python泰坦尼克号数据预测_泰坦尼克号幸存者预测 python 详解

泰坦尼克号幸存数据，压缩包第一个

#读取数据

import pandas as pd

data = pd.read_csv(r"C:\Users\lhf\PycharmProjects\python+MachineLeaning\泰坦尼克号数据\data.csv")

print(data.info())

RangeIndex: 891 entries, 0 to 890

Data columns (total 12 columns):

PassengerId 891 non-null int64

Survived 891 non-null int64

Pclass 891 non-null int64

Name 891 non-null object

Sex 891 non-null object

Age 714 non-null float64

SibSp 891 non-null int64

Parch 891 non-null int64

Ticket 891 non-null object

Fare 891 non-null float64

Cabin 204 non-null object

Embarked 889 non-null object

dtypes: float64(2), int64(5), object(5)

memory usage: 66.2+ KB

None

#处理数据

#1.筛选特征 名字不重要，Cabin缺太多，票号不重要

data.drop(["Name","Cabin","Ticket"],inplace= True,axis=1)#将要删除的那一列的名字放到列表中，inplace=True表示生成的新的数据代替旧的数据,axis=1 删除列

#2.处理缺失值 Age缺很多数据，

data["Age"] = data["Age"].fillna(data["Age"].mean()) #用年龄的平均值填补缺失值 注意是方括号！！！

#Embarked 缺两个数据 ,把缺的两行删除

data = data.dropna()#删除有缺失值的行 默认是axis = 0

#3.数据中出现非数字的数据，将它转换成数字，有两种方法

#3.1 第一种方法

label = data["Embarked"].unique().tolist() #取出Embarked中所有的取值并转化成列表------类似于集合形式

data["Embarked"] = data["Embarked"].apply(lambda x:label.index(x))

#3.2 第二种方法

data["Sex"] = (data["Sex"] == "male").astype("int") #将男人=1，女人=0

#4.分离特征和标签

x = data.iloc[:,data.columns != "Survived"] #取出data数据中列名不为"Survived"的其他列

y = data.iloc[:,data.columns == "Survived"] #取出data数据中列名为"Survived"的列

#训练集，测试集划分

from sklearn.model_selection import train_test_split

Xtrain,Xtest,Ytrain,Ytest = train_test_split(x,y,test_size=0.3) #划分后数据索引会变混乱 Xtrain,Xtest把x分了7：3，Ytrain,Ytest把y分了7：3

for i in [Xtrain,Xtest,Ytrain,Ytest]:

i.index = range(i.shape[0]) #将索引改成0-621

#网格搜索 能帮助我们同时调整多个参数的技术 枚举技术

parameters = {"criterion":("gini","entropy")

,"splitter":("best","random")

,"max_depth":list(range(1,10))

,"min_samples_leaf":list(range(1,50,5))

,"min_impurity_decrease":list(np.linspace(0,0.5,20))}

clf = DecisionTreeClassifier(random_state= 25)

GS = GridSearchCV(clf,parameters,cv=10) #GridSearchCV同时满足了fit，score，cross_val_score

GS = GS.fit(Xtrain,Ytrain)

print(GS.best_params_) #从我们输入的参数和参数列表中，返回最佳组合 最佳参数组合

print(GS.best_score_)#网格搜索后的模型的评价标准

{'criterion': 'gini', 'max_depth': 5, 'min_impurity_decrease': 0.0, 'min_samples_leaf': 1, 'splitter': 'best'}

0.8408360128617364