kaggle入门题Titanic

Posted stAr_1

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了kaggle入门题Titanic相关的知识,希望对你有一定的参考价值。

集成开发环境:Pycharm

python版本:2.7(anaconda库)

用到的库:科学计算库numpy,数据分析包pandas,画图包matplotlib,机器学习库sklearn

大体步骤分为三步:

1.数据分析

2.交叉验证

3.预测并输出结果

 

导入库函数

import numpy as np
import pandas as pa
import matplotlib.pyplot as pl
from sklearn.linear_model import LogisticRegression
from sklearn import model_selection
# 最后一个库是原来cross_validation的替代,原来那个过时了,再用会有警告,其实里边的函数都没变

 

第一步:数据分析

1.1通过画图分析出数据中对预测影响很小的特征值,忽略这些特征可以减小工作量

 1 # pandas库里的read_csv可以把csv文件读取为dataFrame对象,这个对象就是很多列(数组)共享一个index,这个index 是真的存在的且可以指定,每一列都有name
 2 # 其形状大小是真实数据的形状,不包括index和name
 3 # 路径可以是绝对路径和相对路径,注意路径中的反斜线是两根,或者一根/
 4 train_obj = pa.read_csv(train.csv)
 5 test_obj = pa.read_csv(test.csv)
 6 
 7 # 首先把一看就知道对结果没有影响的数据去掉
 8 # DataFrame对象的drop方法:删除行或者列,可以多行,drop(‘行名或者列名‘,axis=0/1(0是行,1是列)),多个行名或者列名:[‘‘,‘‘]
 9 trainData = train_obj.drop([Name, Ticket, Cabin], axis=1)
10 testData = test_obj.drop([Name, Ticket, Cabin], axis=1)
11 
12 # 下面用画图的形式对其他变量对最后结果的影响作出判断:
13 # 首先考察船舱和性别,用groupby函数对的数据进行分类,groupby(‘列名‘),根据给出的列,把具有相同数值的合为一组,组数为列值的种数
14 # 如果groupby([‘列名1‘,‘列名2‘]),则列1为分大类,大类中再根据列2进行分类
15 train_group1 = trainData.groupby([Sex, Pclass])  # 返回类型是Groupby类型,里边有key1*key2组
16 # sum()是将各组内每个特征的所有数据相加,返回也是key1*key2组,只不过每组里只有一行数据,是所有数据之和
17 # count()是统计各组每个特征的数据量(由于有缺失数据,所以各个特征间是不一定一样的)
18 rate = (train_group1.sum() / train_group1.count())[Survived]  # 有6组,每组都只有一个值,生存率
19 
20 # 下面开始画图,柱状图
21 x = np.array([1, 2, 3])
22 wi = 0.3
23 # bar(left,height,width,color)用来化柱状图,参数分别是每个柱子的左侧位置坐标,高度(一般就是数据),宽度,颜色,前三个一般都是集合
24 pl.bar(x, rate.female, wi, color=r)
25 pl.bar(x, rate.male, wi, color=b)
26 pl.title("survived rate")
27 # 坐标轴名称
28 pl.xlabel("Pclass")
29 pl.ylabel("rate")
30 # 指定网格线格式
31 pl.grid(True, linestyle=-, color=0.7)
32 # 轴的刻度
33 pl.xticks([1, 2, 3])
34 # arange(起点,终点,间隔),创建一个等差序列
35 pl.yticks(np.arange(0.0, 1.1, 0.1))
36 # 对不同的柱做标记
37 pl.legend([female, male])
38 # pl.show()
39 # 接下来的过程和上边差不多,分别是判断了年龄、上船地点、船上亲属人数

1.2数据预处理,将特征中比较相似的直接相加作为一个,非数值类型转为数值类型,对缺失值进行处理

 1 # 船上的亲属人数就是把两个代表家属的变量相加
 2 trainData[family] = trainData[SibSp] + trainData[Parch]
 3 # pandas中的map()函数一般是用来进行数据转换的,参数是函数或者字典,一个series调用map(),会对照字典用的key,将series中的key全部改成相应的value,map()函数返回一个新的,对源对象不操作
 4 trainData[Sex] = trainData[Sex].map({female: 0, male: 1})
 5 trainData[Embarked] = trainData[Embarked].map({C: 0, Q: 1, S: 2})
 6 # numpy.isnan()函数的作用是返回一个Boolean数组,对应input的下标,若当前位置是nan那么就是true,否则false
 7 # 对一个数组挑选时可以用array[True,False,True...]True就是选择
 8 # 挑选出age为nan的,这个集合不用age这个特征,做四特征预测
 9 train_age_nan = trainData[np.isnan(trainData[Age])]
10 # 挑选出age不为空的数据,直接调用dropna(),这个方法会去掉输入数组中有nan特征的数据,挑选后的具备所有特征,所以可以用所有特征
11 train_all = trainData.dropna()
12 # 对于以上两个数据集分别挑选出需要的特征组成训练集,因为之前已经确认了有的是对结果没有影响的,所以可以只挑选有用的
13 # dataframe选取列的格式是两个方括号,[[‘列名‘,‘列名‘]]
14 train_five = train_all[[Sex, Embarked, family, Age, Pclass]]
15 train_four = train_age_nan[[Sex, Embarked, family, Pclass]]
16 
17 # 两个数据集的标记数组
18 train_five_label = train_all[Survived]
19 train_four_label = train_age_nan[Survived]
20 
21 # 至此处理数据工作全部完成,接下来就是训练模型

2.交叉验证

 1 # 使用分类器类
 2 classifier = LogisticRegression(C=10000)  # 这个作为5特征分类器,这里的c是正则化系数,防止系统由于过于复杂而产生过拟合
 3 # 调用cross_validation.cross_val_score(分类器,data,target,cv),这个函数返回每次交叉验证的准确率,方法是StratifiedKFold,具体看http://blog.sina.com.cn/s/blog_6a90ae320101a5rc.html
 4 # 函数返回一个数组
 5 score = model_selection.cross_val_score(classifier, train_five, train_five_label, cv=5)  # 交叉验证
 6 classifier2 = LogisticRegression()  # 这个作为4特征分类器
 7 score2 = model_selection.cross_val_score(classifier2, train_four, train_four_label, cv=5)  # 交叉验证
 8 # 查看平均值
 9 print score.mean()
10 print score2.mean()

3.输出结果

 1 # 下面开始输出结果
 2 
 3 # 首先处理测试集
 4 testData[Sex] = testData[Sex].map({female: 0, male: 1})
 5 testData[Embarked] = testData[Embarked].map({C: 0, Q: 1, S: 2})
 6 testData[family] = testData[SibSp] + testData[Parch]
 7 # 这里不能用两个数据集,因为如果将数据分开分别判断,那么无法和乘客号对应
 8 # 读取官方结果
 9 answer = pa.read_csv(gender_submission.csv)
10 
11 # 训练分类器
12 classifier.fit(train_five, train_five_label)
13 classifier2.fit(train_four, train_four_label)
14 
15 # 输出测试集结果
16 passengers = pa.DataFrame(testData[PassengerId])
17 # 这里必须先创建一个列,直接赋值会出错
18 passengers[Survived] = ‘‘
19 # isnan()是numpy库里的函数
20 #这里有个问题就是如果直接对passengers[‘Survived‘][i]每行赋值的话会有SettingCopyWarning警告,正确的方法是先生成一个数组temp,然后把数组赋值给列,直接添加会有警告
21 temp = np.zeros(passengers.shape[0])
22 for i in range(len(testData)):
23     if np.isnan(testData[Age][i]):
24         # 这里也有一个问题:由于需要一个一个做预测,但是predict函数要求输入二维数组,单行数据是一维的
25         #所以要把数据转为numpy中的array,然后转为二维数组
26         #reshape()函数可以利用原数组数据改变数组的尺寸,但是主要新旧数组数据量相同,而reshape(1,-1)可以将[xxx]转为[[xxx]]这种,就可以用了
27         temp[i] = classifier2.predict(np.array( testData[[Pclass, Sex, Embarked, family]].ix[i].dropna()).reshape(1,-1))
28     else:
29         temp[i] = classifier.predict(np.array(testData[[Sex, Embarked, family, Age, Pclass]].ix[i]).reshape(1,-1))
30 passengers[Survived] = temp
31 # 结算准确率
32 acc = 1 - float(sum(abs(answer[Survived] - passengers[Survived]))) / len(passengers)
33 print acc
34 # 输出文件
35 passengers.to_csv(result.csv,encoding=utf-8,index=False)

 

  

以上是关于kaggle入门题Titanic的主要内容,如果未能解决你的问题,请参考以下文章

kaggle入门项目:Titanic存亡预测验证与实现

Titanic生存预测(Kaggle入门赛)——基于R语言

kaggle入门之Titanic生存预测

Titanic幸存预测分析(Kaggle)

kaggle初探之titanic

Titanic(Kaggle)-Logistic