数据挖掘竞赛kaggle初战——泰坦尼克号生还预测(代码片段)

关键词：

1.题目

这道题目的地址在https://www.kaggle.com/c/titanic，题目要求大致是给出一部分泰坦尼克号乘船人员的信息与最后生还情况，利用这些数据，使用机器学习的算法，来分析预测另一部分人员最后是否生还。题目练习的要点是语言和数据分析的基础内容(比如python、numpy、pandas等)以及二分类算法。

数据集包含3个文件：train.csv（训练数据）、test.csv（测试数据）、gender_submission.csv（最后提交结果的示例，告诉大家提交的文件长什么样）

数据集中包含如下数据：

Name	Academy
Survived	0：遇难，1：生还 (这一项只有训练集才有)
pclass	船舱等级
sex	性别
Age	年龄
sibsp	在船上的兄弟姐妹及配偶数
parch	在船上的父母及子女数
ticket	船票编号
fare	船票费用
cabin	船舱号
embarked	乘客登船港口

2.解题步骤

kaggle竞赛的步骤大致如下图

接下来就按照图示，解决Titanic问题

3.数据分析及预处理

这里我使用的环境是anaconda中的jupyter notebook + python3.7 + skilearn

首先读入数据，并查看一下训练集train的数据概况

%matplotlib inline
import numpy as np
import pandas as pd
import re as re

train = pd.read_csv('titanic_data/train.csv')
test  = pd.read_csv('titanic_data/test.csv')
full_data = [train, test]

print (train.info())

在这些数据中，Survived是结果，其余数据中，PassengerId、 Pclass、 Name、 Sex、 SibSp、 Parch、 Ticket、 Fare(测试集Fare有缺失值)是完整的，没有缺失值。

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
PassengerId    891 non-null int64
Survived       891 non-null int64
Pclass         891 non-null int64
Name           891 non-null object
Sex            891 non-null object
Age            714 non-null float64
SibSp          891 non-null int64
Parch          891 non-null int64
Ticket         891 non-null object
Fare           891 non-null float64
Cabin          204 non-null object
Embarked       889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.6+ KB
None

看下测试集的数据

test.head(5)

测试集比训练集少了一项Survived，其余相同。

这里先把测试集中的PassengerId一列取出，留作后面备用。

PassengerId = test['PassengerId']

打印出训练集的前5项

train.head(5)

先直观看一下数据长什么样

看一下训练集中数值项(比如Age，结果用一个数值表示)的基本属性

train.describe()

这些属性中就包含很多信息了，包括平均数、中位数，四份位值等等，之后我们会逐项的分析

再来看一下非数值项(典型如Name， 结果是字母)

train.describe(include=['O'])

从表格中可以得知，Name这个变量是不重复的，没有两个人重名。船票编号和船舱编号都是有重复的。登船港口有三个，大多数人都从S港登船。

4.特征工程

了解了数据集的概况，现在我们逐项来分析。首先看pclass这一项，也就是舱位等级

print (train[['Pclass', 'Survived']].groupby(['Pclass'], as_index=False).mean())

从表格中可知，不同舱位等级的人生还率相差很大。所以Pclass可选为模型中的一项指标

   Pclass  Survived
0       1  0.629630
1       2  0.472826
2       3  0.242363

再看Sex这一项

print (train[["Sex", "Survived"]].groupby(['Sex'], as_index=False).mean())

女性的生还率远高于男性，模型中也加入Sex这一项

      Sex  Survived
0  female  0.742038
1    male  0.188908

现在到了SibSp和Parch，这两项都跟家庭有关，我把这两者先合成一个变量FamilySize，表示家庭人数，再做一个聚合查询

for dataset in full_data:
    dataset['FamilySize'] = dataset['SibSp'] + dataset['Parch'] + 1

print (train[['FamilySize', 'Survived']].groupby(['FamilySize'], as_index=False).mean())

从数据看，家庭人数是2-4人的时候，生还概率较大。

   FamilySize  Survived
0           1  0.303538
1           2  0.552795
2           3  0.578431
3           4  0.724138
4           5  0.200000
5           6  0.136364
6           7  0.333333
7           8  0.000000
8          11  0.000000

于是我加入了一个新属性FamilyScale，将FamilySize分为三组：独自1人、2-4人和更多。另外还考虑到独自一人和有家庭成员这两种情况区别较大，因此可以另做一个属性IsAlone，来表示乘客是独自一人还是有家庭成员在船。

for dataset in full_data:
    dataset['FamilyScale'] = 0
    dataset['IsAlone'] = 0
    
    dataset.loc[dataset['FamilySize'] == 1, 'FamilyScale'] = 0
    dataset.loc[(dataset['FamilySize'] > 1) & (dataset['FamilySize'] < 4), 'FamilyScale'] = 1
    dataset.loc[dataset['FamilySize'] >= 4, 'FamilyScale'] = 2
    dataset.loc[dataset['FamilySize'] == 1, 'IsAlone'] = 1
    
print (train[['FamilyScale', 'Survived']].groupby(['FamilyScale'], as_index=False).mean())
print (train[['IsAlone', 'Survived']].groupby(['IsAlone'], as_index=False).mean())

对新属性做聚合查询

   FamilyScale  Survived
0            0  0.303538
1            1  0.562738
2            2  0.340659

   IsAlone  Survived
0        0  0.505650
1        1  0.303538

下面是Embarked这一项

freq_port = train.Embarked.dropna().mode()[0]
freq_port

如上面所述，该项的“众数”是‘S’

'S'

因此考虑使用“众数”填充缺失项

for dataset in full_data:
    dataset['Embarked'] = dataset['Embarked'].fillna('S')
print (train[['Embarked', 'Survived']].groupby(['Embarked'], as_index=False).mean())

聚合查询结果如下，不同港口登船的生还率有些许差别，这也可以作为模型的一项

  Embarked  Survived
0        C  0.553571
1        Q  0.389610
2        S  0.339009

关于Fare这一项，首先看下它的分布，这里我使用seaborn画图

import seaborn as sns
import matplotlib.pyplot as plt

sns.set_style("whitegrid")
plt.figure(figsize=(8, 6))
sns.distplot(dataset['Fare'], bins=10, rug=False, rug_kws = 'color':'g','lw':2,'alpha':0.5, kde_kws="color": "g", "lw": 1.5, 'linestyle':'--')

图中可以看出，多数人的票价都在一个小的范围内，这种情况下，比较适合采用Fare的中位数进行填充

因为Fare这一变量跨度较大，此时可以采用特征工程中常用的“装箱”方法，将数值划入特定的范围。这里采用的是四分位数划分。

for dataset in full_data:
    dataset['Fare'] = dataset['Fare'].fillna(train['Fare'].median())
train['CategoricalFare'] = pd.qcut(train['Fare'], 4)
print (train[['CategoricalFare', 'Survived']].groupby(['CategoricalFare'], as_index=False).mean())


   CategoricalFare  Survived
0   (-0.001, 7.91]  0.197309
1   (7.91, 14.454]  0.303571
2   (14.454, 31.0]  0.454955
3  (31.0, 512.329]  0.581081

Age这一项，还是先看分布图。Age的分布比较像高斯分布，因此可以考虑使用平均值来作为缺失Age的填充。不过不要紧，这里平均值作为一个备选方案，之后可以看一看是否有更好的方案来填充。

plt.figure(figsize=(8, 6))
sns.distplot(dataset['Age'], bins=10, rug=False, rug_kws = 'color':'g','lw':2,'alpha':0.5, kde_kws="color": "g", "lw": 1.5, 'linestyle':'--')

Age同样范围较大，依然使用装箱法

train['CategoricalAge'] = pd.cut(train['Age'], 5)
print (train[['CategoricalAge', 'Survived']].groupby(['CategoricalAge'], as_index=False).mean())

结果如下

     CategoricalAge  Survived
0    (0.34, 16.336]  0.550000
1  (16.336, 32.252]  0.369942
2  (32.252, 48.168]  0.404255
3  (48.168, 64.084]  0.434783
4    (64.084, 80.0]  0.090909

下面看Name，歪果仁的名字前面会有Mr、 Miss等称呼，这个和性别、身份等有关，因此引入属性Title提取这个称呼

def get_title(name):
    title_search = re.search(' ([A-Za-z]+)\\.', name)
    # If the title exists, extract and return it.
    if title_search:
        return title_search.group(1)
    return ""

for dataset in full_data:
    dataset['Title'] = dataset['Name'].apply(get_title)

print(pd.crosstab(train['Title'], train['Sex']))

所有的称呼如下

Sex       female  male
Title                 
Capt           0     1
Col            0     2
Countess       1     0
Don            0     1
Dr             1     6
Jonkheer       0     1
Lady           1     0
Major          0     2
Master         0    40
Miss         182     0
Mlle           2     0
Mme            1     0
Mr             0   517
Mrs          125     0
Ms             1     0
Rev            0     6
Sir            0     1

这里借鉴了一些其他选手的思路，将这些Title进一步归类：

for dataset in full_data:
    dataset['Title'] = dataset['Title'].replace(['Lady', 'Countess','Capt', 'Col',    'Don', 'Dr', 'Major', 'Rev', 'Sir', 'Jonkheer', 'Dona'], 'Rare')

    dataset['Title'] = dataset['Title'].replace('Mlle', 'Miss')
    dataset['Title'] = dataset['Title'].replace('Ms', 'Miss')
    dataset['Title'] = dataset['Title'].replace('Mme', 'Mrs')

print (train[['Title', 'Survived']].groupby(['Title'], as_index=False).mean())

归类后的Title如下，可见生还率确实与Title有一定的相关性

    Title  Survived
0  Master  0.575000
1    Miss  0.702703
2      Mr  0.156673
3     Mrs  0.793651
4    Rare  0.347826

cabin这一项缺失值太多，因此简单粗暴，直接将其分为有值与没有值

train['Has_Cabin'] = train["Cabin"].apply(lambda x: 0 if type(x) == float else 1)
test['Has_Cabin'] = test["Cabin"].apply(lambda x: 0 if type(x) == float else 1)

print (train[['Has_Cabin', 'Survived']].groupby(['Has_Cabin'], as_index=False).mean())

结果如下

   Has_Cabin  Survived
0          0  0.299854
1          1  0.666667

剩下的还有PassengerId与Ticket，这两项是编号属性的，并不能体现什么有用的信息，所以不考虑将它们加入模型

所有的属性都考虑过了，接下来要做的是把非数值属性转化为数值属性，并去掉无用的中间属性与不加入模型的属性。

for dataset in full_data:
    # Mapping Sex
    dataset['Sex'] = dataset['Sex'].map( 'female': 0, 'male': 1 ).astype(int)
    
    # Mapping titles
    title_mapping = "Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Rare": 5
    dataset['Title'] = dataset['Title'].map(title_mapping)
    dataset['Title'] = dataset['Title'].fillna(0)
    
    # Mapping Embarked
    dataset['Embarked'] = dataset['Embarked'].map( 'S': 0, 'C': 1, 'Q': 2 ).astype(int)
    
    # Mapping Fare
    dataset.loc[ dataset['Fare'] <= 7.91, 'Fare']                               = 0
    dataset.loc[(dataset['Fare'] > 7.91) & (dataset['Fare'] <= 14.454), 'Fare'] = 1
    dataset.loc[(dataset['Fare'] > 14.454) & (dataset['Fare'] <= 31), 'Fare']   = 2
    dataset.loc[ dataset['Fare'] > 31, 'Fare']                                  = 3
    dataset['Fare'] = dataset['Fare'].astype(int)

# drop()方法如果不设置参数inplace=True，则只能在生成的新数据块中实现删除效果，而不能删除原有数据块的相应行
# Feature Selection
drop_elements = ['PassengerId', 'Name', 'Ticket', 'Cabin', 'SibSp',                 'Parch', 'FamilySize']
train = train.drop(drop_elements, axis = 1)
train = train.drop(['CategoricalFare', 'CategoricalAge'], axis = 1)

test  = test.drop(drop_elements, axis = 1)

根据目前模型选用的属性，画出热力图，同样使用seaborn绘制。

热力图中的数值是两项属性之间的皮尔森相关系数，用r表示。r描述的是两个变量间线性相关强弱的程度。r的取值在-1与+1之间，若r>0，表明两个变量是正相关；若r<0，表明两个变量是负相关。r 的绝对值越大表明相关性越强。若r=0，表明两个变量间不是线性相关。

这个图主要看这几点：

1.我们选出的变量与Survived这一项的相关性，比如说Sex这一项，相关度比较高，说明这是一个好的标的。在表示家庭的属性中，IsAlone的相关性要比FamilyScale要高，所以最后我会选择IsAlone这一属性代表家庭，去掉FamilyScale。

2.Age属性与Pclass和FamilyScale相关度较高，因此可以使用这两个属性划分群体，对每个群体采用各自的均值进行缺失值填充

sns.set_style("ticks")

colormap = plt.cm.RdBu
plt.figure(figsize=(14,12))
plt.title('Pearson Correlation of Features',y=1.05,size=15)
plt.rcParams['font.size'] =14
sns.heatmap(train.astype(float).corr(),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True)
plt.yticks(rotation=360)
plt.show()

填充年龄

guess_ages = np.zeros((3,3))

def fill_age(dataset):
    for i in range(0, 3):
        for j in range(0, 3):
            age_null_count = dataset[(dataset['FamilyScale'] == i) &                                   (dataset['Pclass'] == j+1)]['Age'].isnull().sum()

            guess_df = dataset[(dataset['FamilyScale'] == i) &                                   (dataset['Pclass'] == j+1)]['Age'].dropna()

            age_avg = guess_df.mean()
            age_std = guess_df.std()
            age_null_random_list = np.random.randint(age_avg - age_std, age_avg + age_std, size=age_null_count)

            dataset.loc[(dataset.Age.isnull()) & (dataset.FamilyScale == i) & (dataset.Pclass == j+1), 'Age'] = age_null_random_list

    dataset['Age'] = dataset['Age'].astype(int)
    
    return dataset

train = fill_age(train)
test = fill_age(test)

看下填充之后的结果：

train.head(10)

Out：

对填充完毕的年龄进行聚合：

train['CategoricalAge'] = pd.cut(train['Age'], 5)
print (train[['CategoricalAge', 'Survived']].groupby(['CategoricalAge'], as_index=False).mean())

聚合结果：

  CategoricalAge  Survived
0  (-0.08, 16.0]  0.495652
1   (16.0, 32.0]  0.353201
2   (32.0, 48.0]  0.389121
3   (48.0, 64.0]  0.424658
4   (64.0, 80.0]  0.090909

进行装箱：

for dataset in full_data:
    # Mapping Age
    dataset.loc[ dataset['Age'] <= 16, 'Age'] = 0
    dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1
    dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2
    dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3
    dataset.loc[ dataset['Age'] > 64, 'Age']
train = train.drop(['CategoricalAge'], axis = 1)

因为之前用IsAlone属性代表家庭，这里删去FamilyScale

train = train.drop(['FamilyScale'], axis = 1)
test = test.drop(['FamilyScale'], axis = 1)

这时再绘制一下多变量图。主要关注对角线的图，看一下变量分布与Survived之前的关系。比如Fare-Fare的图，可以明显看出Survived=0的Fare是左偏的，Survived=1的Fare是右偏的，这说明票价高低会影响生还几率。

sns.set_style('white')
g = sns.pairplot(train[[u'Survived', u'Pclass', u'Sex', u'Age', u'Fare', u'Embarked',
       u'IsAlone', u'Title', u'Has_Cabin']], hue='Survived', palette = 'seismic',height=1.8, diag_kind = 'kde',diag_kws=dict(shade=True),plot_kws=dict(s=10) )
g.set(xticklabels=[])

5.建模及训练+验证

特征工程到此告一段落，现在开始建模。这里我使用的是xgboost算法，原理可以参考https://xgboost.readthedocs.io/en/latest/tutorials/model.html

引入XGBClassifier

from xgboost import XGBClassifier

将训练集和测试集的DataFrame转为numpy的array

train = train.values
test  = test.values

将训练集中的Survived单独提取出来作为结果(y)：

X = train[0::, 1::]
y = train[0::, 0]

用train_test_split在train上划分训练集和测试集

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=42)

绘制学习曲线函数：

from sklearn.metrics import precision_score

def plot_learning_curve(algo, X_train, X_test, y_train, y_test):
    train_score = []
    test_score = []
    for i in range(1, len(X_train)+1):
        algo.fit(X_train[:i], y_train[:i])
    
        y_train_predict = algo.predict(X_train[:i])
        train_score.append(precision_score(y_train[:i], y_train_predict))
    
        y_test_predict = algo.predict(X_test)
        test_score.append(precision_score(y_test, y_test_predict))
        
    plt.plot([i for i in range(1, len(X_train)+1)], 
                               train_score, label="train")
    plt.plot([i for i in range(1, len(X_train)+1)], 
                               test_score, label="test")
    
    plt.legend()
    plt.axis([0, len(X_train)+1, 0, 1])
    plt.show()

学习曲线，由图可见，随着训练样本的增加，train和test的精确度不断地靠近，说明这个模型基本可用。

plot_learning_curve(XGBClassifier(learning_rate=0.01, n_estimators=1500, max_depth=2), X_train, X_test, y_train, y_test)

将训练数据传入模型：

candidate_classifier = XGBClassifier(learning_rate=0.01, n_estimators=1500, max_depth=2)
candidate_classifier.fit(X, y)

Out：

XGBClassifier(base_score=0.5, booster='gbtree', colsample_bylevel=1,
       colsample_bytree=1, gamma=0, learning_rate=0.01, max_delta_step=0,
       max_depth=2, min_child_weight=1, missing=None, n_estimators=1500,
       n_jobs=1, nthread=None, objective='binary:logistic', random_state=0,
       reg_alpha=0, reg_lambda=1, scale_pos_weight=1, seed=None,
       silent=True, subsample=1)

生成预测结果：

predictions = candidate_classifier.predict(test)

6.提交结果

生成提交的csv文件：

StackingSubmission = pd.DataFrame( 'PassengerId': PassengerId,
                            'Survived': predictions )
StackingSubmission.to_csv("Submission_xgb.csv", index=False)

到这里就可以把文件上传kaggle上，来看模型预测的结果得分。如果得分不理想，就需要重新审视一下特征工程，并调整模型的各项参数，进行调优。

kaggle练习项目—泰坦尼克乘客生还预测

一、问题复述　　泰坦尼克号是一艘英国皇家邮轮，在当时是全世界最大的海上船舶。1912年4月，该邮轮在首航中碰撞上冰山后沉没。造成船上2224名人员中1514人罹难。　　现在根据乘客的船舱等级、性别、年龄等信息，对其是... 查看详情

kaggle实战入门：泰坦尼克号生还预测（基础版）(代码片段)

Kaggle实战入门：泰坦尼克号生还预测1.加载数据2.特征工程3.模型训练4.模型部署泰坦尼克号（Titanic），又称铁达尼号，是当时世界上体积最庞大、内部设施最豪华的客运轮船，有“永不沉没”的美誉，... 查看详情

泰坦尼克号预测生还案例

一、背景　Titanic:MachineLearningfromDisaster-https://www.kaggle.com/c/titanic/data，必须先登录kaggle就是那个大家都熟悉的『JackandRose』的故事，豪华游艇倒了，大家都惊恐逃生，可是救生艇的数量有限，无法人人都有，副船长发话了『ladyandki... 查看详情

kaggle案例泰坦尼克号问题(代码片段)

泰坦里克号预测生还人口问题泰坦尼克号问题背景-就是那个大家都熟悉的『JackandRose』的故事，豪华游艇倒了，大家都惊恐逃生，可是救生艇的数量有限，无法人人都有，副船长发话了ladyandkidfirst!，所以是否获救其实并非随机... 查看详情

titanic幸存预测分析(kaggle)

分享一篇kaggle入门级案例，泰坦尼克号幸存遇难分析。参考文章： 技术世界，原文链接 http://www.jasongj.com/ml/classification/ 案例分析内容：     通过训练集分析预测什么人可能生还，并对测试集中乘客... 查看详情

kaggle系列之预测泰坦尼克号人员的幸存与死亡(随机森林模型)

...c目的是使用机器学习创建一个模型，预测哪些乘客在泰坦尼克号沉船事故中幸存了下来。对于泰坦尼克号沉船事故大家都不陌生，很多都是通过电影了解到的，那由于船上没有足够的救生艇，导致2224名乘客和船... 查看详情

kaggle—firstplay—titanic(代码片段)

...一下知识的掌握程度，所以去kaggle参加了久闻的泰坦尼克生还预测，以下是正文。-----------------------------------------------------------------------------------------1、观察数据拿到数据集后，先来了解数据的大致情况。data.info()data_des=data.descr... 查看详情

spark学习笔记——泰坦尼克生还预测

packagekaggleimportorg.apache.spark.SparkContextimportorg.apache.spark.SparkConfimportorg.apache.spark.sql.{SQLContext,SparkSession}importorg.apache.spark.mllib.regression.LabeledPointimportorg.apache 查看详情

kaggle项目泰坦尼克号预测生存情况（上）-------数据预处理(代码片段)

假期闲着无聊，做了一下Kaggle练手的项目--预测泰坦尼克号乘客的存活情况。对于一些函数和算法，刚开始也是懵懵懂懂的，但通过自己查资料，还是明白了许多，我会把参考资料的网址放在需要查看的地方。-------------------------... 查看详情

kaggle竞赛丨入门手写数字识别之knncnn降维(代码片段)

...我个人的计划是先从简单的数据集入手如手写数字识别、泰坦尼克号、房价预测，这些目前已经有丰富且成熟的方案可以参考，之后关注未来就业的方向如计算广告、点击率预测，有合适的时机，再与小伙伴一同参加线上比赛。... 查看详情

kaggle经典测试，泰坦尼克号的生存预测，机器学习实验----02(代码片段)

Kaggle经典测试，泰坦尼克号的生存预测，机器学习实验----02文章目录Kaggle经典测试，泰坦尼克号的生存预测，机器学习实验----02一、引言二、问题三、问题分析四、具体操作1、读取数据并且进行预处理2、划分标... 查看详情

kaggle经典测试，泰坦尼克号的生存预测，机器学习实验----02(代码片段)

Kaggle经典测试，泰坦尼克号的生存预测，机器学习实验----02文章目录Kaggle经典测试，泰坦尼克号的生存预测，机器学习实验----02一、引言二、问题三、问题分析四、具体操作1、读取数据并且进行预处理2、划分标... 查看详情

keras使用多层感知器预测泰坦尼克乘客生还概率(代码片段)

#coding:utf-8#In[6]:#-*-coding:utf-8-*-importurllib.requestimportos#In[7]:url="http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic3.xls"filepath="data/titanic3.xls"ifnotos.path.isfile(file 查看详情

kaggle竞赛实践

参考：(10条消息)【Kaggle】参加竞赛基本流程（以Titanic为例）_Vincent__Lai的博客-CSDN博客(9条消息)Kaggle竞赛——Titanic泰坦尼克之灾（0.76315==＞0.79186）_Apollo丶小杨的博客-CSDN博客(9条消息)Kaggle竞赛——Tit... 查看详情

关于决策树可视化各项展示数据的解读（泰坦尼克号预测生还案例titanic）(代码片段)

本人是业余的编程爱好者，非职业程序员，如有解读错误的地方，欢迎大牛评论指正。我写这个的动力是：我一晚上花了大量的时间在网上找了各种关于决策树可视化的图中sex=male<0.5或sex=female<0.5代表什... 查看详情

动手学深度学习17-kaggle竞赛实践小项目房价预测(代码片段)

kaggle竞赛获取和读取数据集数据预处理找出所有数值型的特征，然后标准化处理离散值特征转化为DNArray后续训练训练模型k折交叉验证预测样本，并提交结果kaggle竞赛本节将动手操作实践一个kaggle比赛，房价预测。可以先将未经... 查看详情

在kaggle的使用新闻预测股票涨跌的ai建模竞赛(2-sigma赞助)

在Kaggle的使用新闻预测股票涨跌的AI建模竞赛(2-Sigma赞助)我们可以使用新闻分析的内容来预测股价表现吗？如今无处不在的数据使投资者能够以任何规模做出更好的投资决策。这个竞赛在于提取和解释数据以确定哪些数据有... 查看详情

pandas分析泰坦尼克号生还比例(代码片段)

提出问题影响乘客生还的因素很多，这里只对乘客的性别、年龄、乘客等级、这三个因素感兴趣，看看这四个因素是否会影响乘客的生还率。1.性别是否会影响生还率2.年龄是否会影响生还率3.乘客等级会否会影响乘客率4.性别和... 查看详情