1. 对泰坦尼克号数据进行分析，寻找影响乘客的生还率的因素； 2. 对泰坦尼克号数据进行预处理，填充缺失数据、进行数据编码、选择合适特征； 3. 采用逻辑回归、KNN、决策树、随机森林算法进行模型训练，并输出结果。代码

好的，以下是对泰坦尼克号数据进行分析、预处理和建模的Python代码示例：

1. 对泰坦尼克号数据进行分析，寻找影响乘客的生还率的因素：

import pandas as pd
import seaborn as sns

# 读取数据
train_data = pd.read_csv('train.csv')

# 探索性数据分析
sns.barplot(x='Sex', y='Survived', data=train_data)  # 性别对生还率的影响
sns.barplot(x='Pclass', y='Survived', data=train_data)  # 舱位等级对生还率的影响
sns.barplot(x='SibSp', y='Survived', data=train_data)  # 家庭成员数量对生还率的影响
sns.barplot(x='Embarked', y='Survived', data=train_data)  # 登船港口对生还率的影响

2. 对泰坦尼克号数据进行预处理，填充缺失数据、进行数据编码、选择合适特征：

import pandas as pd
from sklearn.preprocessing import LabelEncoder

# 读取数据
train_data = pd.read_csv('train.csv')

# 填充缺失数据
train_data['Age'].fillna(train_data['Age'].median(), inplace=True)
train_data['Embarked'].fillna(train_data['Embarked'].mode()[0], inplace=True)

# 数据编码
le = LabelEncoder()
train_data['Sex'] = le.fit_transform(train_data['Sex'])
train_data['Embarked'] = le.fit_transform(train_data['Embarked'])

# 选择特征
features = ['Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare', 'Embarked']
X = train_data[features]
y = train_data['Survived']

3. 采用逻辑回归、KNN、决策树、随机森林算法进行模型训练，并输出结果：

from sklearn.model_selection import train_test_split
from sklearn.linear_model import LogisticRegression
from sklearn.neighbors import KNeighborsClassifier
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 选择算法
models = [LogisticRegression(), KNeighborsClassifier(), DecisionTreeClassifier(), RandomForestClassifier()]

# 训练模型并输出结果
for model in models:
    model.fit(X_train, y_train)
    y_pred = model.predict(X_test)
    acc = accuracy_score(y_test, y_pred)
    print(f"{model.__class__.__name__}准确率为：{acc*100:.2f}%")