分享一篇kaggle入门级案例，泰坦尼克号幸存遇难分析。
参考文章： 技术世界，原文链接 http://www.jasongj.com/ml/classification/
案例分析内容：
通过训练集分析预测什么人可能生还，并对测试集中乘客做出预测判断
案例分析
-
加载包
1 library(dplyr) #bind_rows()
2 library(ggplot2) #绘图
3 library(ggthemes)
4 library(InformationValue) #计算WOE和IV
5 library(stringr) #数据处理
6 library(rpart) #预测乘客年龄
7 library(scales) #dollar_format()
8 library(party) #cforest()
9 library(gbm) #AdaBoost
10 library(MLmetrics) # Mache learning metrics.e.g. Recall, Precision, Accuracy, AUC
-
加载文件
1 train <- read.csv("F:\\R/泰坦尼克幸存分析/train.csv",header = T,stringsAsFactors = F) #ID 1~891乘客信息
2 test <- read.csv("F:\\R/泰坦尼克幸存分析/test.csv",header = T,stringsAsFactors = F) #ID 892~1309号乘客信息(缺少是否存活信息)
3 test_survived <-read.csv("F:/R/泰坦尼克幸存分析/gender_submission.csv",header = T,stringsAsFactors = F) #ID 892~1309号 是否存活信息 -
数据整理
1 #合并训练数据和测试数据
2 data <- bind_rows(train,test)
3 ##Sex:性别,Age:年龄,SibSP:配偶/兄妹数,Parch:父母/子女数,Ticket:船票号
4 ##Fare：费用,Cabin：舱位区域,Pclass:舱位等级,Embarked:到达码头,Title:头衔
5 #将是否存活设为因子
6 data$Survived <- as.factor(data$Survived)
7 train$Survived <-as.factor(train$Survived)
8 test$Survived <- as.factor(test$Survived) -
统计幸存和遇难人数是否与舱位等级有关
1 ggplot(data = data[1:nrow(train),],aes(Pclass,..count..,fill=factor(Survived)))+ #载入训练数据分析
2 geom_bar(stat = 'count',position = 'dodge')+
3 labs(title='舱位等级对乘客存活影响',x='舱位等级',y='存活人数',fill='Survived')+ #fill为图例标题属性
4 scale_fill_discrete(limits=c(0,1),labels=c('遇难','获救'))+ #修改图例标签文本
5 scale_x_continuous(breaks=c(1,2,3),labels=c('头等舱','二等舱','三等舱'))+ #修改X轴刻度文本
6 geom_text(stat = "count",aes(label=..count..),position = position_dodge(width = 1),vjust=-0.3)+ #添加数据标签
7 theme(plot.title = element_text(hjust = 0.5)) #修改标题位置
可以看到,头等舱的乘客获救率是最高的，舱位等级越高，获救几率越大
-
计算舱位等级(Pclass)的WOE和IV
1 class(data$Pclass) #查看变量(舱位)类型,求WOE时需要转换为因子
2 WOETable(X = factor(data$Pclass[1:nrow(train)]),Y = data$Survived[1:nrow(train)])
3 IV(X = factor(data$Pclass[1:nrow(train)]),Y = data$Survived[1:nrow(train)] ) 为了更为定量的计算Pclass的预测价值，可以算出Pclass的WOE和IV如下。从结果可以看出，Pclass的IV为0.5，且“Highly Predictive”。由此可以暂时将Pclass作为 预测模型的特征变量之一。
统计不同title(头衔)的乘客存活率
- 训练集中给出了乘客姓名，其中含有MR，Capt等常见称号，这通常标志着一个人处于的社会阶层，所以猜测可能与存活率存在一定联系。接下来要进行分类整理。提取出Name中的title标签，并进行分类。
-
1 data$Title <- sapply(data$Name,FUN=function(x){strsplit(x,split = '[,.]')[[1]][2]}) #依次提取出每行的title标签
2 #head(strsplit(data$Name,split = '[,.]')[[1]][2])
3 head(data$Title)
4 data$Title <- sub(pattern = ' ',replacement = '',data$Title)
5 data$Title[data$Title %in%c('Mme','Mlle')] <-'Mlle'
6 data$Title[data$Title %in%c('Capt','Don','Major','Sir')] <-'Sir'
7 data$Title[data$Title%in%c('Dona','Lady','thhe Countess','Jonkheer')] <-'Lady'
8 data$Title <- factor(data$Title) -
抽取完乘客Title后,绘图观察
1 ggplot(data = data[1:nrow(train),],aes(x = Title,y = ..count..,fill=factor(Survived)))+
2 geom_bar(stat = 'count')+
3 geom_text(stat = 'count' ,aes(label=..count..),position = position_stack(vjust = 0.85))+
4 labs(title='头衔是否影响存活率',x='尊称/头衔',y='人数',fill='Survived')+
5 theme(plot.title = element_text(hjust =0.55))+
6 scale_fill_discrete(limit=c(0,1),labels=c("遇难","获救"))+
7 theme_economist()观察图中不难发现，图中Master，Miss,Mlle,Mrs,Ms获救比例均超过50%，而Mr的获救比例不到15.7%。接下来计算WOE和IV，
查看Title这一变量对于最终的预测是否有用
计算头衔(Title)的WOE和IV
1 WOETable(X = factor(data$Title[1:nrow(train)]),Y = factor(data$Survived[1:nrow(train)]))
2 IV(X = factor(data$Title[1:nrow(train)]),Y = factor(data$Survived[1:nrow(train)]) )
IV为1.520702，且”Highly Predictive”。因此，可暂将Title作为预测模型中的一个特征变量。
-
猜测性别和存活率有关
1 ggplot(data = data[1:nrow(train),],aes(x =Sex,y = ..count..,fill=factor(Survived)))+
2 geom_bar(stat='count',position = 'fill')+
3 geom_text(stat = 'count',aes(label=..count..),position = 'fill',vjust=1)+
4 labs(title="性别是否影响存活率",fill="Survived",x='性别',y='获救比例')+
5 scale_x_discrete(breaks = c('female','male'),labels = c('女','男'))+
6 scale_fill_discrete(limits=c(0,1),labels=c('遇难','获救'))
泰坦尼克号遇难之际，船上乘客秉承‘女士优先’的原则，实际情况是，75%的女性乘客获救，而仅有不到25%的男性乘客获救，这也充分说明了这 一原则的真实性。
计算性别(Sex)的WOE和IV
WOETable(X = factor(data$Sex[1:nrow(train)]),Y = factor(data$Survived[1:nrow(train)]))
IV(X =factor(data$Sex[1:nrow(train)]),Y = factor(data$Survived[1:nrow(train)]) )
为高预测变量
-
统计年龄与存活率是否有关
1 summary(data$Age[1:nrow(train)])
2 ggplot(data = data[!is.na(data$Age),],aes(Age,linetype=Survived,color=Survived))+
3 geom_line(stat='bin',bins=10,size=0.8)+
4 labs(title='年龄是否与存活率有关',x='年龄',y='人数',color="Survived",linetype="Survived")+
5 scale_color_discrete(limits=c(0,1),labels=c('遇难','获救'))+
6 scale_linetype_discrete(limits=c(0,1),labels=c('遇难','获救'))+
7 theme_stata()除了女士优先，老弱人士可能也是优先照顾的对象，图中显示，20岁以下的人员获救比例确实较高，而25岁左右的青年人士获救人数最多，但遇难的人数也接近200人。
-
统计(SibSp)配偶/兄弟姐妹人数同时在船对存活率是否有影响
1 ggplot(data = train,aes(x=as.factor(train$SibSp),fill=Survived))+geom_bar(stat='count',position = 'dodge')+
2 geom_text(stat = 'count',position = position_dodge(width = 1),aes(label=..count..),vjust=-0.1)+
3 labs(x='亲属人数',y='人数',title='配偶/兄弟姐妹人数对存活率是否有影响')+
4 scale_fill_discrete(limits=c(0,1),labels=c('遇难','获救'))+
5 theme(plot.title = element_text(hjust = 0.5))训练集中提供了乘客配偶或兄弟姐妹的人数，观察后发现没有亲属在船上的人数较多，沉船时，独身出行的乘客获救几率只有34%，有1~2名配偶或兄弟姐妹同时在船上时，该名乘客获救几率也较高。而人数达 4人以上时，几乎同时遇难。
统计SibSp的WOE和IV
WOETable(X = factor(train$SibSp),Y = factor(train$Survived))
IV(X = factor(train$SibSp),Y = factor(train$Survived))
IV为0.1449，为高预测性变量
-
统计Parch(父母/子女人数)对存活率影响
1 ggplot(data = train,aes(Parch,fill=Survived))+
2 geom_bar(stat='count',position = 'dodge')+
3 labs(title='父母/子女数对存活率是否有影响',x='父母/子女数',y='人数')+
4 geom_text(aes(label=..count..),stat = 'count',position = position_dodge(width = 1),vjust=-0.1)+
5 scale_fill_discrete(limits=c(0,1),label=c('遇难','获救'))+
6 theme(plot.title = element_text(hjust = 0.5))Parch列中提供的为乘客的父母/子女人数(同时在船),探究是否该变量会影响存活率。由图可看出，当船上没有自己的父母或者子女时，乘客存活率与SibSp情况相仿，不足1/3。当船上Parch数为1~3人时，获救率高于50%。
计算Parch的WOE和IV
WOETable(X = factor(train$Parch),Y = factor(train$Survived))
IV(X = factor(train$Parch),Y = factor(train$Survived))
计算Parch得0.116，认为高预测变量
-
找出Ticket与存活率关系,共享船票号的可能为一家人,单独船票为独身一人,分成两组进行比较。
1 ticket.count <- aggregate(data$Ticket,by=list(data$Ticket),function(x)sum(!is.na(x)))
2 #整合船票号,记录重复的次数,ticket.count记录这两列(有序),但data中船票号分布是无序的
3 head(ticket.count)
4 data$TicketCount <- apply(X = data,MARGIN = 1,FUN = function(x)ticket.count[which(ticket.count[,1]==x['Ticket']),2])
5 #主体(X)为data,将ticket.count中的船票号(有序)与data$Ticket(无序)进行一一对应
6 head(data$TicketCount)
7 data$TicketCount <- factor(sapply(X = data$TicketCount,FUN = function(x)ifelse(x>1,'Share','Unique')))
8 #重复次数>1则说明为共享船票,=1为独自一人.比较两组人员的存活率.数据集中提供了Ticket列，提供了乘客的船票号。整合船票号，发现存在重复的船票号，猜想可以与家庭共享船票号有关。前面得存活率与SibSP和Parch有关，现可将Ticket分成两类，一类为家庭共享船票，一类为独自乘船所用船票号。
1 #重复次数>1则说明为共享船票,=1为独自一人.比较两组人员的存活率.
2 ggplot(data,aes(TicketCount,..count..,fill=factor(Survived)))+
3 geom_bar(stat = 'count',position = 'dodge')+
4 labs(title='船票号与存活率联系',x='船票号',y='人数',fill='Survived')+
5 geom_text(stat = 'count',aes(label=..count..),position = position_dodge(width = 0.9),vjust=-0.1)+
6 scale_fill_discrete(limits=c(0,1),labels=c('遇难','获救'))+
7 theme(plot.title = element_text(hjust = 0.5))
图可看出，共用一张船票的家庭，存活率为50%，而单张船票(即独自出行)的乘客，遇难的可能性高达73%
-
计算TicketCount的WOE和IV
1 WOETable(X = factor(data$TicketCount),Y = factor(data$Survived))
## CAT GOODS BADS TOTAL PCT_G PCT_B WOE IV
## 1 share 308 288 596 0.6234818 0.3533742 0.5677919 0.1533649
## 2 unique 186 527 713 0.3765182 0.6466258 -0.5408013 0.14607451 > IV(X = factor(data$TicketCount),Y = factor(data$Survived))
## [1] 0.2994394
## attr(,"howgood")
## [1] "Highly Predictive"IV为0.29，且为Highly Predictive
统计船费(Fare)和存活率关系
船费与舱位等级和行程距离有关，已知存活率与舱位等级(Pclass)存在一定关系,猜想船费可能也存在关系
1 summary(data$Fare)
2 class(data$Fare)
3 ggplot(data[!is.na(data$Fare),],aes(x = Fare,color=factor(Survived)))+geom_line(stat = 'bin',binwidth=10,size=1)+
4 labs(title='船费是否影响存活率',x='船费',y='人数',color='Survived')+
5 scale_color_discrete(labels=c('遇难','获救'))+
6 theme(plot.title = element_text(hjust=0.5))
由图可看出，船费超过100元的乘客几乎都获救
计算Fare的WOE和IV
WOETable(X = factor(data$Fare),Y = data$Survived)
IV(X = factor(data$Fare),Y = data$Survived)
[1] 0.709573
attr(,"howgood")
[1] "Highly Predictive"
同样Fare为高预测变量
统计舱位区域(Carbin)对存活率影响
对于Cabin变量，其值以字母开始，后面伴以数字。这里有一个猜想，字母代表某个区域，数据代表该区域的序号。类似于火车票即有车箱号又有座位 号。因此，这里可尝试将Cabin的首字母提取出来，并分别统计出不同首字母仓位对应的乘客的幸存率。
1 data$Cabin_level <- substr(x = data$Cabin,start = 1,stop = 1)
2 ggplot(data,aes(data$Cabin_level,fill=Survived))+geom_bar(stat = 'count',position = 'dodge')+
3 geom_text(stat = 'count', aes(label=..count..),position = position_dodge(width = 1),vjust=-0.1)+
4 labs(title='舱位区域对存活率影响',x='舱位',y='人数')+
5 scale_fill_discrete(label=c('遇难','获救'))
Cabin变量中存在的空字符串较多，分析其他得B,C,D,E舱的乘客幸存率远高于50%，其他舱的乘客则低于50%。
计算data$Cabin_level的WOE和IV
WOETable(X = factor(data$Cabin_level),Y = data$Survived)
IV(X = factor(data$Cabin_level),Y = data$Survived)
-
统计登船码头是否与存活率有关
1 ggplot(train,aes(Embarked,fill=Survived))+geom_bar(stat = 'count',position = 'dodge')+
2 geom_text(stat = 'count',aes(label=..count..),position = position_dodge(width = 1),vjust=-0.1)
到达C码头的乘客获救率高于50%，而到达S码头的乘客遇难人数达427人，幸存率仅有29%
计算Embarked(登船码头)WOE和IV
列出所有缺失数据
研究完变量后，接下来要对缺失数据进行处理
1 attach(data)
2 head(missing)
3 missing<- list(Pclass=nrow(data[is.na(Pclass),]))
4 missing$Name <- nrow(data[is.na(Name),])
5 missing$Sex <- nrow(data[is.na(Sex),])
6 missing$Age <- nrow(data[is.na(Age),])
7 missing$SibSp <- nrow(data[is.na(SibSp),])
8 missing$Parch <- nrow(data[is.na(Parch),])
9 missing$Ticket <- nrow(data[is.na(Ticket),])
10 missing$Fare <- nrow(data[is.na(Fare),])
11 missing$Cabin <- nrow(data[which(data$Cabin==''),])
12 missing$Embarked <- nrow(data[which(data$Embarked==''),])
13 #names(missing)
14 #missing[["Cabin"]][1]
15 for (name in names(missing)) {
16 if(missing[[name]][1]>0){
17 print(paste('',name,' miss ',missing[[name]][1],' values',sep=''))
18 }
19 }
20 detach(data)
预测乘客年龄
乘客年龄数据共缺失263条，缺失量较大，不适合使用中位数或均值填补，通过使用其它变量预测或者直接将缺失值设置为默认值的方法填补，这 里通过其它变量来预测缺失的年龄信息。
1 age.model <- rpart(Age~Pclass+factor(Sex)+SibSp+Parch+Fare+factor(Embarked)+Title,data = data[!is.na(data$Age),],method = 'anova')
2 data$Age[is.na(data$Age)]
3 data$Age[is.na(data$Age)] <- predict(age.model,data[is.na(data$Age),])
中位数填补缺失的Embarked值
查看缺失码头,发现船费都为80,猜想船费与舱位和到达码头有关。绘图查看后发现到达码头C的头等舱船票为80,可以将该缺失的空值补为C
1 ggplot(data[which(data$Embarked!=''),],aes(Embarked,Fare,fill=factor(Pclass)))+
2 geom_boxplot()+
3 geom_hline(yintercept = 80,color='red',linetype=2,lwd=1)+
4 scale_y_continuous(labels = dollar_format())+
5 labs(title='船费和舱位及登船码头的关系',x='登船码头',y='船费',fill='舱位等级')+
6 theme(plot.title = element_text(hjust=0.5),panel.grid.major = element_blank())+
7 scale_fill_discrete(label=c('头等舱','二等舱','三等舱'))
1 data$Embarked[which(data$Embarked=='')] <- 'C'
2 data$Embarked <- as.factor(data$Embarked)
补船费的缺失值
船费和舱位等级，到达码头存在联系，已知另外两个条件，不难猜出船费为多少，将缺失的船费的数据补齐
1 data[is.na(data$Fare),c('Pclass','Embarked')]
2 summary(data[which(data$Pclass=='3'&&data$Embarked=='S'),'Fare'])
3 data[is.na(data$Fare),'Fare'] <-7.25
补Cabin(设为默认值)
因为除去这些缺失值后,测得IV已较高,所以可直接设为一个默认值
1 summary(data$Cabin)
2 head(data$Cabin)
3 data$Cabin <- as.factor(sapply(data$Cabin,FUN = function(x) ifelse(x=='','X',str_sub(x,1,1))))
-
训练模型
1 set.seed(123)
2 class(data$Embarked)
3 data$Sex <- as.factor(data$Sex)
4 model <- cforest(Survived~Pclass+Title+Sex+Age+SibSp+Parch+TicketCount+Fare+Cabin+Embarked,data,controls = cforest_unbiased(ntree=2000,mtry=3)
-
交叉验证
1 cv.summarize <- function(data.true, data.predict) {
2 print(paste('Recall:', Recall(data.true, data.predict)))
3 print(paste('Precision:', Precision(data.true, data.predict)))
4 print(paste('Accuracy:', Accuracy(data.predict, data.true)))
5 print(paste('AUC:', AUC(data.predict, data.true)))
-
预测
1 predict.result <-predict(model,data[(1+nrow(train)):(nrow(data)),],OOB=TRUE,type='response')
2 output <- data.frame(PassengerID=test$PassengerId,Survived=predict.result)
3 write.csv(output,file ='F:/R/泰坦尼克幸存分析/cit1.csv',row.names = FALSE)