3）使用决策树完成泰坦尼克号幸存者预测。

好的，让我们来完成一个决策树模型来预测泰坦尼克号上的幸存者。首先，我们需要导入必要的库和数据集：

import pandas as pd
from sklearn.tree import DecisionTreeClassifier
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score

# 导入数据集
data = pd.read_csv('titanic.csv')

# 查看数据集信息
data.info()

接下来，我们需要对数据进行预处理，包括处理缺失值、删除无用的特征等：

# 处理缺失值
data = data.dropna(subset=['Embarked']) # 删除Embarked列中的缺失值
data['Age'] = data['Age'].fillna(data['Age'].mean()) # 用平均值填充Age列中的缺失值

# 删除无用的特征
data = data.drop(['PassengerId', 'Name', 'Ticket', 'Cabin'], axis=1)

# 将字符串类型的特征转换为数值类型
data['Sex'] = data['Sex'].map({'male': 0, 'female': 1})
data['Embarked'] = data['Embarked'].map({'S': 0, 'C': 1, 'Q': 2})

# 查看处理后的数据集信息
data.info()

接下来，我们将数据集分为训练集和测试集，并训练决策树模型：

# 分离特征和标签
X = data.drop(['Survived'], axis=1)
y = data['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)

# 训练决策树模型
clf = DecisionTreeClassifier(random_state=42)
clf.fit(X_train, y_train)

最后，我们可以使用训练好的模型对测试集进行预测，并计算模型准确率：

# 对测试集进行预测
y_pred = clf.predict(X_test)

# 计算模型准确率
accuracy = accuracy_score(y_test, y_pred)
print('模型准确率:', accuracy)

完成上述代码后，我们就可以得到一个简单的决策树模型，用于预测泰坦尼克号幸存者。