摘要：提取出中的信息特征缺失值同樣，觀察的缺失值情況缺失值處理發現兩位都是女性。特征缺失值特征有的缺失值，較為嚴重，如果進行大量的填補會引入更多噪聲。因為缺失值也是一種值，這里將缺失值視為一種特殊的值來處理，并根據首個字符衍生一個新的特征。

作者：xiaoyu

微信公眾號：Python數據科學

知乎：python數據分析師

上一篇是數據挖掘的前戲，主要目的是認識數據特征、判斷特征重要性、觀察數據異常，掌握數據間聯系。本篇將繼續上一篇分析進行數據挖掘建模部分。

上篇數據分析的鏈接：
【Kaggle入門級競賽top5%排名經驗分享】— 分析篇

數據預處理涉及的內容很多，也包括特征工程，是任務量最大的一部分。為了讓大家更清晰的閱讀，以下先列出處理部分大致要用到的一些方法。

數據清洗：缺失值，異常值，一致性；

特征編碼：one-hot 和 label coding；

特征分箱：等頻，等距，聚類等；

衍生變量：可解釋性強，適合模型輸入；

特征選擇：方差選擇，卡方選擇，正則化等；

分析部分我們看到，存在缺失值的特征有4個：Age，Cabin，Embarked，Fare。關于缺失值處理部分博主之前介紹過一些方法：【Python數據分析基礎】: 數據缺失值處理

下面開始對缺失值分別處理。

Fare缺失值處理

首先查看一下Fare特征缺失：

df[df["Fare"].isnull()]

發現只有一個缺失值，其實可以直接刪除，但是好多乘客都是以一個家庭來的，這其中會有很強的聯系，并會給我們很好的線索，因此選擇不刪除。

繼續觀察一下這個缺失值乘客有什么特點？如何利用我們之前的分析來處理？

特點1：Pclass為3，我們在分析部分知道Fare和Pclass社會等級有著緊密的關系，Pclass1的Fare相對較高，Fare最低的是Pclass3；

特點2：該乘客的Age大于60，且為男性；

這時我們可以使用相似特征替換方法來填補缺失值，下面來找一下與缺失值具有相似特征的其它樣本數據：

df.loc[(df["Pclass"]==3)&(df["Age"]>60)&(df["Sex"]=="male")]

找到了與之相匹配的幾位其它乘客，我們就用這幾位乘客的Fare平均值來填補。

# 提取出Name中的Surname信息
df["surname"] = df["Name"].apply(lambda x: x.split(",")[0].lower())
fare_mean_estimated = df.loc[(df["Pclass"]==3)&(df["Age"]>60)&(df["Sex"]=="male")].Fare.mean()
df.loc[df["surname"]=="storey","Fare"] = fare_mean_estimated

Embarked特征缺失值

同樣，觀察Embarked的缺失值情況：

# Embarked缺失值處理
df[df["Embarked"].isnull()]

發現兩位都是女性。上篇可視化分析過，pclass1且為女性的情況下，Q港口幾乎為0，而C港口最多，其次S港口，下圖為分析篇的可視化結果。

這里采用出現最多的港口，也就是眾數C港口進行填補。

df["Embarked"] = df["Embarked"].fillna("C")

Cabin特征缺失值

Cain特征有70%的缺失值，較為嚴重，如果進行大量的填補會引入更多噪聲。因為缺失值也是一種值，這里將Cabin缺失值視為一種特殊的值來處理，并根據Cabin首個字符衍生一個新的特征CabinCat。

df["CabinCat"] = pd.Categorical.from_array(df.Cabin.fillna("0").apply(lambda x: x[0])).codes

pandas的 Categorical.from_array()用法。代碼含義是用“0”替換Cabin缺失值，并將非缺失Cabin特征值提取出第一個值以進行分類，比如A114就是A，C345就是C，如下：

[0, C, 0, C, 0, ..., 0, C, 0, 0, 0]
Length: 1309
Categories (9, object): [0, A, B, C, ..., E, F, G, T]

用Categorical.from_array()將Cabin分成了9組，最后通過codes量化為數字，通過可視化觀察一下分組離散化后的結果：

fig, ax = plt.subplots(figsize=(10,5))
sns.countplot(x="CabinCat", hue="Survived",data=df)
plt.show()

以上可視化看到：Cabin缺失的乘客中，遇難人數是獲救人數2倍以上，而其它有Cabin信息的乘客中，獲救人數都相對較多。因此說明Cabin缺失與否關系到了生還的概率。

Age特征缺失值

Age有20%缺失值，缺失值較多，大量刪除會減少樣本信息，由于它與Cabin不同，這里將利用其它特征進行預測填補Age，也就是擬合未知Age特征值，會在后續進行處理。

數據一致性分析

當我們拿到數據后，我們要謹記一個道理：不要完全相信數據。即使不是異常值，也有可能是錯誤的信息，那就是檢查數據的一致性。

本例中，我們通過兩個錯誤的修正來理解一下。

錯誤1：SibSp和Parch特征存在不一致

df.loc[df["surname"]=="abbott",["Name","Sex","Age","SibSp","Parch"]]

為了方便閱讀，下面用序號來代替名字。

首先尋找到了船上姓 abbott 的所有人，即一家人。發現：392 乘客只有13歲，確有兩個孩子Parch=2（理論上不太可能），而279乘客35歲，有一個孩子，還有一個兄弟姐妹，746有一個家長和一個兄弟姐妹。很明顯，信息是錯誤的，279與392乘客的信息寫反了。正確的信息是一位母親帶著兩個孩子，所以改為：279乘客為SibSp=0，Parh=2，392歲的乘客是：SibSp=1, Parh=1。下面是修改代碼：

df.loc[(df["surname"]=="abbott")&(df["Age"]==35),"SibSp"] = 0
df.loc[(df["surname"]=="abbott")&(df["Age"]==35),"Parch"] = 2
df.loc[(df["surname"]=="abbott")&(df["Age"]==13),"SibSp"] = 1
df.loc[(df["surname"]=="abbott")&(df["Age"]==13),"Parch"] = 1

錯誤2：SibSp和Parch特征存在不一致

df.loc[df["surname"]=="ford",["Name","Sex","Age","SibSp","Parch"]]

同理，ford一家人也出現了一致性錯誤的問題，具體大家可自行分析。正確的是：一位母親帶著三個孩子，而最后一位乘客為測試集里的樣本，推測很可能是父親。下面是修改代碼：

df.loc[(df["surname"]=="ford")&(df["Age"]==16),"SibSp"] = 3
df.loc[(df["surname"]=="ford")&(df["Age"]==16),"Parch"] = 1
df.loc[(df["surname"]=="ford")&(df["Age"]==9),"SibSp"] = 3
df.loc[(df["surname"]=="ford")&(df["Age"]==9),"Parch"] = 1
df.loc[(df["surname"]=="ford")&(df["Age"]==21),"SibSp"] = 3
df.loc[(df["surname"]=="ford")&(df["Age"]==21),"Parch"] = 1
df.loc[(df["surname"]=="ford")&(df["Age"]==48),"SibSp"] = 0
df.loc[(df["surname"]=="ford")&(df["Age"]==48),"Parch"] = 4
df.loc[(df["surname"]=="ford")&(df["Age"]==18),"SibSp"] = 3
df.loc[(df["surname"]=="ford")&(df["Age"]==18),"Parch"] = 1

衍生變量

分析部分沒提及到Name特征，因為每個人的名字都不一樣。但是一些人可能是群體行動，比如一家人一起，而一家人的surname是一樣的，因此這時候就可以通過surname找到一個家庭群體。家庭群體有什么用？我們后面會提到。
實際上，如果我們深入分析，Name特征是非常重要的。試想一下乘客有沒有可能是和其他人一起上船的？是一家人？情侶？還是獨自一人？而這一群人生還的概率應該是存在共性的，比如：有一個5人之家，有4人死亡，可以推測第5個人極有可能死亡。
下面是對所有特征進行衍生的新特征變量。

# 從Name中提取Title信息，因為同為男性，Mr.和 Master.的生還率是不一樣的
df["Title"] = df["Name"].apply(lambda x: re.search(" ([A-Za-z]+).",x).group(1))
title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Dr": 5, "Rev": 6, "Major": 7, "Col": 7, "Mlle": 2, "Mme": 3,"Don": 9,"Dona": 9, "Lady": 10, "Countess": 10, "Jonkheer": 10, "Sir": 9, "Capt": 7, "Ms": 2}

# 量化Title信息
df["TitleCat"] = df.loc[:,"Title"].map(title_mapping)

# SibSp和Parch特征進行組合
df["FamilySize"] = df["SibSp"] + df["Parch"] + 1
# 根據FamilySize分布進行分箱
df["FamilySize"] = pd.cut(df["FamilySize"], bins=[0,1,4,20], labels=[0,1,2])

# 從Name特征衍生出Name的長度
df["NameLength"] = df["Name"].apply(lambda x: len(x))

# 量化Embarked特征
df["Embarked"] = pd.Categorical.from_array(df.Embarked).codes

# 對Sex特征進行獨熱編碼分組
df = pd.concat([df,pd.get_dummies(df["Sex"])],axis=1)

下面衍生特征變量的說明：

Title：從Name中提取Title信息，因為同為男性，Mr.和 Master.的生還率是不一樣的；

TitleCat：映射并量化Title信息，雖然這個特征可能會與Sex有共線性，但是我們先衍生出來，后進行篩選；

FamilySize：可視化分析部分看到SibSp和Parch分布相似，固將SibSp和Parch特征進行組合；

NameLength：從Name特征衍生出Name的長度，因為有的國家名字越短代表越顯貴；

CabinCat：Cabin的分組信息；

高級衍生變量

【1】人物衍生特征

由于兒童的生還率較高，因此將所有乘客兒童多帶帶提取出來（這里設置為18歲）。而對于成年人女性生還概率比較高，所以又非為成年女性和成年男性。代碼如下：

# 婦女/兒童 男士標簽
child_age = 18
def get_person(passenger):
    age, sex = passenger
    if (age < child_age):
        return "child"
    elif (sex == "female"):
        return "female_adult"
    else:
        return "male_adult"

df = pd.concat([df, pd.DataFrame(df[["Age", "Sex"]].apply(get_person, axis=1), columns=["person"])],axis=1)
df = pd.concat([df,pd.get_dummies(df["person"])],axis=1)

【2】Ticket衍生特征

下面基于Ticket衍生出了幾個高級特征變量，其含義：如果幾個人擁有相同的Ticket號碼，那么意味著他門是一個小群體（一家人或情侶等），而又因為男性女性還概率本省存在差異，因此將分別衍生出幾個人物標簽特征，即分群體情況下的男女生還特征。以下是代碼實現：

table_ticket = pd.DataFrame(df["Ticket"].value_counts())
table_ticket.rename(columns={"Ticket":"Ticket_Numbers"}, inplace=True)
table_ticket["Ticket_dead_women"] = df.Ticket[(df.female_adult == 1.0) 
                                    & (df.Survived == 0.0) 
                                    & ((df.Parch > 0) | (df.SibSp > 0))].value_counts()

table_ticket["Ticket_dead_women"] = table_ticket["Ticket_dead_women"].fillna(0)
table_ticket["Ticket_dead_women"][table_ticket["Ticket_dead_women"] > 0] = 1.0

table_ticket["Ticket_surviving_men"] = df.Ticket[(df.male_adult == 1.0) 
                                    & (df.Survived == 1.0) 
                                    & ((df.Parch > 0) | (df.SibSp > 0))].value_counts()

table_ticket["Ticket_surviving_men"] = table_ticket["Ticket_surviving_men"].fillna(0)
table_ticket["Ticket_surviving_men"][table_ticket["Ticket_surviving_men"] > 0] = 1.0 

# Ticket特征量化
table_ticket["Ticket_Id"] = pd.Categorical.from_array(table_ticket.index).codes

table_ticket["Ticket_Id"][table_ticket["Ticket_Numbers"] < 3 ] = -1
# Ticket數量分箱
table_ticket["Ticket_Numbers"] = pd.cut(table_ticket["Ticket_Numbers"], bins=[0,1,4,20], labels=[0,1,2])

df = pd.merge(df, table_ticket, left_on="Ticket",right_index=True, how="left", sort=False)

同理，基于衍生變量Surname也可以衍生出高級特征變量，以及Cabin的奇偶性衍生特征。

Age缺失值處理

前面說了將采用擬合的方法來填補Age缺失值，那為什么一定要在后面處理呢？
原因如下：

其它特征還存在缺失值，放入擬合模型影響預測效果；

特征保持原生符號，還沒有進行量化，無法輸入模型；

因為上面已經將所提問題解決，因此可以開始擬合Age缺失值。這部分使用了隨機森林的ExtraTreesRegressor模型進行擬合，代碼如下：

from sklearn.ensemble import RandomForestClassifier, ExtraTreesRegressor

classers = ["Fare","Parch","Pclass","SibSp","TitleCat", 
            "CabinCat","female","male", "Embarked", "FamilySize", "NameLength","Ticket_Numbers","Ticket_Id"]
etr = ExtraTreesRegressor(n_estimators=200,random_state=0)
X_train = df[classers][df["Age"].notnull()]
Y_train = df["Age"][df["Age"].notnull()]
X_test = df[classers][df["Age"].isnull()]

etr.fit(X_train.as_matrix(),np.ravel(Y_train))
age_preds = etr.predict(X_test.as_matrix())
df["Age"][df["Age"].isnull()] = age_preds

想繼續看一下擬合的結果是怎么樣，可以通過可視化來觀察：

# Age缺失值填補后的情況
X_test["Age"] = pd.Series(age_preds)
f,ax=plt.subplots(figsize=(10,5))
sns.swarmplot(x="Pclass",y="Age",data=X_test)
plt.show()

觀察：通過擬合得到的Age缺失值的可視化展示，總體上看效果還可以，具體需要進一步排查。

過濾法—方差分析

這里特征采用 ANOVA方差分析的 F值 來對各個特征變量打分，打分的意義是：各個特征變量對目標變量的影響權重。代碼如下，使用了sklearn的feature_selection：

from sklearn.feature_selection import SelectKBest, f_classif,chi2

target = data_train["Survived"].values
features= ["female","male","Age","male_adult","female_adult", "child","TitleCat",
           "Pclass","Ticket_Id","NameLength","CabinType","CabinCat", "SibSp", "Parch",
           "Fare","Embarked","Surname_Numbers","Ticket_Numbers","FamilySize",
           "Ticket_dead_women","Ticket_surviving_men",
           "Surname_dead_women","Surname_surviving_men"]

train = df[0:891].copy()
test = df[891:].copy()

selector = SelectKBest(f_classif, k=len(features))
selector.fit(train[features], target)
scores = -np.log10(selector.pvalues_)
indices = np.argsort(scores)[::-1]
print("Features importance :")
for f in range(len(scores)):
    print("%0.2f %s" % (scores[indices[f]],features[indices[f]]))

此部分將之前訓練和測試合并的數據集分開，因為最后我們要對測試集進行預測。特征選擇權重結果如下（可以通過可視化的方法展示出來）：

這里分數越高代表特征權重越大，當然我們可以規定相應的閾值來選擇權重大的特征。

特征相關性分析

除了對特征權重選擇外，我們也要分析特征相關性來篩選特征。相關性大的特征容易造成過擬合現象，因此需要進行剔除。最好的情況就是：所有特征相關性很低，各自的方差或者說信息量很高。
使用了seaborn的heatmap展示相關性，代碼如下：

features_selected = features
# data_corr 
df_corr = df[features_selected].copy()

colormap = plt.cm.RdBu
plt.figure(figsize=(20,20))
sns.heatmap(df_corr.corr(),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor="white", annot=True)
plt.show()

這是個明顯的監督分類問題，因此可選擇的模型算法很多，或者模型融合等來提高準確度。這里采用了集成學習的隨機森林RandomForest模型。代碼如下：

from sklearn import cross_validation

rfc = RandomForestClassifier(n_estimators=3000, min_samples_split=4, class_weight={0:0.745,1:0.255})
# rfc = AdaBoostClassifier(n_estimators=3000, learning_rate=0.1, random_state=1)

# 交叉驗證，建模隨機森林
kf = cross_validation.KFold(train.shape[0], n_folds=3, random_state=1)

scores = cross_validation.cross_val_score(rfc, train[features_selected], target, cv=kf)
print("Accuracy: %0.3f (+/- %0.2f) [%s]" % (scores.mean()*100, scores.std()*100, "RFC Cross Validation"))
rfc.fit(train[features_selected], target)
score = rfc.score(train[features_selected], target)
print("Accuracy: %0.3f            [%s]" % (score*100, "RFC full test"))
importances = rfc.feature_importances_
indices = np.argsort(importances)[::-1]
for f in range(len(features_selected)):
    print("%d. feature %d (%f) %s" % (f + 1, indices[f]+1, importances[indices[f]]*100, features_selected[indices[f]]))

為防止過擬合，采用了K折交叉驗證進行采樣。集成學習等高級模型有自帶的特征打分方法，訓練數據后，我們可以通過feature_importances得到特征權重分數（當特征特別多時，也可以作為初始的特征篩選方法）。當然這也可以通過可視化的方法展示出來。

輸入結果如下：

# 預測目標值
rfc.fit(train[features_selected], target)
predictions = rfc.predict(test[features_selected])

# 輸出文件
PassengerId =np.array(test["PassengerId"]).astype(int)
my_prediction = pd.DataFrame(predictions, PassengerId, columns = ["Survived"])

my_prediction.to_csv("my_prediction.csv", index_label = ["PassengerId"])

最后，將預測結果輸出到excel表中。如果你到Kaggle將輸出的數據提交，你應該得到的分數是：0.8188，也就是說你的準確率是0.8188。這個分數可以達到500/11000的排名（top5%）。

本篇分析了數據預處理以及建模的部分，完成了最后的生還者預測，有幾下幾點還需要提高的地方：

尋找更多衍生特征，提高模型輸入質量；

嘗試多種模型，對比預測結果，或者可以使用高級模型融合，以及stacking二次融合優化來提高準確率；

嘗試多種方法在眾多特征中篩選重要特征；

對于一些模糊異常值進一步檢測和處理；

提高填補缺失值的準確度，減少數據中的噪音；

以上就是本次項目的全部內容，后續會繼續分享新數據分析挖掘項目，敬請期待。

參考：https://www.kaggle.com/franck...

關注微信公眾號：Python數據科學，發現更多精彩內容。