Use Kaggle_Titanic - Machine Learning from Disaste(Python)

type
status
date
slug
summary
tags
category
icon
password
Test Type

加载并预览数据

import pandas as pd

  • 这是导入 pandas 库，并给它取一个简称叫 pd（业界通用写法）。
  • pandas 是 Python 中最常用的数据分析工具，可以处理表格、Excel、CSV 等数据结构。
  • 如果你还没安装 pandas，可以先运行：

df = pd.read_csv("train.csv")

  • 用 pandas 中的 read_csv() 函数来读取 CSV 文件，这里是 Titanic 数据集 train.csv
  • df 是你读入的数据表（DataFrame），你可以把它当成一个 Excel 表格
📌 小提醒：
  • 这行代码默认读取当前文件夹下的 train.csv
  • 如果文件路径不对，程序会报错：FileNotFoundError

df.head()

  • 显示 DataFrame（数据表）的前五行
  • 这是查看数据结构的快速方法，比如列名、数值、格式是否正常
你也可以自定义行数：

Step 1：了解数据结构

df.info()

作用：查看整个 DataFrame 的结构
输出内容包括：
  • 每一列的名字
  • 非空值的数量（Non-Null Count）
  • 数据类型（如 int64, float64, object）
  • 总共有多少行（行数）
你可以看出：
  • 哪些列有缺失值
  • 每列的类型是否适合建模（比如文本类要转为数字）
🧩 例子输出：

df.describe()

作用：查看数值列的统计信息
默认只对**数值型列（int, float）**进行统计，包括：
  • count（非缺失值个数）
  • mean（均值）
  • std（标准差）
  • min / max（最小值 / 最大值）
  • 25%, 50%, 75% 分位数
你可以看出：
  • 是否有极端值（离群点）
  • 数据的集中程度（均值和中位数接近？）
  • 分布情况（标准差大说明波动大）
🧩 例子输出：

df.isnull().sum()

作用：统计每一列中有多少个缺失值（NaN）
  • .isnull() 会返回一个和 df 同大小的布尔矩阵（True 表示缺失）
  • .sum() 对列求和，得到每列缺失值数量
你可以看出：
  • 哪些列缺失严重（比如 Cabin）
  • 是否需要填补或删除这些列
🧩 例子输出：

Step 2：开始清洗数据

🟠 1. 处理缺失值

我们先看一下缺失情况：
假设你看到的输出是这样（大致）：

✅ 下一步清洗：

✅ 清洗完成后再运行一次：

🟠 2. 将分类变量转为数值（类别编码）

Sex 列：二分类（male / female）

Embarked 列：三个类别（S, C, Q）

使用 one-hot 编码：
说明：
  • drop_first=True 会去掉一个类别（如 “S”），防止多重共线性
  • 得到两个新列：Embarked_Q、Embarked_C

✅ 清洗后结果检查

 
 
Prev
R
Next
Teacher Certification
Loading...