Datawhale打卡活动 Kaggle Spaceship Titanic Day2

Datawhale打卡活动 Kaggle Spaceship Titanic

尝试了一个coggle科学的打卡活动（Coggle 30 Days of ML（22年10月）），记录一下学习过程！

Day 2 比赛数据分析

步骤1：使用pandas完成如下数据分析

训练集和测试集的行数分别是多少？

通过.shape函数查看训练集和测试集的大概情况。

可以发现：在训练集中，数据有8693行、14列；在测试集中，数据有4277行，13列（没有label）。

训练集中每列的类型是什么？

通过info函数查看训练集中的类型以及缺失值情况。

可以看到，在训练集中Dtype为float64的有：Age、RoomService、FoodCourt、ShoppingMall、Spa、VRDeck；为object类型的有：PassengerId、HomePlanet、CryoSleep、Cabin、Destination、VIP、Name。然后label（也就是Transported）属于布尔类型。

训练集中标签是如何分布，与哪一个特征最相关？

通过对Transported列使用value_counts()函数，可以看出正负标签的占比约为1:1

对于数据的相关性分析，可以参考数据特征分析·相关性分析 - 知乎 (zhihu.com)

对原数据集直接绘图可以发现，绘制出的图像只包含了数据集中类型为数值的相关列。

并不包含所有列，这肯定不是我们希望看到的，所以我们对不是数值的属性作labelencoder，将其转化为数值，然后再进行绘图。

可以看出，Transported（label）与CryoSleep的相关性最高（也就是最相关）！

训练集中列缺失值如何分布的？

通过前面的info函数已经可以对缺失值有一个大概的认知，接下来通过.isna().sum()来查看各列具体的缺失值情况。

可以看出，总体缺失值较少，其中缺失值最多的那一列为ShoppingMall。

步骤2：使用seaborn或matplotlib完成如下可视化

这里查看两列的分布关系，我们使用了kde分布图（下面的每一个都是，代码在第一个作展示，后面只展示图），使用displot（结合了kde和hist）。

HomePlanet 与 Transported 的分布关系

CryoSleep 与 Transported 的分布关系

Cabin 与 Transported 的分布关系

Destination 与 Transported 的分布关系

Age 与 Transported 的分布关系

VIP 与 Transported 的分布关系

RoomService、FoodCourt、ShoppingMall、Spa、VRDeck 与 Transported 的分布关系

这一段，首先是将各个属性进行labelencoder之后再进行上述操作，画出二者的分布关系，由于每个图的情况均跟如下显示的差不多，所以不过多放图（这一步骤笔者不知道是没有理解到含义还是啥，如有错误，希望有前辈能够指出相应的错误，以及提点该如何做。）

Name 与 Transported 的分布关系

步骤3：根据上述分析结果，你找出什么规律，如什么类型的乘客更加容易被Transported？

通过对训练集中特征的分布以及相关性分析之后，可以发现，标签与CryoSleep的相关性最高（也就是最相关）。也就是说指示乘客选择在航行期间进入假死状态更容易被Transported。

练集中特征的分布以及相关性分析之后，可以发现，标签与CryoSleep的相关性最高（也就是最相关）。也就是说指示乘客选择在航行期间进入假死状态更容易被Transported。

【注】:以上便是对数据的初步分析，如有错处，烦请批评指正，谢谢！