Kaggle Titanic项目报告；数据挖掘期末作业；

教师评语：

项目名

称：

Titanic:Machine Learning from Disaster

摘 要：Titanic 项目主要的任务是根据乘客的信息预测是否生存。首先大致了解数据的整体情况和分布

情况，缺失数据严不严重。分析各个属性与 survived 标签的关联性，依次进行特征处理，如对缺失数据

填充、特征值的转换以及数据分组等处理。比较 Logistic Regression、Support Vector

Machines、KNN、Naive Bayes、Linear SVC、Stochastic Gradient Decent、Decision Tree 和

1.2 数据

图 1 和图 2 分别是该项目训练集和测试集中的数据。测试数据比训练数据少了 survived 字段，这个字段

的的值也正是需要我们来预测的。各个字段的含义：

PassengerId => 乘客 ID

Survived => 是否存活（测试数据里面需要我们预测的）

Pclass => 乘客等级(1/2/3 等舱位)

Name => 乘客姓名

Sex => 性别

Age => 年龄

SibSp => 堂兄弟/妹个数

图 2 测试集中的数据

1.3 问题归类

泰坦尼克项目的目标特征是是否存活，特征标签预测之前知道范围且是离散值，所以是一个分类问题。

我们的目标就是准确地预测出测试集中的乘客是生还是死。

2 项目知识点

2.1 数据分析

2.1.1 数据整体情况

data_train.info()

图 3 数据整体情况

训练数据总共是 891 条数据。Age 只有 714 条，缺失 177 条；Cabin 只有 204 条，缺失 687 条，

缺失比较严重；Embarked 缺失 2 条数据。

2.1.2 数值类型数据分布

data_train.describe(include=[np.object])

根据图 5 的结果可知，Name 属性是唯一，没有重名；性别就男和女；Ticket 不是唯一的，891 名

乘客只有 681 张船票，说明可能有的是和亲人共用一张船票的；登录港口是 3 个。

2.2 各字段与 survived 之间的关联性

2.2.1 离散型特征与 survived 之间的关联性

(1)Pclass 与 Survived

data_train[['Pclass', 'Survived']].groupby(['Pclass'],

as_index=False).mean().sort_values(by='Survived', ascending=False)