摘要：
一、下载渠道相关问题1. Kaggle注册失败无法下载数据集解决方案：可以在阿里云天池搜索到并下载数据，链接为 = 111507。二、数据处理相关问题1. 缺失值处理数值类型缺失值...
一、下载渠道相关问题
1. Kaggle注册失败无法下载数据集
解决方案：可以在阿里云天池搜索到并下载数据，链接为 = 111507。
二、数据处理相关问题
1. 缺失值处理
数值类型缺失值：一般使用平均值替代，例如年龄（Age）和船票价格（Fare）等数值类型的缺失值。
字符串类型缺失值：
Cabin（船舱号）：缺失值数量较多（缺失率 = 77.5%），用“U”替代，表示未知。
Embarked（登船港口）：缺失值数量很少，用该列的众数替代，例如该列最多的值是“S”，则用“S”替换缺失值。
2. 特征工程
特征处理：
建立家庭类别：根据Parch（同代直系亲属）和SibSp（不同代直系亲属）得到家庭人数，再分为大、中、小家庭，并且进行One
hot编码。
性别(Sex)：将性别的值映射为数值，男（male）对应数值1，女（female）对应数值0，由于性别只有两个值，不需进行One
hot编码。
登船港口(Embarked)：登船港口分为S、C、Q，使用get_dummies进行One
hot编码，同时可指定参数prefix = 'Embarked'，然后添加编码产生的虚拟变量到原数据集，并删除登船港口(Embarked)列。
客舱等级（Pclass）：客舱等级的值包括1、2、3，分别表示一等舱、二等舱、三等舱，使用get_dummies进行One
hot编码，并指定虚拟变量列名的前缀，添加编码产生的虚拟变量到原数据集，并删除客舱等级（Pclass）列。
乘客姓名（Name）：提取出每位乘客的称谓，然后根据称谓进行分类，得到一个新的数据特征，先定义函数从乘客姓名中获取称谓，汇总统计所有称谓的数量，将称谓重新归为6大类（Officer：官员；Royalty：王室（皇室）；Mr：已婚男士；Mrs：已婚妇女；Miss：年轻未婚女子；Master：有技能的人/教师），建立姓名中称谓与6大类的映射关系，并用map函数完成转换，转换完成后，继续使用get_dummies进行One
hot编码，最后添加编码产生的虚拟变量到原数据集，并删除乘客姓名（Name）列。
客舱号（Cabin）：客舱号的首字母就是客舱的类别，获取客舱号的首字母，得到客舱类别，然后添加One
hot编码产生的虚拟变量到原数据集，并删除客舱号（Cabin）列。
特征选择：通过corr方法获取所有元素之间的相关系数，提取“Survived”与各个元素的相关系数，并按降序排列，选取相关性较大的数据特征，如称谓（titleDf）、客舱等级（pclassDf）、家庭类别（familyDf）、船票价格（Fare）、船舱号（cabinDf）、登船港口（embarkedDf）、性别（Sex）等，将选取的特征放到数据集full_X。
三、模型构建与评估相关问题
1. 划分数据集
划分原始数据集和预测数据集：原始数据集有891行，预测数据集有418行，且合并文件后原始数据集在前面，根据行数进行分割，并分别提取特征和标签。
划分训练数据集和测试数据集：从原始数据集（source）中拆分出训练数据集（train）、测试数据集（test），分别用于模型训练和模型评估。
2. 选择机器学习算法：根据要解决的问题（涉及是否幸存的二元问题），选择逻辑回归算法，导入逻辑回归算法，创建逻辑回归算法模型，训练模型。
3. 评估模型：用模型model的score方法，可以查看模型的正确率，即该模型预测的test_y与预留的test_y对比后，正确的比例是多少，例如模型的正确率是83%，表明拟合得很好，可以用来预测。
4. 实施方案：
使用模型得到预测结果。
按照指定格式输出结果：生成的预测值是浮点数，但是Kaggle要求提交的结果是整数型，所以对数据类型进行转换，然后根据要求输出两列数据，分别是乘客id和预测值，最后将结果保存为csv文件。
泰坦尼克号下载软件推荐
1. 阿里云天池：提供泰坦尼克号乘客生存预测数据集，数据集已分为训练集和测试集，可以根据训练集训练出合适的模型并预测测试集中的存活状况。
2. Titanic (My heart will go on) Theme：一款不错的免费程序，仅适用于Windows，属于桌面定制软件，带有子类别主题（更具体地说是电影和电视），并已由Execulink发布。
