Ɖ5-根/ 鐵達尼號的 Python 的資料型態應用

2022 iThome 鐵人賽

DAY 5

AI & Data

先別急著學 Python | The Secret to Success in Python系列第 5 篇

14th鐵人賽 python excel 數據分析 youarewhatyoulearn

juck30808

2022-09-19 23:56:02

858 瀏覽

分享至

如果用 Python 處理鐵達尼號的資料會是什麼樣子？

前幾篇文章的內容中我們已經利用 Excel 來處理鐵達尼號的資料集，試著判斷出不同的標頭資料，也進行了樣本特徵異常值的檢測，也利用的資料集來做圖表分析，有了這些步驟我們已經能夠完成大部分的報告了。基本上目前除了模型預測沒有完成外，其他都已經可以有很棒的結果。

1.問題定義 (Definition)
2.獲取數據 (Acquiredata)
3.清理數據 (Clean data)
4.分析定義 (Analyze and identify)
5.(x)模型預測 (Model predict)
6.可視化圖 (Visualize)
7.提交結果 (Results)

那麼接下來，我們試著我們試著用 python 來說明鐵達尼號的資料集

先看看鐵達尼號的資料集長什麼樣子 DataSet

開始之前我們先 import 一些參數，這些東西就像是工具一樣，我們後續教學上會用到。以 pandas 那段程式碼來說，他的意思是我們先輸入 pandas 這個套件，並且簡寫名稱為 pd。

# 資料分析用
import pandas as pd
import numpy as np
import random as rnd

# 資料視覺化用
import seaborn as sns
import matplotlib.pyplot as plt
%matplotlib inline

如果我們利用 Excel 開啟，在鐵達尼號的資料集中可以看見有許多不同的資料標題，在這樣的情況下我們資料標題我們能夠從標頭位置去做判斷，而同時你也可以使用 Python 來讀取這項資料集，而操作的方法在這：

import pandas as pd
train_df = pd.read_csv('../input/train.csv')
train_df

呼叫剛剛 import 的 panda 並利用 read_csv 這個方法來讀取 input 資料夾裡面的 train.csv 檔案。

而在此可以感受到 Excel 跟 Python 第一件最大的不同就是 Python 可以利用原始碼來快速抓出資料集的標頭。我們只需要輸入下面程式，可以直接匯出標頭來做程式化選取，得到['PassengerId' 'Survived' 'Pclass' 'Name' 'Sex' 'Age' 'SibSp' 'Parch' 'Ticket' 'Fare' 'Cabin' 'Embarked']

print(train_df.columns.values)

檢測樣本特徵異常值 Correcting

在前一篇提到的工作流程階段（Workflow stages）中的糾正(Correcting)有提到，在資料型態中我們可以檢測我們的樣本或特徵中的任何異常值。所謂的異常職包含了哪些特徵是空白、無效或空值？這些將需要提前先確認，在 Python 中我們可以利用 .info() 或是 .describe() 這兩種不同的函數來進行特徵異常值檢測。

python.info()
現在這部分我們用 Python 快速查看，利用 Pandas Library 中提供的 .info() 方法快速找出缺值。簡單來說 info() 這個方法就是定義出關於DataFrame的信息，這些信息包含了列的數量、列的標籤、列的數據類型、內存使用情況、範圍索引和每一列的「非空值」單元格數量等等的，我們直接執行一次看看。

train_df.info()

我們可以快速得出 RangeIndex: 891 entries 也就是樣本總數為 891 人，而且 Data columns (total 12 columns) 也就是一共有 12 列資料標頭。繼續看下去除了資料型態外，可以注意到有三個數值的非空值單位格不是 891人，分別為 Age(714)、Cabin(204)。

Python.describe()

在整體樣本中是否生存(Survived)是一個存活(1)與死亡(0)的分類特徵，在資料集中有 342 人是存活（1)下來的約佔 38% 的樣本數，代表實際乘客生存率為 32%，我們可以利用 Pandas 中的 describe() 方法回傳對於 DataFrame 中數據的描述更進一步了解，這種方法快速的描述了每一列資料集的count, mean, std 與百分位數級距。

train_df.describe()

我可以看出在整體樣本中是否生存(Survived)的分類特徵平均值(mean)為 38%，與剛剛計算相同。此外高（>75%）的乘客沒有和父母或孩子一起旅行，且近 30% 的乘客有兄弟姐妹和/或配偶在船上。我們也能注意到票價差異很大有少部分的乘客票價(Fare)高達(Max)512美元。而最後年齡在 65-80 歲之間的老年乘客很少小於 1%。