## 泰坦尼克号乘客生存预测
### 案例背景
泰坦尼克号沉船事故是世界上最著名的沉船事故之一。1912年4月15日，在她的处女航期间，泰坦尼克号撞上冰山后沉没，造成2224名乘客和机组人员中超过1502人的死亡。这一轰动的悲剧震惊了国际社会，并导致更好的船舶安全法规。 事故中导致死亡的一个原因是许多船员和乘客没有足够的救生艇。然而在被获救群体中也有一些比较幸运的因素；一些人群在事故中被救的几率高于其他人，比如妇女、儿童和上层阶级。 这个Case里，我们需要分析和判断出什么样的人更容易获救。最重要的是，要利用机器学习来预测出在这场灾难中哪些人会最终获救；
---
### 数据挖掘流程
#### (一)数据读取
* 读取数据，并进行展示
* 统计数据各项指标
* 明确数据规模与要完成的任务
#### (二)特征理解分析
* 单特征分析，逐个变量分析其对结果的影响
* 多变量统计分析，综合考虑多种情况影响
* 统计绘图得出结论
#### (三)数据清洗与预处理
* 对缺失值进行填充
* 特征标准化/归一化
* 筛选有价值的特征
* 分析特征之间的相关性
#### (四)建立模型
* 特征数据与标签准备
* 数据集切分
* 多种建模算法对比
* 集成策略等方案改进
---
### 数据样本
此项目数据集分为2份数据集：`titanic_train.csv`和`titanic_test.csv`
`titanic_train.csv`: 训练集，共计891条数据
`titanic_test.csv`: 测试集，共计418条数据
---
### 数据特征
|字段|字段说明|
|:-:|:-:|
|PassengerId|乘客编号|
|Survived|存活情况(存活:1; 死亡:0)|
|Pclass|客舱等级|
|Name|乘客姓名|
|Sex|性别|
|Age|年龄|
|SibSp|同乘的兄弟姐妹/配偶数|
|Parch|同乘的父母/小孩数|
|Ticket|船票编号|
|Fare|船票价格|
|Cabin|客舱号|
|Embarked|登船港口|
`PassengerId`是数据唯一序号；`Survived`是存活情况，为预测标记特征；剩下的10个是原始特征数据。
---
### 数据统计与统计分析
* 查看哪些列有缺失值？
|属性|数目|
|:-:|:-:|
|PassengerId|0|
|Survived|0|
|Pclass|0|
|Name|0|
|Sex|0|
|Age|177|
|SibSp|0|
|Parch|0|
|Ticket|0|
|Fare|0|
|Cabin|687|
|Embarked|2|
从上面可以看出来`Cabin`这个属性缺失值比较多
* 整体看看数据啥规模？(利用`Pandas`的`describe()`函数)
| PassengerId | Survived | Pclass | Age | SibSp | Parch | Fare |
| :-:|:-:|:-:|:-:|:-:|:-:|:-:|
|count|891.000000|891.000000|891.000000|714.000000|891.000000|891.000000|891.000000|
|mean|446.000000|0.383838|2.308642|29.699118|0.523008|0.381594|32.204208|
|std|257.353842|0.486592|0.836071|14.526497|1.102743|0.806057|49.693429|
|min|1.000000|0.000000|1.000000|0.420000|0.000000|0.000000|0.000000|
|25%|223.500000|0.000000|2.000000|20.125000|0.000000|0.000000|7.910400|
|50%|446.000000|0.000000|3.000000|28.000000|0.000000|0.000000|14.454200|
|75%|668.500000|1.000000|3.000000|38.000000|1.000000|0.000000|31.000000|
|max|891.000000|1.000000|3.000000|80.000000|8.000000|6.000000|512.329200|
`mean`字段告诉我们，大概**0.383838**的人最后获救了，**2/3**等舱的人数比**1**等舱要多，平均乘客年龄大概是**29.7岁**(计算这个时候会略掉无记录的)等等…
* 通过绘图来看看获救比例咋样
---
### 性别特征分析
数据特征分为：**连续值**和**离散值**
* 离散值：性别(男、女)，登船地点(S, Q, C)
* 连续值：年龄，船票价格
按照性别进行分组分别输出获救人数：
|Sex|Survived|Sum|
|:-:|:-:|:-:|
|female|0|81|
|female|1|233|
|male|0|468|
|male|1|109|
画出相应的图如下所示：
---
### 船舱等级特征分析
|Survivied|0|1|All|
|:-:|:-:|:-:|:-:|
|Pclass|
|1|80|136|216|
|2|97|87|184|
|3|372|119|491|
|All|549|342|891|
我们可以清楚地看到，船舱等级为1的被给予很高的优先级而救援。尽管数量在`Pclass3`乘客高了很多，仍然存活数从他们是非常低的，大约`25%`
对于`Pclass1`来说存活是**63%**左右，而`Pclass2`大约是**48%**。所以金钱和地位很重要。这样一个物欲横流的世界。
那这些又和**性别**有关吗？接下来我们再来看看船舱等级和性别对结果的影响。(**多变量分析**)
我们可以很容易地推断，从`Pclass1`女性生存是**95-96%**，如**94人**中只有**3位**女性从`Pclass1`没获救。
显而易见的是，**不论Pclass，女性优先考虑**。
看来`Pclass`也是一个重要的特征。让我们分析其他特征。
---
### 年龄特征缺失值填充与分析(连续值)
* **Oldest Passenger was of: 80.0 Years**
* **Youngest Passenger was of: 0.42 Years**
* **Average Age on the ship: 29.69911764705882 Years**
可以得出以下结论：
* **10岁**以下儿童的存活率随**passenegers**数量增加；
* 生存为**20-50岁**获救几率更高一些；
* 对男性来说，随着年龄的增长，存活率降低
#### 缺失值填充
* **平均值**
* **经验值**
* **回归模型预测**
* **剔除掉**
正如我们前面看到的，年龄特征有**177个**空值。为了替换这些缺失值，我们可以给它们分配数据集的**平均年龄**。
但问题是，有许多不同年龄的人。**最好的办法是找到一个合适的年龄段！**
我们可以检查**名字特征**。根据这个特征，我们可以看到名字有像先生或夫人这样的称呼，这样我们就可以把先生和夫人的平均值分配给各自的组。
