[kaggle] titanic 문제 풀기

0. 목표 

 - titanic

 - 데이터 설명

1. 실습

 1) 라이브러리 호출

  - 결과 : ['test.csv', 'train.csv']

import numpy as np
import pandas as pd
import os

print(os.listdir("../input"))

2) 파일 읽기

train_df = pd.read_csv('../input/train.csv')
test_df = pd.read_csv('../input/test.csv')

 3) 데이터 확인

  (1) train_df

train_df.head()

  (2) test_df

   - train에서 Survived만 제외된 형태

test_df.head()

 4) 자료구조 확인

  - 12개 칼럼, 891개 데이터로 이루어져 있으며 Age와 Cabin, Embarked는 결측치가 존재

train_df.info()

 5) 기술통계

  - 문자 데이터는 대상에서 제외

train_df.describe()

 6) 각 칼럼과 생존간의 관계 파악

  (1) Pclass(좌석 등급)

   - train_df의 Pclass와 Survived를 뽑은뒤 Pclass를 중심으로 묶고, Survived의 평균값을 구하여라.

   - 뭔가 관계가 있어 보임.

train_df[['Pclass', 'Survived']].groupby(['Pclass'], as_index=False).mean().sort_values(by='Survived', ascending=False)

 (2) Sex(성별)

   - 관계가 있어보임

train_df[["Sex", "Survived"]].groupby(['Sex'], as_index=False).mean().sort_values(by='Survived', ascending=False)

  (3) SibSp(형제, 배우자)

   - 애매함

train_df[["SibSp", "Survived"]].groupby(['SibSp'], as_index=False).mean().sort_values(by='Survived', ascending=False)

  (4) Parch(부모, 자식)

   - 없음

train_df[["Parch", "Survived"]].groupby(['Parch'], as_index=False).mean().sort_values(by='Survived', ascending=False)

  (5) Age(나이)

   - 생존 및 희생자의 분포가 유사하므로 나이가 크게 영향을 미친다고는 볼 수 없음.

import seaborn as sns
import matplotlib.pyplot as plt

g = sns.FacetGrid(train_df, col='Survived')
g.map(plt.hist, 'Age', bins=20)

   - Pclass에 따른 나이대별 생존유무

grid = sns.FacetGrid(train_df, col='Survived', row='Pclass', size=2.2, aspect=1.6)
grid.map(plt.hist, 'Age', alpha=.5, bins=20)

 7) 필요없는 필드 삭제

train_df = train_df.drop(['Ticket', 'Cabin', 'Name', 'Parch', 'SibSp', 'Embarked', 'Fare', 'PassengerId'], axis=1)
test_df = test_df.drop(['Ticket', 'Cabin', 'Name', 'Parch', 'SibSp', 'Embarked', 'Fare'], axis=1)

 8) train_df, test_df 결합

  - 데이터 조작을 빠르게(동시에) 하기 위한 결합

  - 결합 형태는 list 형태이며, 각 요소 combine[0], combine[1]은 dataframe 형태

combine = [train_df, test_df]

 9) 성별 인코딩

for dataset in combine:
    dataset['Sex'] = dataset['Sex'].map( {'female': 1, 'male': 0} ).astype(int)

train_df.head()

 10) 나이 분류

for dataset in combine:    
    dataset.loc[ dataset['Age'] <= 16, 'Age'] = 0
    dataset.loc[(dataset['Age'] > 16) & (dataset['Age'] <= 32), 'Age'] = 1
    dataset.loc[(dataset['Age'] > 32) & (dataset['Age'] <= 48), 'Age'] = 2
    dataset.loc[(dataset['Age'] > 48) & (dataset['Age'] <= 64), 'Age'] = 3
    dataset.loc[ dataset['Age'] > 64, 'Age']
train_df.head()

  11) 결측값 채우기(나이)

   - 클래스 마다의 나이의 median 값으로 결측값 채우기

for dataset in combine:
    dataset["Age"] = dataset.groupby(dataset.Pclass).Age.transform(lambda x: x.fillna(x.median()))

 12) 학습, 테스트 데이터 분류

X_train = train_df.drop(["Survived"], axis=1)
Y_train = train_df["Survived"]
X_test  = test_df.copy().drop("PassengerId", axis=1)

 13) 머신러닝 라이브러리 호출

from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC, LinearSVC
from sklearn.ensemble import RandomForestClassifier
from sklearn.neighbors import KNeighborsClassifier
from sklearn.naive_bayes import GaussianNB
from sklearn.linear_model import Perceptron
from sklearn.linear_model import SGDClassifier
from sklearn.tree import DecisionTreeClassifier

 14) 모델 사용

  (1) Logistic Regression

logreg = LogisticRegression()
logreg.fit(X_train, Y_train)
Y_pred = logreg.predict(X_test)
acc_log = round(logreg.score(X_train, Y_train) * 100, 2)

  (2) Support Vector Machines

svc = SVC()
svc.fit(X_train, Y_train)
Y_pred = svc.predict(X_test)
acc_svc = round(svc.score(X_train, Y_train) * 100, 2)

  (3) KNN

knn = KNeighborsClassifier(n_neighbors = 3)
knn.fit(X_train, Y_train)
Y_pred = knn.predict(X_test)
acc_knn = round(knn.score(X_train, Y_train) * 100, 2)

  (4) Gaussian Naive Bayes

gaussian = GaussianNB()
gaussian.fit(X_train, Y_train)
Y_pred = gaussian.predict(X_test)
acc_gaussian = round(gaussian.score(X_train, Y_train) * 100, 2)

  (5) Perceptron

perceptron = Perceptron()
perceptron.fit(X_train, Y_train)
Y_pred = perceptron.predict(X_test)
acc_perceptron = round(perceptron.score(X_train, Y_train) * 100, 2)

  (6) Linear SVC

linear_svc = LinearSVC()
linear_svc.fit(X_train, Y_train)
Y_pred = linear_svc.predict(X_test)
acc_linear_svc = round(linear_svc.score(X_train, Y_train) * 100, 2)

  (7) Stochastic Gradient Descent

sgd = SGDClassifier()
sgd.fit(X_train, Y_train)
Y_pred = sgd.predict(X_test)
acc_sgd = round(sgd.score(X_train, Y_train) * 100, 2)

  (8) Decision Tree

decision_tree = DecisionTreeClassifier()
decision_tree.fit(X_train, Y_train)
Y_pred = decision_tree.predict(X_test)
acc_decision_tree = round(decision_tree.score(X_train, Y_train) * 100, 2)

  (9) Random Forest

random_forest = RandomForestClassifier(n_estimators=100)
random_forest.fit(X_train, Y_train)
Y_pred = random_forest.predict(X_test)
random_forest.score(X_train, Y_train)
acc_random_forest = round(random_forest.score(X_train, Y_train) * 100, 2)

 15) 모델 비교

models = pd.DataFrame({
    'Model': ['Support Vector Machines', 'KNN', 'Logistic Regression', 
              'Random Forest', 'Naive Bayes', 'Perceptron', 
              'Stochastic Gradient Decent', 'Linear SVC', 
              'Decision Tree'],
    'Score': [acc_svc, acc_knn, acc_log, 
              acc_random_forest, acc_gaussian, acc_perceptron, 
              acc_sgd, acc_linear_svc, acc_decision_tree]})
models.sort_values(by='Score', ascending=False)

 15) 결과 저장(제출 파일 작성)

  - Random Forest 결과

submission = pd.DataFrame({
        "PassengerId": test_df["PassengerId"],
        "Survived": Y_pred
    })
submission.to_csv('./submission.csv', index=False)

2. 참고

 - 캐글(타이타닉)

 - 결측값 처리