【翻译+解读】从官方Titanic案例打开kaggle机器学习之路（中）
点击上图开始学习韦玮老师最新网络爬虫课程
作者：王大伟
Python爱好者社区唯一小编
博客：https://ask.hellobi.com/blog/wangdawei
本文代码和数据获取方式：关注Python爱好者社区，回复泰坦尼克
前文传送门：【翻译+解读】从官方Titanic案例打开kaggle机器学习之路（上）
有争议的数据
我们对数据做出了一些假设和结论。到目前为止，我们不必改变单个特征为了达到目的。我们现在来执行我们的决定和假设来纠正，创建和完成目标。
通过删除特征来修正模型
这是一个很好的开端。通过删除特征，我们就处理更少的数据。加快了运行速度，简化了分析。
基于我们的假设和之前得出的结论，我们希望删除客舱（数据修正假设2）和船票信息（数据修正假设1）特征。
请注意，我们一起对训练和测试数据集都执行操作，以保持一致。
从现有的创建新的特征提取
在删除姓名和乘客ID特征前，我们想要分析是否可以设计一个姓名特征，通过提取称谓并测试称谓和生存之间的相关性。
在下面的代码中，我们使用正则表达式提取称谓特征。正则表达式模式（\ w + \。）匹配名称特征中以点号字符结尾的第一个单词。 expand = False标志返回一个DataFrame。
我们我们可以用更常见的名称替换许多称谓，或将它们归类为少数类：
我们可以将类别类型的称谓转换为序号表示：
观察
当我们绘制称谓，年龄和生存特征时，我们注意到以下情况：
大多数称谓的年龄组别是准确的
称谓年龄组别的生存情况略有差异
某些头衔大多存活下来（例如Mme，Lady，Sir）或者没有存活（例如：Don，Rev，Jonkheer）
决策
我们决定保留新的称谓特征来训练模型
转换类别类型的特征
现在，我们可以将包含字符串的特征转换为数值类型特征，这是大多数模型算法所要求的。这样做也将帮助我们实现功能完成目标。
我们开始将性别（Sex）特征转换为名为性别（Gender）的新特征，其中女性取值为1，男性取值为0。
完成一个数值型连续特征
现在我们应该开始估计并填充有着缺少值或空值的特征。我们先来对Age特征进行处理。
我们可以考虑三种方法来填充连续数值特征。
1. 一个简单的方法是在均值和标准差之间生成随机数。
2. 猜测缺失值的更准确的方法是使用其他相关特征。 在我们的案例中，我们注意到年龄，性别和Pclass之间的相关性。 使用Pclass和Gender特征组合中Age的中位数值猜测年龄值。 因此，Pclass = 1和Gender = 0组合的中位数年龄，Pclass = 1和Gender = 1，等等......
3. 结合方法1和2.因此，不要根据中位数猜测年龄值，而根据Pclass和Gender组合，使用平均值和标准差之间的随机数。
方法1和3将在我们的模型中引入随机噪声。 多次执行的结果可能会有所不同。 我们更喜欢方法2。
让我们开始准备一个空数组，以包含基于Pclass x Gender组合的猜测年龄值。
现在我们遍历Sex（0或1）和Pclass（1,2,3）来计算6种组合的Age的猜测值。
让我们创建年龄段并确定与Survived的相关性：
让我们用基于这些段来用数字替换掉Age：
我们现在能将年龄段的特征删除了：
结合现有特征创建新特征
我们可以为Parch（父母与小孩个数）和SibSp（堂兄弟/妹个数）结合的家庭规模创建一个新功能。 这将使我们能够从我们的数据集中删除Parch和SibSp特征。
我们可以创建另一个称为IsAlone（单人）的特征：
我们放弃Parch，SibSp和FamilySize特征，使用IsAlone特征：
我们还可以创建一个结合Pclass和Age的人工特征：
完成分类特征
登船港口特征需要基于登乘港口的S，Q，C值。 我们的训练数据集有两个缺失值。 我们使用众数填补这些缺失值。
将类别特征转换为数值特征
我们现在可以通过创建一个新的数值型特征Port来转换EmbarkedFill特征。
快速完成并转换数字特征
我们现在补齐船票（Fare）特征，使用出现最多的情况填充。
我们还想将票价四舍五入到小数点后两位，因为它代表货币。
我们能创建船票分段的特征：
根据FareBand（船票分段）将票价特征转换为序数值：
测试集上：
未完待续~
韦玮老师网络爬虫最新课程火爆促销中！
20章节只需299！
扫码下图或点击阅读原文即可试听学习