获取和查看数据集

预测泰坦尼克号上的生存情况

泰坦尼克号沉船事件是历史上最著名的海难之一。

1912年4月15日，泰坦尼克号在撞上冰山后沉没。当时被认为不会沉没的船只，船上缺乏足够的救生艇。结果，2224名乘客和船员中，有1502人不幸遇难。

当然，722名幸存者无疑有些运气成分。但似乎某些人群的生存几率明显更高。因此，泰坦尼克号沉船事件也成为了机器学习初学者的经典入门案例。

如果你已有机器学习经验，可能听说过Kaggle提供的著名泰坦尼克号机器学习竞赛。

如果你还不了解Kaggle，它属于全球最大的数据科学社区之一。提供大量有趣的公开数据集，是入门机器学习的理想平台。

需要解决的问题很简单：利用机器学习构建一个模型，根据乘客信息预测谁在泰坦尼克号海难中幸存。

获取数据集

要获取数据集，你需要注册一个Kaggle账号（免费），然后加入该竞赛。尽管Kaggle以竞赛为核心，但你无需主动提交解决方案即可参与。

当你加入竞赛时，必须接受并遵守相关规则，例如每日可提交次数、团队人数上限等竞赛特定要求。

在竞赛页面顶部的“Data”标签页中可以找到竞赛数据。向下滚动即可看到文件列表。数据包含三个文件：

• train.csv
• test.csv
• gender_submission.csv

train.csv 包含部分泰坦尼克号乘客的数据，用于训练你的算法判断乘客是否幸存。

test.csv 包含另一部分乘客的数据，用于评估你的算法表现。

gender_submission.csv 是一个示例文件，展示如何组织预测结果以便提交至Kaggle。由于你当前的目标是学习而非参赛，可以跳过此文件。

请下载 train.csv 和 test.csv 文件。

查看数据

第一步是加载数据。你可以使用Pandas库来完成。它是机器学习领域广受认可的数据处理工具，提供了多种实用功能，例如用于读取CSV文件的 read_csv 函数。

从CSV文件加载数据

1import pandas as pd 
2train = pd.read_csv('train.csv') 
3test = pd.read_csv('test.csv')

数据被加载到 train 和 test 变量中，它们都是Pandas的DataFrame对象。

DataFrame以二维结构存储数据，并带有标签，类似于数据库表或电子表格。它自带许多有用的属性和方法。

例如，DataFrame的 shape 属性返回一个包含行数和列数的元组。

泰坦尼克号数据集的形状

1import pandas as pd 
2train = pd.read_csv('train.csv') 
3test = pd.read_csv('test.csv')
4print('train has {} rows and {} columns'.format(*train.shape)) 
5print('test has {} rows and {} columns'.format(*test.shape))

可以看到，训练集有891条记录，测试集有418条记录。更值得注意的是，训练集比测试集多出一列。

DataFrame的 info() 方法能提供更详细的信息。让我们查看训练集的具体情况。

训练集与测试集的结构

1import pandas as pd 
2train = pd.read_csv('train.csv') 
3test = pd.read_csv('test.csv')
4train.info()
5#test.info()

info 方法会列出所有列的信息：索引、列名、非空值数量以及数据类型。

我们也可以查看测试集的情况。只需取消注释上方代码框中的第5行即可。对比两个数据集可以发现，测试集缺少“Survived”这一列，该列用于标识乘客是否幸存。

正如Kaggle所说明的，他们使用测试集来评估提交结果。如果提前提供正确答案，比赛也就失去了意义。我们的任务正是预测正确的标签。

由于你并不打算将预测结果提交给Kaggle来评估模型性能，因此测试集在此阶段并无实际用途。

我们将重点放在训练集上。

info 输出的信息较为抽象。不如直接看看真实数据？这正是 head 方法的作用。

head 方法会显示列名及前五行数据。基于这些信息，我们来逐一分析各列内容。你也可以在Kaggle页面上查阅相应字段的说明。

查看数据

1import pandas as pd 
2train = pd.read_csv('train.csv') 
3test = pd.read_csv('test.csv')
4print(train.head())

每一列代表数据的一个特征。“PassengerId”是每行的连续编号。“Survived”表示乘客是否幸存（0=否，1=是）。“Pclass”是票务等级（1=一等舱，2=二等舱，3=三等舱）。接下来是直观易懂的字段：“Name”（姓名）、“Sex”（性别）、“Age”（年龄）。“SibSp”表示乘客在船上的兄弟姐妹或配偶人数。“Parch”表示乘客在船上的父母或子女人数。

此外还有“Fare”（票价）、“Cabin”（客舱号）以及登船港口（embarked），其中C=瑟堡，Q=昆士敦，S=南安普顿。