作為R語(yǔ)言的初學(xué)者，你是否也曾覺(jué)得看書看教程覺(jué)得so easy，但到了實(shí)際操作卻無(wú)從下手了呢？沒(méi)（hu）關(guān)（you）系（ni）……那都是假的，哈哈哈，好啦，我們還是多多實(shí)戰(zhàn)才是硬道理。

本文引用的數(shù)據(jù)集 - - Titanic Machine Learning from Disaster（被譽(yù)為五大最適合數(shù)據(jù)分析練手項(xiàng)目之一）就非常適合我們進(jìn)行練手，當(dāng)然我們接下來(lái)要講的并不是“you jump， I jump”的感人故事，而是“you dead I survived”的分析故事，那么我們就要看看到底怎樣的乘客才能成為幸運(yùn)女神的寵兒呢？

1. 讀取數(shù)據(jù)

訓(xùn)練集train與測(cè)試集test有11變量是相同的，而唯一不同的地方是test里面沒(méi)有Survived變量，為了方便接下來(lái)的數(shù)據(jù)處理，我們將兩數(shù)據(jù)集進(jìn)行合并。

2. 加載所需程序包

• library(dplyr)
• library(stringr)
• library(VIM)
• library(mice)
• library(ggplot2)
• library(caret)
• library(randomForest)

3. 缺失值探索

合并后的full數(shù)據(jù)集里Survived變量含有481個(gè)缺失值（test集里不含有Survived變量，因此合并后使得full集有481個(gè)缺失值），Age變量有263個(gè)缺失值（多重插補(bǔ)法處理），Fare變量有1個(gè)缺失值（均值填補(bǔ)），Embarked變量有2個(gè)缺失值（眾數(shù)填補(bǔ)），Cabin變量含有1014個(gè)缺失值（缺失值太多，刪除處理）。

4. 缺失值處理

我們觀察到Age變量的缺失值高達(dá)263個(gè)，用均值替代或者刪除都會(huì)對(duì)結(jié)果產(chǎn)生較大的影響，因此我們將通過(guò)mice包對(duì)Age變量的缺失值進(jìn)行插補(bǔ)，結(jié)果如上圖所示，插補(bǔ)后Age均值為29.57歲，最小的為0.17歲，最老的為80歲。

對(duì)Embarked變量和Fare變量的缺失值進(jìn)行填補(bǔ)，因?yàn)橹挥袃蓚€(gè)和1個(gè)的缺失值，因此我們考慮用眾數(shù)（Embarked變量為chr）和均值（Fare變量為int）的方式直接填補(bǔ)。Embarked變量的眾數(shù)為S，因此直接用S替代缺失值，結(jié)果如上圖所示。Fare變量在用均值填補(bǔ)時(shí)，要注意的一點(diǎn)是在進(jìn)行均值處理是時(shí)，”na.rm = TRUE”不能忘，不然得出來(lái)的均值會(huì)是na值。最后我們用summary看一下處理過(guò)后的數(shù)據(jù)，除了Survived變量的481個(gè)缺失值外，其他的變量都漂漂亮亮的了，當(dāng)然Cabin變量的1014個(gè)缺失值并沒(méi)有進(jìn)行處理，因?yàn)榇龝?huì)我們會(huì)直接刪掉它，結(jié)果如下圖所示。

5. 特征值選取與描述性分析

• Title VS Survived

Title變量是從Name變量中提取出來(lái)的，因?yàn)槲覀冇^察到Name變量除了中間的稱呼外，沒(méi)有太多的共同點(diǎn)，對(duì)分析沒(méi)有太多價(jià)值，因此將稱呼提取出來(lái)進(jìn)行分析。結(jié)果如下圖所示，可以發(fā)現(xiàn)不同的Title的幸存率還是有很大差距。

• Pclass，Sex，Pclass&Sex VS Survived

Pclass變量對(duì)幸存率的影響還是挺大的，一等艙和二等艙的幸存率挺高的，而三等艙的死亡率卻高達(dá) 75 %，由此我們不得不說(shuō)“天下武功，唯富不破”，我們還是要努力賺錢啊！

Sex變量對(duì)幸存率的影響就不用說(shuō)太多了，女士?jī)?yōu)先，因此我們可以看到女性的死亡率只有25%左右，而男性的死亡率卻高達(dá)75%。

分析完P(guān)class變量與Sex變量對(duì)幸存率的影響，小文突發(fā)奇想，會(huì)不會(huì)幸存率比較高的女性都在一二等艙呢？因此將Pclass與Sex進(jìn)行合并分析，結(jié)果還是很令人滿意的，一二等艙的女士幸存率都接近100%，連死亡率較高的三等艙的女士生存率也接近50%。

• Fare VS Survived

（a）圖是Fare變量的分布，可以看到大部分人的票價(jià)都在100以下，其中還有很大一部分是免費(fèi)上船的；（b）圖是Fare變量對(duì)幸存率的影響，可以看到票價(jià)高的乘客幸存率也較高，這與上面Pclass對(duì)幸存率的影響趨勢(shì)一致。

• Age VS Survived

Age變量的分布比較廣，由 0歲到80歲不等，直接分析沒(méi)太大意義，因此將其分為未成年人與成年人兩組進(jìn)行統(tǒng)計(jì)分析。結(jié)果表明，未成年人的幸存率比成年人的高。

• Familysize（FS）VS Survived

一開(kāi)始小文對(duì)數(shù)據(jù)集中的SibSp變量與Parch變量搞不清楚，怒小文的英語(yǔ)水平有限，查看了字典之后才發(fā)現(xiàn)原來(lái)是兄弟姐妹老婆孩子的意思，那好辦，我們建立一個(gè)新的變量，命名為Fsize，Fsize = SibSp + Parch + 1，并將家庭的人數(shù)分為單身，小家庭，大家庭進(jìn)行分組統(tǒng)計(jì)分析。結(jié)果表明，家庭人數(shù)對(duì)幸存率的影響還是比較明顯的。

• Embarked VS Survived

6. 建模

通過(guò)上述的特征值提取與描述性分析，我們知道Title，Pclass，Sex，PS，FS，AG，Fare，Emarked變量對(duì)幸存率的影響還是比較明顯的，因此在建模預(yù)測(cè)之前，先用randomForest進(jìn)行特征變量分析，看看其中哪些變量影響力更大。（在特征變量分析之前，需將所有的變量轉(zhuǎn)化為因子變量，不然會(huì)出錯(cuò)）

特征變量提取之后，分別用樸素貝葉斯算法與隨機(jī)森林算法對(duì)測(cè)試集進(jìn)行預(yù)測(cè)，結(jié)果表明，樸素貝葉斯分類器的正確率為98.80%，在418個(gè)測(cè)試集中只有5個(gè)乘客預(yù)測(cè)錯(cuò)誤，分別是兩個(gè)未幸存者錯(cuò)誤歸類到幸存者當(dāng)中，3個(gè)幸存者錯(cuò)誤歸類到未幸存者中；而隨機(jī)森林分類器的預(yù)測(cè)正確率比樸素貝葉斯要低一點(diǎn)點(diǎn)，為97.61%，有10個(gè)乘客預(yù)測(cè)錯(cuò)誤，其中有4個(gè)未幸存者錯(cuò)誤歸類到幸存者當(dāng)中，6個(gè)幸存者錯(cuò)誤歸類到未幸存者中。

總體而言兩個(gè)模型表現(xiàn)得還不錯(cuò)，有興趣的讀者可以繼續(xù)探討各種變量之間的關(guān)系，塑造更多有意思的變量組合，提高正確率，不說(shuō)了，小文要趕緊把結(jié)果上傳到kaggle，看看能不能排得上號(hào)……

總結(jié)

以上是生活随笔為你收集整理的用数据分析看泰坦尼克号的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。