STEP1:泰坦尼克号生存数据特征处理 本作业只需按照要求处理原始数据，将最终处理完成的数据保存到数据框中，然后提交就可；

首先，读入Titanic数据集：

import pandas as pd

titanic = pd.read_csv('titanic.csv')

查看数据集的前几行和数据类型：

print(titanic.head())
print(titanic.dtypes)

得到以下结果：

   PassengerId  Survived  Pclass  ...     Fare Cabin  Embarked
0            1         0       3  ...   7.2500   NaN         S
1            2         1       1  ...  71.2833   C85         C
2            3         1       3  ...   7.9250   NaN         S
3            4         1       1  ...  53.1000  C123         S
4            5         0       3  ...   8.0500   NaN         S

[5 rows x 12 columns]
PassengerId      int64
Survived         int64
Pclass           int64
Name            object
Sex             object
Age            float64
SibSp            int64
Parch            int64
Ticket          object
Fare           float64
Cabin           object
Embarked        object
dtype: object

可以看到，数据集中有12个特征，其中有数值型特征和字符串型特征。

接下来，我们需要对这些特征进行处理。

首先，我们将PassengerId这一特征删除，因为它对于预测乘客是否幸存没有任何帮助：

titanic.drop('PassengerId', axis=1, inplace=True)

然后，我们将Name特征进行处理。Name特征中包含了乘客的称呼，例如Mr、Mrs、Miss等，这些称呼有可能与乘客的幸存与否有关系。因此，我们需要从Name特征中提取出这些称呼，并将它们进行分类。

# 从Name特征中提取称呼
titanic['Title'] = titanic['Name'].apply(lambda x: x.split(',')[1].split('.')[0].strip())

# 将称呼进行分类
title_dict = {'Mr': 'Mr', 'Miss': 'Miss', 'Mrs': 'Mrs', 'Master': 'Master', 'Dr': 'Dr', 'Rev': 'Rev', 'Mlle': 'Miss', 'Col': 'Other', 'Major': 'Other', 'Ms': 'Miss', 'Lady': 'Other', 'Capt': 'Other', 'Sir': 'Other', 'Mme': 'Mrs', 'Countess': 'Other', 'Don': 'Other', 'Jonkheer': 'Other'}
titanic['Title'] = titanic['Title'].map(title_dict)
titanic.drop('Name', axis=1, inplace=True)

接着，我们将Sex特征进行处理。将其转换为数值型特征，0表示女性，1表示男性。

titanic['Sex'] = titanic['Sex'].map({'female': 0, 'male': 1})

然后，我们需要对缺失数据进行处理。在数据集中，Age、Cabin和Embarked这三个特征存在缺失值。

对于Age特征，我们可以使用中位数或平均数来填充缺失值。在这里，我们选择使用中位数来填充。

titanic['Age'].fillna(titanic['Age'].median(), inplace=True)

对于Cabin特征，由于缺失值太多，我们可以将其删除。

titanic.drop('Cabin', axis=1, inplace=True)

对于Embarked特征，由于缺失值很少，我们可以将其填充为出现次数最多的值。

titanic['Embarked'].fillna(titanic['Embarked'].mode()[0], inplace=True)

最后，我们需要对Ticket特征进行处理。由于这个特征的取值种类很多，我们可以将其转换为数值型特征，用其出现次数来表示。

ticket_counts = titanic['Ticket'].value_counts()
titanic['Ticket'] = titanic['Ticket'].apply(lambda x: ticket_counts[x])

最终，我们得到了处理完成的数据：

print(titanic.head())
print(titanic.dtypes)

得到以下结果：

   Survived  Pclass  Sex   Age  SibSp  Parch  Ticket     Fare Embarked Title
0         0       3    1  22.0      1      0       1   7.2500        S    Mr
1         1       1    0  38.0      1      0       2  71.2833        C   Mrs
2         1       3    0  26.0      0      0       1   7.9250        S  Miss
3         1       1    0  35.0      1      0       2  53.1000        S   Mrs
4         0       3    1  35.0      0      0       1   8.0500        S    Mr
Survived      int64
Pclass        int64
Sex           int64
Age         float64
SibSp         int64
Parch         int64
Ticket        int64
Fare        float64
Embarked     object
Title        object
dtype: object