【机器学习实战2】泰坦尼克号：从数据清洗到特征工程的生存预测全流程-开发者社区

1. 数据探索与初步分析

第一次拿到泰坦尼克号数据集时，我习惯性地先看数据结构。用pandas的head()快速浏览前几行数据，发现每个乘客有12个特征，包括年龄、性别、舱位等级等。但很快注意到Age列有缺失，Cabin列更是大面积空白——这让我想起实际项目中常遇到的"脏数据"问题。

统计Survived列发现生还率仅38%，说明这是个类别不均衡问题。进一步用groupby分析发现：头等舱乘客生还率62%，而三等舱只有24%；女性生还率74%，男性仅18%。这些数字直观展示了"妇女儿童优先"的救援原则。可视化时我用matplotlib画了堆叠柱状图，不同舱位的生存对比一目了然。

2. 数据清洗实战技巧

处理缺失值时，Age列我尝试了三种方法：均值填充、中位数填充和基于称谓的智能填充。实测发现，从Name提取Mr/Miss/Mrs等称谓后，按称谓分组用中位数填充效果最好。比如"Master"称谓（未成年男性）的年龄中位数是5岁，比整体均值29.7岁更合理。

对于Embarked缺失的两条记录，通过票号查找发现都是头等舱乘客，且票价接近80英镑。查询历史资料发现这个价位乘客多从南安普顿登船，因此填充'S'。Cabin列缺失太多，但首字母代表甲板位置可能有价值，于是提取出Deck特征后再删除原列。

# 智能填充年龄示例 titles = df['Name'].str.extract(' ([A-Za-z]+)\.', expand=False) title_median_age = df.groupby(titles)['Age'].median() df['Age'] = df.apply( lambda x: title_median_age[x['Title']] if pd.isnull(x['Age']) else x['Age'], axis=1 )

3. 特征工程深度挖掘

3.1 姓名中的隐藏信息

Name列看似无用，但提取称谓后发现有趣模式："Dr""Rev"等职业称谓的生还率低于平均值，而"Countess"等高身份称谓生还率更高。我将称谓归纳为6类：贵族、职业人士、成年男性、成年女性、未婚女性、儿童，做成分类特征。

3.2 家庭关系特征

SibSp和Parch原始特征可以衍生出更多信息：

FamilySize：家庭成员总数（SibSp + Parch + 1）
IsAlone：是否独自乘船（FamilySize == 1）
分箱处理：将家庭规模分为独行、小家庭（2-4人）、大家庭（5人以上）

3.3 舱位与票价特征

Fare票价与Pclass舱位等级高度相关，但相同舱位内票价差异也蕴含信息：

FarePerPerson：总票价除以家庭人数
FareBin：将票价分为5个等级
CabinPremium：根据Cabin首字母判断是否位于高级甲板

4. 特征编码与选择

对于分类特征，测试了三种编码方式：

LabelEncoder：简单但会引入虚假顺序
OneHotEncoder：维度爆炸但无顺序假设
TargetEncoding：用目标变量均值编码，需防范数据泄露

最终方案：

有序类别（如Pclass）用LabelEncoder
无序类别（如Embarked）用OneHotEncoder
高基数特征（如Ticket前缀）用TargetEncoding

# 目标编码示例 from sklearn.preprocessing import TargetEncoder encoder = TargetEncoder() df['Deck_encoded'] = encoder.fit_transform( df['Deck'], df['Survived'] )

5. 模型构建与优化

5.1 基线模型选择

先用逻辑回归建立基线，准确率约79%。然后尝试：

随机森林：处理非线性关系效果好
XGBoost：自动特征选择能力强
SVM：小样本表现稳定

5.2 特征重要性分析

通过随机森林的feature_importance发现：

性别是最强预测因子
票价和舱位次之
自建特征Deck和Title排名靠前

5.3 超参数调优

用GridSearchCV优化随机森林：

param_grid = { 'n_estimators': [100, 200], 'max_depth': [4, 6, None], 'min_samples_split': [2, 5] } grid = GridSearchCV(RandomForestClassifier(), param_grid) grid.fit(X_train, y_train)

6. 集成学习提升效果

单模型最好成绩是XGBoost的83.5%。尝试三种集成方法：

VotingClassifier：结合逻辑回归、随机森林、SVM
Stacking：用XGBoost作为元模型
Bagging：对随机森林做二次采样

最终Stacking方案将准确率提升到85.2%，关键代码如下：

from sklearn.ensemble import StackingClassifier base_models = [ ('rf', RandomForestClassifier(n_estimators=200)), ('xgb', XGBClassifier(max_depth=3)) ] stack = StackingClassifier( estimators=base_models, final_estimator=LogisticRegression() )