7.4泰坦尼克号生存预测

接下来几节，我们来做一个实际的例子，用逻辑回归对真实的泰坦尼克号乘客数据进行建模。你可以去这个地址下载数据。

在机器学习领域，数据清洗，数据准备是非常重要的一步。但这不是我们这门课的重点，今天我们针对这个示例数据，做一些简单的数据准备工作。

7.4.1查看数据

数据准备的第一步工作，是对数据进行探索，观察你要进行建模分析的数据。

打开其中的train.csv文件，我们对数据进行查看：

其中列的含义如下：

7.4.2去除列

首先我们识别哪些列对我们预测乘客是否存活无关，然后将它们从数据集中去除。其中PassengerId列，Name列，Ticket列这三列和乘客生存没有明显关系，可以去除。另外仓位号（Cabin）有大量缺失值，也从数据中去除。

7.4.3去除行

有很少部分的乘客的年龄是缺失的，我们去除这些数据样本，删除缺失年龄数据的样本。

7.4.4独热编码

根据我们之前学习的逻辑回归，它只能处理连续变量。但是我们数据中的Sex（性别）和Embarked（登陆港口）两个特征列的取值都是从一组字符串中进行选择的。比如Sex是从[“male”，“female”]中选择的。这种特征，我们叫做离散特征。

我们今天介绍一种将离散特征转变成连续特征的编码方式，这就是独热编码。

独热编码的原理比较简单，原始离散特征有几个离散取值，就生成几个列。每个样本在这几个列的取值，只能是0或者1。比如原始Sex列，就转化为Sex_male和Sex_female两列，如果某个乘客是男性，则Sex_male列的值就是1，Sex_female列的值就是0。

同样对于Embarked列，就新生成Embarked_C，Embarked_Q，Embarked_S列。如果一个乘客是从Cherbourg登船的，则Embarked_C列值为1，Embarked_Q，Embarked_S列取值为0。

可以发现对于独热编码而言，每个离散列，假如有N个可能的取值，就新生成N列。而且对于每个样本，在这N个列里，只有一列取值为1，其他列取值都为0，这也是为什么它被叫做独热编码的原因。

7.4.5处理代码

使用pandas库可以方便的处理数据，你需要在你使用的conda env里安装pandas库。
处理的代码如下：

import pandas as pd

pd.set_option('display.max_columns', None)#打印时显示所有列。

# 从CSV文件读取数据（确保你有正确的路径）
df = pd.read_csv(r"<YOUR_DATA_PATH>\titanic\train.csv")

# 去除不需要的列
df = df.drop(columns=["PassengerId", "Name", "Ticket", "Cabin"])

# 去除 Age 缺失的样本
df = df.dropna(subset=["Age"])

# 对 Sex 和 Embarked 做独热编码
df = pd.get_dummies(df, columns=["Sex", "Embarked"],dtype=int)

print(df.head(10))

7.4.6处理后的数据

处理后的示例数据如下：