1.先到Kaggle平台下载关于泰坦尼克号的数据。
泰坦尼克号数据集：这是Kaggle上的经典数据集，用于预测乘客是否幸存。
地址：Titanic - Machine Learning from Disaster | Kaggle
-
包含以下文件：
-
train.csv：训练集（包含标签Survived） -
test.csv：测试集（不包含标签） -
gender_submission.csv：示例提交文件
-
2. 使用 Kaggle 处理泰坦尼克号数据集
2.1 创建 Kaggle Notebook
-
登录 Kaggle 账号（如果没有账号，先注册）。
-
进入 Titanic 竞赛页面。
-
点击 Notebooks，然后选择 New Notebook。
-
Kaggle 会自动加载数据集，你可以在右侧的 Data 选项卡中看到
train.csv和test.csv。
3.详细实现代码+解释
import pandas as pd# 加载训练集和测试集
train_data = pd.read_csv('kaggle_notebook/train.csv')
test_data = pd.read_csv('kaggle_notebook/test.csv')# 查看数据
#print(train_data.head())
#print(test_data.head())#train_data.describe()# 填充缺失值(将文件中缺失的字段进行填充)
# fillna(): 这是一个Pandas函数，用于填充缺失值（NaN）。
# train_data['Age'].median(): 计算“Age”列的中位数（median）。中位数是数据集中间值，能够有效减少异常值的影响。
# inplace=True: 表示直接在原数据上进行修改，而不是返回一个新的DataFrame。
train_data['Age'].fillna(train_data['Age'].median(), inplace=True)
test_data['Age'].fillna(test_data['Age'].median(), inplace=True)
# train_data['Embarked'].mode()[0]: 计算“Embarked”列的众数（mode），即出现频率最高的值。
# [0]表示取众数列表中的第一个值（如果有多个众数）。
train_data['Embarked'].fillna(train_data['Embarked'].mode()[0], inplace=True)
test_data['Fare'].fillna(test_data['Fare'].median(), inplace=True)# 提取Title特征
train_data['Title'] = train_data['Name'].str.extract(' ([A-Za-z]+)\.', expand=False)
test_data['Title'] = test_data['Name'].str.extract(' ([A-Za-z]+)\.', expand=False)# 将类别特征转换为数值
train_data['Sex'] = train_data['Sex'].map({'male': 0, 'female': 1})
test_data['Sex'] = test_data['Sex'].map({'male': 0, 'female': 1})# 删除不需要的特征
train_data.drop(['PassengerId', 'Name', 'Ticket', 'Cabin'], axis=1, inplace=True)
test_data.drop(['PassengerId', 'Name', 'Ticket', 'Cabin'], axis=1, inplace=True)#查看训练数据类型
#train_data.info()
#print(train_data.describe())#查看测试数据类型
#test_data.info()
#print(test_data.describe())from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import train_test_splitfrom sklearn.preprocessing import LabelEncoder# 对分类变量进行标签编码（将存储的字符串数据转化成浮点数类型）
label_encoders = {}
for column in ['Title', 'Embarked']:le = LabelEncoder()train_data[column] = le.fit_transform(train_data[column])label_encoders[column] = le # 保存编码器，方便后续解码# 定义特征和目标变量（将不包含['Survived']属性的值赋值给X）
X = train_data.drop(['Survived'], axis=1)
#将['Survived']属性的值赋值给y
y = train_data['Survived']# 划分训练集和验证集
# X: 特征数据（自变量），通常是一个二维数组或 DataFrame，每一行是一个样本，每一列是一个特征。
# y: 标签数据（因变量），通常是一个一维数组或 Series，表示每个样本的目标值（分类或回归的目标）。
# test_size=0.2: 指定验证集的比例。这里 0.2 表示将 20% 的数据作为验证集，剩下的 80% 作为训练集。
X_train, X_val, y_train, y_val = train_test_split(X, y, test_size=0.2, random_state=42)# 训练随机森林模型
# n_estimators=100: 指定随机森林中树的数量。这里设置为 100，表示模型将包含 100 棵决策树。
# random_state=42: 随机种子，用于确保每次运行代码时，模型的随机性是一致的（可重复性）。
model = RandomForestClassifier(n_estimators=100, random_state=42)# X_train: 训练集的特征数据。
# y_train: 训练集的标签数据。
model.fit(X_train, y_train)# 验证模型(hu)
accuracy = model.score(X_val, y_val)
print(f"Validation Accuracy: {accuracy:.2f}")#对分类变量进行标签编码
test_data["Title"]=label_encoders["Title"].fit_transform(test_data["Title"])
test_data["Embarked"]=label_encoders["Embarked"].fit_transform(test_data["Embarked"])# print(test_data)
# 预测测试集
predictions = model.predict(test_data)# 生成提交文件
submission = pd.DataFrame({'PassengerId': pd.read_csv('kaggle_notebook/test.csv')['PassengerId'],'Survived': predictions,"Name":pd.read_csv('kaggle_notebook/test.csv')['Name']
})
submission.to_csv('kaggle_notebook/submission.csv', index=False)
print(submission)4. 训练数据中的特征
在泰坦尼克号数据集中，训练数据（train.csv）包含以下特征（列）：
-
PassengerId：乘客的唯一标识（对预测无用，通常删除）。
-
Survived：目标变量，表示是否存活（1 表示存活，0 表示未存活）。
-
Pclass：舱位等级（1 = 头等舱，2 = 二等舱，3 = 三等舱）。
-
Name：乘客姓名（对预测无用，但可以提取称呼作为新特征）。
-
Sex：性别（male/female）。
-
Age：年龄。
-
SibSp：兄弟姐妹和配偶的数量。
-
Parch：父母和子女的数量。
-
Ticket：船票编号（对预测无用，通常删除）。
-
Fare：票价。
-
Cabin：船舱号（对预测无用，通常删除）。
-
Embarked：登船港口（C = Cherbourg, Q = Queenstown, S = Southampton）。
2. 模型使用的特征（通过这些特征来预测用户的存活）
在代码中，模型使用的特征不仅仅是性别和年龄，而是所有对预测有帮助的特征。例如：
-
性别（Sex）：转换为数值（0 表示男性，1 表示女性）。
-
年龄（Age）：直接使用。
-
舱位等级（Pclass）：直接使用。
-
兄弟姐妹和配偶数量（SibSp）：直接使用。
-
父母和子女数量（Parch）：直接使用。
-
票价（Fare）：直接使用。
-
登船港口（Embarked）：转换为数值（如 0、1、2）。