怎么使用Python进行泰坦尼克号幸存者的数据分析和预测

泰坦尼克号数据集是机器学习领域中最著名的数据集之一，它包含了泰坦尼克号上乘客的信息以及他们是否幸存。通过Python，我们可以对这个数据集进行深入的分析，并构建预测模型来预测乘客的幸存情况。本文将介绍如何使用Python进行泰坦尼克号幸存者的数据分析和预测。

1. 数据准备

首先，我们需要加载泰坦尼克号数据集。这个数据集通常可以从Kaggle或其他数据科学资源网站获取。数据集通常包含以下字段：

• PassengerId: 乘客ID
• Survived: 是否幸存（0 = 否，1 = 是）
• Pclass: 乘客舱位等级（1 = 头等舱，2 = 二等舱，3 = 三等舱）
• Name: 乘客姓名
• Sex: 乘客性别
• Age: 乘客年龄
• SibSp: 兄弟姐妹/配偶的数量
• Parch: 父母/子女的数量
• Ticket: 船票编号
• Fare: 船票价格
• Cabin: 客舱编号
• Embarked: 登船港口（C = Cherbourg, Q = Queenstown, S = Southampton）

我们可以使用pandas库来加载和查看数据：

import pandas as pd

# 加载数据集
url = "https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv"
df = pd.read_csv(url)

# 查看前几行数据
df.head()

2. 数据清洗

在进行分析之前，我们需要对数据进行清洗。数据清洗通常包括处理缺失值、去除无关特征、转换数据类型等。

2.1 处理缺失值

我们可以使用isnull()函数来查看数据集中是否有缺失值：

df.isnull().sum()

常见的处理缺失值的方法包括删除含有缺失值的行、填充缺失值等。例如，我们可以用中位数填充Age列的缺失值，用众数填充Embarked列的缺失值：

# 用中位数填充Age列的缺失值
df['Age'].fillna(df['Age'].median(), inplace=True)

# 用众数填充Embarked列的缺失值
df['Embarked'].fillna(df['Embarked'].mode()[0], inplace=True)

2.2 去除无关特征

有些特征可能对预测幸存者没有帮助，例如PassengerId、Name、Ticket和Cabin。我们可以将这些特征从数据集中删除：

df.drop(['PassengerId', 'Name', 'Ticket', 'Cabin'], axis=1, inplace=True)

2.3 转换数据类型

有些特征需要转换为数值类型，以便于模型处理。例如，我们可以将Sex列转换为数值类型（0 = 男性，1 = 女性），并将Embarked列进行独热编码：

# 将Sex列转换为数值类型
df['Sex'] = df['Sex'].map({'male': 0, 'female': 1})

# 对Embarked列进行独热编码
df = pd.get_dummies(df, columns=['Embarked'], drop_first=True)

3. 数据分析

在数据清洗之后，我们可以对数据进行一些基本的分析，以了解数据的分布和特征之间的关系。

3.1 幸存者比例

我们可以计算幸存者的比例：

survived_ratio = df['Survived'].mean()
print(f"幸存者比例: {survived_ratio:.2%}")

3.2 不同舱位的幸存率

我们可以按舱位等级分组，计算每个舱位的幸存率：

survived_by_class = df.groupby('Pclass')['Survived'].mean()
print(survived_by_class)

3.3 年龄与幸存率的关系

我们可以绘制年龄与幸存率的关系图：

import seaborn as sns
import matplotlib.pyplot as plt

sns.boxplot(x='Survived', y='Age', data=df)
plt.title('年龄与幸存率的关系')
plt.show()

4. 构建预测模型

在完成数据分析后，我们可以构建一个机器学习模型来预测乘客的幸存情况。常用的模型包括逻辑回归、随机森林、支持向量机等。

4.1 划分训练集和测试集

首先，我们需要将数据集划分为训练集和测试集：

from sklearn.model_selection import train_test_split

# 特征和目标变量
X = df.drop('Survived', axis=1)
y = df['Survived']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

4.2 训练模型

我们可以使用逻辑回归模型进行训练：

from sklearn.linear_model import LogisticRegression

# 初始化模型
model = LogisticRegression()

# 训练模型
model.fit(X_train, y_train)

4.3 评估模型

我们可以使用准确率、混淆矩阵等指标来评估模型的性能：

from sklearn.metrics import accuracy_score, confusion_matrix

# 预测测试集
y_pred = model.predict(X_test)

# 计算准确率
accuracy = accuracy_score(y_test, y_pred)
print(f"模型准确率: {accuracy:.2%}")

# 混淆矩阵
conf_matrix = confusion_matrix(y_test, y_pred)
print("混淆矩阵:")
print(conf_matrix)

5. 结论

通过本文的介绍，我们学习了如何使用Python对泰坦尼克号数据集进行数据清洗、分析和预测。我们使用逻辑回归模型对乘客的幸存情况进行了预测，并评估了模型的性能。当然，这只是数据分析的一个简单示例，实际应用中还可以尝试更多的特征工程和模型调优方法，以提高预测的准确性。

希望本文对你理解如何使用Python进行数据分析和预测有所帮助！