Day25-Kaggle Titanic迈进前5% part(2)

延续昨天的介绍
我们已经处理、介绍过的栏位有:PassengerId、Survived、Name、Pclass、Sex、Age

SibSp栏位:
此栏位表示兄弟姐妹或配偶的数量
先观察各值的数量
SibSp等於0的资料占据大多数，SibSp等於1的资料有200左右，其余都很少

观察SibSp与Survived的关系
我们发现SibSp在等於1、2时生存率比较高，SibSp等於0时生存率还好
SibSp大於2时生存率都变低

根据以上两个视觉化观察结果
我决定将SibSp等於1、2为一个特徵，将其值设为1
SibSp大於2为一个特徵，将其值设为2
SibSp等於0为一个特徵，将其值设为0

Parch栏位:
此栏位表示父母或孩子的数量
查看各值的数量

观察Parch与Survived的关系

我们可以发现Parch等於0的值占了非常多数，其次是1、2
其余的少得可怜
所以我们藉由cut方法重新分组来视觉化
与qcut不一样的是，是藉由自己输入的区间来分组，而qcut是依照资料比例来分组
cut使用方法前面传入栏位，後面传入想分成的区间，以我传入的区间来说明
分成了(-1,0 ] , (0,3 ] , (3,9 ]

之後观察与Survived的关系

根据此区间的观察结果
我将(-1,0 ]区间设为1，(0,3 ]区间设为2，(3,9 ]区间设为4
(-1,0 ]区间与(0,3 ]区间的资料数还算多，且对照Survived有不同的结果，所以把此两个设为特徵
(3,9 ]的资料数太少，所以另外设成一个特徵

Ticket:栏位
此栏位为船票编号，这个栏位我不考虑使用

Fare栏位:
此栏位表示个乘客的票价，因为连续性资料，使用长条图视觉化，并依据有无生存显示不同颜色

根据观察结果，我设成了三种区间(-1,15 ],(15,50 ],(50,1000 ]

可看出此三种区间对於Survived的关系能呈现监别度

(-1,15 ]区间设为1，(15,50 ]区间设为2，其余设为3

从total_data.info()可看出Fare资料有一个缺失值，我使用fillna补充缺失值
我以1来补充缺失值，因为1为众数

Cabin栏位:
此栏位为船舱号码，超级多缺失直，这个栏位我不考虑使用

Embarked栏位:
此栏位表示登船的位置，从total_data.info()可看出有2个缺失值，其值有S、C、Q三种

观察资料个数

观察Embarked与Survived的关系

缺失值以S来补充，因为S为众数

把此栏位做labelencoder转成数字，才能拿去train

终於把全部栏位处理好了，所以说阿~资料前处理真是麻烦的工作，网路上许多文章都显示，大部分资料科学家在训练模型时8成的时间都在资料前处理，只花2成的时间在训练model、调整参数

这里先放上整个资料处理及训练过程
https://colab.research.google.com/drive/1l--rkdk0sCxrEAGyETSxFCMrJmS147tX?usp=sharing