.xlabel("存活", fontsize=15)
plt.subplot2grid((2,2),(1,1))
data.fare[data.survived == 1].plot(kind='box', vert=False, patch_artist=True, notch = True, color='#F5DEB3', fontsize=15)
plt.grid(linestyle="--", alpha=0.8)
plt.xlabel("存活", fontsize=15)
输出：
1.3.5 乘客等级、性别对生存结果的影响（从年龄的分布看）
mpl.rcParams.update({'font.size': 14})
fig,axes=plt.subplots(2,2,figsize=(18, 12))
sns.violinplot("pclass","age", hue="survived", data=data, palette='autumn',ax=axes[0][0]).set_title('Pclass and Age vs Survived')
sns.swarmplot(x="pclass", y="age",hue="survived", data=data,palette='autumn',ax=axes[1][0]).legend(loc='upper right').set_title('survived')
sns.violinplot("sex","age", hue="survived", data=data, palette='winter', ax=axes[0][1]).set_title('Sex and Age vs Survived')
sns.swarmplot(x="sex", y="age",hue="survived", data=data,palette='winter',ax=axes[1][1]).legend(loc='upper right').set_title('survived')
输出：
1.3.6 乘客等级、性别对生存结果的影响（从船票费用的分布看）
fig,axes=plt.subplots(2,2,figsize=(18, 12))
sns.violinplot("pclass","fare", hue="survived", data=data, palette='autumn',ax=axes[0][0]).set_title('Pclass and Age vs Survived')
sns.stripplot("pclass", "fare",hue="survived", data=data,palette='autumn',ax=axes[1][0]).legend(loc='upper right').set_title('survived')
sns.violinplot("sex","fare", hue="survived", data=data, palette='winter', ax=axes[0][1]).set_title('Sex and Age vs Survived')
sns.stripplot("sex", "fare",hue="survived", data=data,palette='winter',ax=axes[1][1]).legend(loc='upper right').set_title('survived')
输出：
2. 特征工程
2.1 Feature Preprocessing——标签编码预处理
在所有标签中，survived 是分类标签，其余的 14 个变量是分类特征。 由于特征和标签的值存在非结构化类型，因此需要进行特征工程处理，即进行字符串编码处理。
data.info()
输出：
RangeIndex: 891 entries, 0 to 890
Data columns (total 14 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 survived 891 non-null int64
1 pclass 891 non-null int64
2 sex 891 non-null object
3 age 891 non-null float64
4 sibsp 891 non-null int64
5 parch 891 non-null int64
6 fare 891 non-null float64
7 embarked 891 non-null object
8 class 891 non-null object
9 who 891 non-null object
10 adult_male 891 non-null bool
11 embark_town 891 non-null object
12 alive 891 non-null object
13 alone 891 non-null bool
dtypes: bool(2), float64(2), int64(4), object(6)
memory usage: 85.4+ KB
初始化编码器
le = preprocessing.LabelEncoder()
for col in data.columns:
data[col] = le.fit_transform(data[col])
data.head()
data.to_csv('Preprocessing_Titanic.csv')
2.2 去除多余的的标签
名字对生存率几乎没有影响，所以删除 who 标签
del data['who']
去掉意思表达一样的标签
data_ = data.T.drop_duplicates().T
print('去重前：', len(data.columns))
print('去重后：', len(data_.columns))
for a in data.columns:
if a not in data_.columns:
for b in data_.columns:
if list(data[b].values) == list(data[a].values):
print(f'重复标签: {a} 和 {b}')
data = data_
输出：
去重前： 13
去重后： 10
重复标签: class 和 pclass
重复标签: embark_town 和 embarked
重复标签: alive 和 survived
data.head()
输出：
2.3 可视化探索各个特征的分布情况
result_plot = data.hist(bins=50, figsize=(14, 12))
输出：
由上面的可视化情况来看，不需要对特征进行标准化处理。
# 对数据进行标准化
# X = StandardScaler().fit_transform(X)
2.4 10折交叉验证分割数据集，9份做训练，1份做测试 ，确保训练和测试数据无交集
X = data.iloc[:, 1:]
y = data.iloc[:, 0]
x_train, x_test, y_train, y_test = train_test_split(X, y,test_size=0.1,shuffle=True,random_state=20)
print(x_train.shape)
print(x_test.shape)
print(y[:5])
X[:5]
输出：
(801, 9)
(90, 9)
0 0
1 1
2 1
3 1
4 0
Name: survived, dtype: int64
3. 建立模型训练及评估函数
3.1 建模
model, train_score, test_score, roc_auc = [], [], [], [] # 存储相关模型信息，以便后续分析
def train_model(classifier, x_train, y_train, x_test):
lr = classifier # 初始化
lr.fit(x_train, y_train) # 训练
y_pred_lr = lr.predict(x_test) # 预测
if '.' in str(classifier):
model_name = str(classifier).split('(')[0].split('Classifier')[0].split('.')[1]
print('\n{:=^60}'.format(model_name))
else:
model_name = str(classifier).split('(')[0].split('Classifier')[0]
print('\n{:=^60}'.format(model_name))
model.append(model_name)
# 性能评估
print('\n>>>在训练集上的表现：', lr.score(x_train, y_train))
print('\n>>>在测试集上的表现：', metrics.accuracy_score(y_test, y_pred_lr))
print('\n>>>预测的 Roc_auc：%.4f' % metrics.roc_auc_score(y_test, y_pred_lr))
print('\n>>>混淆矩阵'),show_confusion_matrix(metrics.confusion_matrix(y_test,y_pred_lr))
train_score.append(lr.score(x_train, y_train))
test_score.append(metrics.accuracy_score(y_test, y_pred_lr))
roc_auc.append(metrics.roc_auc_score(y_test, y_pred_lr))
3.2 绘制误分类矩阵函数
def show_confusion_matrix(cnf_matrix):
plt.matshow(cnf_matrix,cmap=plt.cm.YlGn,alpha=0.7)
ax=plt.gca()
ax.set_xlabel('Predicted Label',fontsize=16)
ax.set_xticks(range(0,len(survived.label)))
ax.set_xticklabels(survived.label,rotation=45)
ax.set_ylabel('Actual Label',fontsize=16,rotation=90)
ax.set_yticks(range(0,len(survived.label)))
ax.set_yticklabels(survived.label)
ax.xaxis.set_label_position('top')
ax.xaxis.tick_top()
for row in range(len(cnf_matrix)):
for col in range(len(cnf_matrix[row])):
ax.text(col,row,cnf_matrix[row][col],va='center',ha='center',fontsize=16)
plt.show()
3.3 绘制ROC曲线函数
def show_roc_line(classifier, x_train, y_train):
y_train_prob=classifier.predict_proba(x_train)
y_pred_prob=y_train_prob[:,1] #正例率
fpr,tpr,thresholds=metrics.roc_curve(y_train,y_pred_prob) #计算ROC曲线
auc=metrics.auc(fpr,tpr) #计算AUC
plt.plot(fpr,tpr,lw=2,label='ROC curve (area={:.2f})'.format(auc))
plt.plot([0,1],[0,1],'r--')
plt.xlim([-0.01, 1.02])
plt.ylim([-0.01, 1.02])
plt.xlabel('False Positive Rate')
plt.ylabel('True Positive Rate')
plt.title('Receiver Operating Characteristic')
plt.legend(loc='lower right')
plt.show()
4. 训练预测
(1) Decision Tree 模型
classifier = tree.DecisionTreeClassifier()
train_model(classifier, x_train, y_train, x_test) #建模
输出：
可视化特征重要性权重
labels = X.columns
importances = classifier.feature_importances_ # 获取特征权重值
indices = np.argsort(importances)[::-1]# 打印特征等级
features = [labels[i] for i in indices]
weights = [importances[i] for i in indices]
print("Feature ranking:")
for f in range(len(features)):
print("%d. %s (%f)" % (f + 1, features[f], weights[f]))# 绘制随机森林的特征重要性
plt.figure()
plt.title("Feature importances")
plt.bar(features, np.array(weights), color='r')
plt.xticks(rotation=90)
plt.title('Feature Weights')
plt.show()
数据分析：从上面的可视化图可以看出，对生存率影响大的特征只有 4 个：fare(船票费用)、adult_male(成年男性)、age(年龄)、pclass(乘客等级)。
(2) KNN模型
classifier = KNeighborsClassifier(n_neighbors=20)
train_model(classifier, x_train, y_train, x_test)
show_roc_line(classifier, x_train, y_train)
输出：
(3) SVC模型
classifier = svm.SVC()
train_model(classifier, x_train, y_train, x_test)
输出：
(4) 朴素贝叶斯
classifier = naive_bayes.GaussianNB()
train_model(classifier, x_train, y_train, x_test) #建模
输出：
show_roc_line(classifier, x_train, y_train) #绘制ROC曲线
输出：
5. 性能比较
比较不同模型之间的性能情况
df = pd.DataFrame()
df['model'] = model
df['Roc_auc'] = roc_auc
df['train_score'] = train_score
df['test_score'] = test_score
df
输出：
【评判标准：AUC(Area under Curve)，Roc曲线下的面积，介于0.1和1之间。Auc作为数值可以直观的评价分类器的好坏，值越大越好。】
从上面的结果可以看出，朴素贝叶斯(GaussianNB)的 Roc_auc 分值最高，预测结果最好，说明朴素贝叶斯比较适合泰坦尼克号问题的分类。
特别的，对于 DecisionTree 的训练和预测结果，可以看出训练集拟合非常好，但是测试集拟合较差，说明过拟合了，需要调参：
param = [{'criterion':['gini'],'max_depth': np.arange(20,50,10),'min_samples_leaf':np.arange(2,8,2),
'min_impurity_decrease':np.linspace(0.1,0.9,10)},
{'criterion':['gini','entropy']},
{'min_impurity_decrease':np.linspace(0.1,0.9,10)}]
clf = GridSearchCV(tree.DecisionTreeClassifier(),param_grid=param,cv=10)
clf.fit(x_train,y_train)
print('最优参数:', clf.best_params_)
print('最好成绩:', clf.best_score_)
输出：
最优参数: {'criterion': 'gini', 'max_depth': 20, 'min_impurity_decrease': 0.1, 'min_samples_leaf': 2}
最好成绩: 0.7839814814814815
按最优参数生成决策树
model = tree.DecisionTreeClassifier(criterion= 'gini', max_depth=20, min_impurity_decrease=0.1, min_samples_leaf= 2)
model.fit(x_train, y_train)
y_pred = model.predict(x_test)
print('train score:', clf.score(x_train, y_train))
print('test score:', clf.score(x_test, y_test))
print("查准率：", metrics.precision_score(y_test,y_pred))
print('召回率:',metrics.recall_score(y_test,y_pred))
print('f1分数:', metrics.f1_score(y_test,y_pred)) #二分类评价标准
输出：
train score: 0.784019975031211
test score: 0.8333333333333334
查准率： 0.7647058823529411
召回率: 0.7878787878787878
f1分数: 0.7761194029850745
从上面的分值来看，按最优参数生成决策树的预测结果比较理想，但还是比朴素贝叶斯(GaussianNB)的预测分值差一些，比其他模型的预测分值好。
【最后，祝大家七夕快乐，顺便记得给我点个赞~~~~】
【同时，欢迎留言、讨论~~~】
参考阅读
您阅读本篇文章共花了：
发表评论