kaggle竞赛 泰坦尼克号

流程

1. 下载kaggle数据集
2. 导入所要使用的包
3. 引入kaggle的数据集csv文件
4. 查看数据集的大小和长度
5. 去除冗余数据
6. 建立特征工程
7. 导出结果csv文件

1.下载kaggle数据集

2.导入所要使用的包

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')

3.引入kaggle的数据集csv文件

train=pd.read_csv('train.csv')
test=pd.read_csv('test.csv')

4.查看数据集大小和长度

train.shape

训练集的长宽(891, 12)，891行，12列

查看train集合的前五列

train.head()

5.去除冗余的数据

由于特征中女性存活的概率比较大，所以计算一下女性的存活率

# 取出表格中的两列，性别和存活率构建一个新的数据集women
women = train.loc[train.Sex == 'female']["Survived"]

# 一共有314条女性记录，由于存活的情况是1，所以累加所有存活特征，就能得到存活数量
# 再用存活数量/女性总数得到女性存活率

rate_women = sum(women)/len(women)
print("% of women who survived:", rate_women)
# 获得女性的存活率

233
314
% of women who survived: 0.7420382165605095

获取男性的存活率

men = train.loc[train.Sex == 'male']["Survived"]
rate_men = sum(men)/len(men)

print("% of men who survived:", rate_men)

% of men who survived: 0.18890814558058924

6.建立特征工程

from sklearn.ensemble import RandomForestClassifier

y = train["Survived"]

features = ["Pclass", "Sex", "SibSp", "Parch"]
X = pd.get_dummies(train[features])
X_test = pd.get_dummies(test[features])

model = RandomForestClassifier(n_estimators=100, max_depth=5, random_state=1)
model.fit(X, y)
predictions = model.predict(X_test)

output = pd.DataFrame({'PassengerId': test.PassengerId, 'Survived': predictions})

7.将结果输出到csv文件中

output.to_csv('submission.csv', index=False)
print("Your submission was successfully saved!")