特征工程
泰坦尼克号生还者预测比赛（Manav Sehgal）：
train 数据（891）中有 12 个特征属性如下： PassengerId、Pclass、Name、Sex、
Age、SibSp、Parch、Ticket、Fare、Cabin、Embarked 以及标签 Survived。
其中 Age 缺失了 177 个值，Cabin 缺失了 687 个值，Embarked 缺失了 2 个值。
test 数据（418）中有 11 个特征属性： PassengerId、Pclass、Name、Sex、Age、
SibSp、Parch、Ticket、Fare、Cabin、Embarked。
其中 Age 缺失了 86 个值，Fare 缺失了 1 个值，Cabin 缺失了 327 个值。
数值型的数据(int,float)： PassengerId、Pclass、Age、SibSp、Parch、Fare、
Survived。
类别型的数据(object)： Name、Sex、Ticket、Cabin、Embarked。
分别分析 Pclass 、 Sex 、 SibSp 、 Parch 与 Survived 之间的相关性，这些
是从感觉上来的，毕竟仓位等级越高存活下来的可能性就越大，女性也应该会比男性更
有优势存活下来。利用 seaborn 将数据可视化后来观察其他属性与 Survived 之间的关
联性。
由于 Ticket 具有较高的重复率，而且可能跟 Survived 没有什么关联，所以这里
就删掉。（ Ticket => X ）
Cabin 这个属性由于在训练和测试数据中都缺失了很多，所以做删除处理。
（ Cabin => X ）
利用正则表达式将 Name 特征中的称呼抽出构成 Title 属性作为一个新的特征。由
于称呼 Master，Miss，Mr，Mis 占有较多的数量，于是将这些抽出来的 Title 归为五类：
Master，Miss，Mr，Mrs，Rare（将 Mlle，Ms 都归为 Miss；将 Mme 归为 Mrs；将其他的
稀有少数称呼都归为 Rare）。然后将提取出来的这五个属性利用 map()方法映射成 1，
2，3，4，5。之后就可以保留 Title 字段，删除 Name 属性。同时将 PassengerId 也
删除。（ Name PassengerId => Title ）
对 Age 字段进行如下转化操作：
因为 Sex 和 Pclass 和 Age 之间的关系比较近，所以利用 Sex 和 Pclass 的组合字段
所对应的 Age 的中位数来对缺失的数据进行填充。例如：Sex=1 & Pclass=1 =》
Age.medain() 去填充缺失数据中 Sex=1 & Pclass=1 对应的 Age 值。这里 Sex 和 Pclass
有六种组合{（0，1），（0，2），（0，3），（1，1），（1，2），（1，3）}。这是 Age 已经没
