ti'tanic记录

目的是预测test中的survive情况，下面对比小姐姐和小哥哥的。
小姐姐：
①读取并宏观看数据

data = pd.read_csv('../data/train.csv')
data.head()
data['Age'].fillna(data['Age'].median(), inplace=True)#有缺失age
data.describe()

②画各种图找到数据间关系

#第一种是分类已确定不用自己选区间的例如sex，用dataframe可以生成表结构（表头+内容+索引）
survived_sex = data[data['Survived']==1]['Sex'].value_counts()
dead_sex = data[data['Survived']==0]['Sex'].value_counts()
df = pd.DataFrame([survived_sex,dead_sex])
df.index = ['Survived','Dead']
df.plot(kind='bar',stacked=True, figsize=(13,8))

#第二种是需要自己选区间的如age，这里我们选30个
figure = plt.figure(figsize=(13,8))
plt.hist([data[data['Survived']==1]['Age'],data[data['Survived']==0]['Age']], stacked=True, color = ['g','r'],
         bins = 30,label = ['Survived','Dead'])
plt.xlabel('Age')
plt.ylabel('Number of passengers')
plt.legend()

#第三种做散点图看两个因素结合时的分布
plt.figure(figsize=(13,8))
ax = plt.subplot()
ax.scatter(data[data['Survived']==1]['Age'],data[data['Survived']==1]['Fare'],c='green',s=40)
ax.scatter(data[data['Survived']==0]['Age'],data[data['Survived']==0]['Fare'],c='red',s=40)
ax.set_xlabel('Age')
ax.set_ylabel('Fare')
ax.legend(('survived','dead'),scatterpoints=1,loc='upper right',fontsize=15,)

今天勉强运行通并得到了结果，遇到了两个Python版本的坑：sort vs sort_values和filter函数需要加List才能有length的问题。

下一步需要研究各种向量机等，研究提到的sklearn库，分类方法/随机森林等。