【Kaggle入门级竞赛top5%排名经验分享】— 建模篇

作者：xiaoyu

微信公众号：Python数据科学

知乎：python数据分析师

---

前情回顾

上一篇是数据挖掘的前戏，主要目的是认识数据特征、判断特征重要性、观察数据异常，掌握数据间联系。本篇将继续上一篇分析进行数据挖掘建模部分。

上篇数据分析的链接：
【Kaggle入门级竞赛top5%排名经验分享】— 分析篇

数据预处理

数据预处理涉及的内容很多，也包括特征工程，是任务量最大的一部分。为了让大家更清晰的阅读，以下先列出处理部分大致要用到的一些方法。

• 数据清洗：缺失值，异常值，一致性；
• 特征编码：one-hot 和 label coding；
• 特征分箱：等频，等距，聚类等；
• 衍生变量：可解释性强，适合模型输入；
• 特征选择：方差选择，卡方选择，正则化等；

1. 数据清洗

分析部分我们看到，存在缺失值的特征有4个：Age，Cabin，Embarked，Fare。关于缺失值处理部分博主之前介绍过一些方法：【Python数据分析基础】: 数据缺失值处理

下面开始对缺失值分别处理。

Fare缺失值处理

首先查看一下Fare特征缺失：

df[df['Fare'].isnull()]

发现只有一个缺失值，其实可以直接删除，但是好多乘客都是以一个家庭来的，这其中会有很强的联系，并会给我们很好的线索，因此选择不删除。

继续观察一下这个缺失值乘客有什么特点？如何利用我们之前的分析来处理？

• 特点1：Pclass为3，我们在分析部分知道Fare和Pclass社会等级有着紧密的关系，Pclass1的Fare相对较高，Fare最低的是Pclass3；
• 特点2：该乘客的Age大于60，且为男性；

这时我们可以使用相似特征替换方法来填补缺失值，下面来找一下与缺失值具有相似特征的其它样本数据：

df.loc[(df['Pclass']==3)&(df['Age']>60)&(df['Sex']=='male')]

找到了与之相匹配的几位其它乘客，我们就用这几位乘客的Fare平均值来填补。

# 提取出Name中的Surname信息
df['surname'] = df["Name"].apply(lambda x: x.split(',')[0].lower())
fare_mean_estimated = df.loc[(df['Pclass']==3)&(df['Age']>60)&(df['Sex']=='male')].Fare.mean()
df.loc[df['surname']=='storey','Fare'] = fare_mean_estimated

Embarked特征缺失值

同样，观察Embarked的缺失值情况：

# Embarked缺失值处理
df[df['Embarked'].isnull()]

发现两位都是女性。上篇可视化分析过，pclass1且为女性的情况下，Q港口几乎为0，而C港口最多，其次S港口，下图为分析篇的可视化结果。

这里采用出现最多的港口，也就是众数C港口进行填补。

df['Embarked'] = df['Embarked'].fillna('C')

Cabin特征缺失值

Cain特征有70%的缺失值，较为严重，如果进行大量的填补会引入更多噪声。因为缺失值也是一种值，这里将Cabin缺失值视为一种特殊的值来处理，并根据Cabin首个字符衍生一个新的特征CabinCat。

df['CabinCat'] = pd.Categorical.from_array(df.Cabin.fillna('0').apply(lambda x: x[0])).codes

pandas的 Categorical.from_array()用法。代码含义是用“0”替换Cabin缺失值，并将非缺失Cabin特征值提取出第一个值以进行分类，比如A114就是A，C345就是C，如下：

[0, C, 0, C, 0, ..., 0, C, 0, 0, 0]
Length: 1309
Categories (9, object): [0, A, B, C, ..., E, F, G, T]

用Categorical.from_array()将Cabin分成了9组，最后通过codes量化为数字，通过可视化观察一下分组离散化后的结果：

fig, ax = plt.subplots(figsize=(10,5))
sns.countplot(x='CabinCat', hue='Survived',data=df)
plt.show()

以上可视化看到：Cabin缺失的乘客中，遇难人数是获救人数2倍以上，而其它有Cabin信息的乘客中，获救人数都相对较多。因此说明Cabin缺失与否关系到了生还的概率。

Age特征缺失值

Age有20%缺失值，缺失值较多，大量删除会减少样本信息，由于它与Cabin不同，这里将利用其它特征进行预测填补Age，也就是拟合未知Age特征值，会在后续进行处理。

数据一致性分析

当我们拿到数据后，我们要谨记一个道理：不要完全相信数据。即使不是异常值，也有可能是错误的信息，那就是检查数据的一致性。

本例中，我们通过两个错误的修正来理解一下。

错误1：SibSp和Parch特征存在不一致

df.loc[df['surname']=='abbott',['Name','Sex','Age','SibSp','Parch']]

为了方便阅读，下面用序号来代替名字。

首先寻找到了船上姓 abbott 的所有人，即一家人。发现：392 乘客只有13岁，确有两个孩子Parch=2（理论上不太可能），而279乘客35岁，有一个孩子，还有一个兄弟姐妹，746有一个家长和一个兄弟姐妹。很明显，信息是错误的，279与392乘客的信息写反了。正确的信息是一位母亲带着两个孩子，所以改为：279乘客为SibSp=0，Parh=2，392岁的乘客是：SibSp=1, Parh=1。下面是修改代码：

df.loc[(df['surname']=='abbott')&(df['Age']==35),'SibSp'] = 0
df.loc[(df['surname']=='abbott')&(df['Age']==35),'Parch'] = 2
df.loc[(df['surname']=='abbott')&(df['Age']==13),'SibSp'] = 1
df.loc[(df['surname']=='abbott')&(df['Age']==13),'Parch'] = 1

错误2：SibSp和Parch特征存在不一致

df.loc[df['surname']=='ford',['Name','Sex','Age','SibSp','Parch']]

同理，ford一家人也出现了一致性错误的问题，具体大家可自行分析。正确的是：一位母亲带着三个孩子，而最后一位乘客为测试集里的样本，推测很可能是父亲。下面是修改代码：

df.loc[(df['surname']=='ford')&(df['Age']==16),'SibSp'] = 3
df.loc[(df['surname']=='ford')&(df['Age']==16),'Parch'] = 1
df.loc[(df['surname']=='ford')&(df['Age']==9),'SibSp'] = 3
df.loc[(df['surname']=='ford')&(df['Age']==9),'Parch'] = 1
df.loc[(df['surname']=='ford')&(df['Age']==21),'SibSp'] = 3
df.loc[(df['surname']=='ford')&(df['Age']==21),'Parch'] = 1
df.loc[(df['surname']=='ford')&(df['Age']==48),'SibSp'] = 0
df.loc[(df['surname']=='ford')&(df['Age']==48),'Parch'] = 4
df.loc[(df['surname']=='ford')&(df['Age']==18),'SibSp'] = 3
df.loc[(df['surname']=='ford')&(df['Age']==18),'Parch'] = 1

2. 数据变换

衍生变量

分析部分没提及到Name特征，因为每个人的名字都不一样。但是一些人可能是群体行动，比如一家人一起，而一家人的surname是一样的，因此这时候就可以通过surname找到一个家庭群体。家庭群体有什么用？我们后面会提到。
实际上，如果我们深入分析，Name特征是非常重要的。试想一下乘客有没有可能是和其他人一起上船的？是一家人？情侣？还是独自一人？而这一群人生还的概率应该是存在共性的，比如：有一个5人之家，有4人死亡，可以推测第5个人极有可能死亡。
下面是对所有特征进行衍生的新特征变量。

# 从Name中提取Title信息，因为同为男性，Mr.和 Master.的生还率是不一样的
df["Title"] = df["Name"].apply(lambda x: re.search(' ([A-Za-z]+)\.',x).group(1))
title_mapping = {"Mr": 1, "Miss": 2, "Mrs": 3, "Master": 4, "Dr": 5, "Rev": 6, "Major": 7, "Col": 7, "Mlle": 2, "Mme": 3,"Don": 9,"Dona": 9, "Lady": 10, "Countess": 10, "Jonkheer": 10, "Sir": 9, "Capt": 7, "Ms": 2}

# 量化Title信息
df["TitleCat"] = df.loc[:,'Title'].map(title_mapping)

# SibSp和Parch特征进行组合
df["FamilySize"] = df["SibSp"] + df["Parch"] + 1
# 根据FamilySize分布进行分箱
df["FamilySize"] = pd.cut(df["FamilySize"], bins=[0,1,4,20], labels=[0,1,2])

# 从Name特征衍生出Name的长度
df["NameLength"] = df["Name"].apply(lambda x: len(x))

# 量化Embarked特征
df["Embarked"] = pd.Categorical.from_array(df.Embarked).codes

# 对Sex特征进行独热编码分组
df = pd.concat([df,pd.get_dummies(df['Sex'])],axis=1)

下面衍生特征变量的说明：

• Title：从Name中提取Title信息，因为同为男性，Mr.和 Master.的生还率是不一样的；
• TitleCat：映射并量化Title信息，虽然这个特征可能会与Sex有共线性，但是我们先衍生出来，后进行筛选；
• FamilySize：可视化分析部分看到SibSp和Parch分布相似，固将SibSp和Parch特征进行组合；
• NameLength：从Name特征衍生出Name的长度，因为有的国家名字越短代表越显贵；
• CabinCat：Cabin的分组信息；

高级衍生变量

【1】人物衍生特征

由于儿童的生还率较高，因此将所有乘客儿童单独提取出来（这里设置为18岁）。而对于成年人女性生还概率比较高，所以又非为成年女性和成年男性。代码如下：

# 妇女/儿童 男士标签
child_age = 18
def get_person(passenger):
    age, sex = passenger
    if (age < child_age):
        return 'child'
    elif (sex == 'female'):
        return 'female_adult'
    else:
        return 'male_adult'

df = pd.concat([df, pd.DataFrame(df[['Age', 'Sex']].apply(get_person, axis=1), columns=['person'])],axis=1)
df = pd.concat([df,pd.get_dummies(df['person'])],axis=1)

【2】Ticket衍生特征

下面基于Ticket衍生出了几个高级特征变量，其含义：如果几个人拥有相同的Ticket号码，那么意味着他门是一个小群体（一家人或情侣等），而又因为男性女性还概率本省存在差异，因此将分别衍生出几个人物标签特征，即分群体情况下的男女生还特征。以下是代码实现：

table_ticket = pd.DataFrame(df["Ticket"].value_counts())
table_ticket.rename(columns={'Ticket':'Ticket_Numbers'}, inplace=True)
table_ticket['Ticket_dead_women'] = df.Ticket[(df.female_adult == 1.0) 
                                    & (df.Survived == 0.0) 
                                    & ((df.Parch > 0) | (df.SibSp > 0))].value_counts()

table_ticket['Ticket_dead_women'] = table_ticket['Ticket_dead_women'].fillna(0)
table_ticket['Ticket_dead_women'][table_ticket['Ticket_dead_women'] > 0] = 1.0

table_ticket['Ticket_surviving_men'] = df.Ticket[(df.male_adult == 1.0) 
                                    & (df.Survived == 1.0) 
                                    & ((df.Parch > 0) | (df.SibSp > 0))].value_counts()

table_ticket['Ticket_surviving_men'] = table_ticket['Ticket_surviving_men'].fillna(0)
table_ticket['Ticket_surviving_men'][table_ticket['Ticket_surviving_men'] > 0] = 1.0 

# Ticket特征量化
table_ticket["Ticket_Id"] = pd.Categorical.from_array(table_ticket.index).codes

table_ticket["Ticket_Id"][table_ticket["Ticket_Numbers"] < 3 ] = -1
# Ticket数量分箱
table_ticket["Ticket_Numbers"] = pd.cut(table_ticket["Ticket_Numbers"], bins=[0,1,4,20], labels=[0,1,2])

df = pd.merge(df, table_ticket, left_on="Ticket",right_index=True, how='left', sort=False)

同理，基于衍生变量Surname也可以衍生出高级特征变量，以及Cabin的奇偶性衍生特征。

Age缺失值处理

前面说了将采用拟合的方法来填补Age缺失值，那为什么一定要在后面处理呢？
原因如下：

• 其它特征还存在缺失值，放入拟合模型影响预测效果；
• 特征保持原生符号，还没有进行量化，无法输入模型；

因为上面已经将所提问题解决，因此可以开始拟合Age缺失值。这部分使用了随机森林的ExtraTreesRegressor模型进行拟合，代码如下：

from sklearn.ensemble import RandomForestClassifier, ExtraTreesRegressor

classers = ['Fare','Parch','Pclass','SibSp','TitleCat', 
            'CabinCat','female','male', 'Embarked', 'FamilySize', 'NameLength','Ticket_Numbers','Ticket_Id']
etr = ExtraTreesRegressor(n_estimators=200,random_state=0)
X_train = df[classers][df['Age'].notnull()]
Y_train = df['Age'][df['Age'].notnull()]
X_test = df[classers][df['Age'].isnull()]

etr.fit(X_train.as_matrix(),np.ravel(Y_train))
age_preds = etr.predict(X_test.as_matrix())
df['Age'][df['Age'].isnull()] = age_preds

想继续看一下拟合的结果是怎么样，可以通过可视化来观察：

# Age缺失值填补后的情况
X_test['Age'] = pd.Series(age_preds)
f,ax=plt.subplots(figsize=(10,5))
sns.swarmplot(x='Pclass',y='Age',data=X_test)
plt.show()

观察：通过拟合得到的Age缺失值的可视化展示，总体上看效果还可以，具体需要进一步排查。

3. 特征选择

过滤法—方差分析

这里特征采用 ANOVA方差分析的 F值 来对各个特征变量打分，打分的意义是：各个特征变量对目标变量的影响权重。代码如下，使用了sklearn的feature_selection：

from sklearn.feature_selection import SelectKBest, f_classif,chi2

target = data_train["Survived"].values
features= ['female','male','Age','male_adult','female_adult', 'child','TitleCat',
           'Pclass','Ticket_Id','NameLength','CabinType','CabinCat', 'SibSp', 'Parch',
           'Fare','Embarked','Surname_Numbers','Ticket_Numbers','FamilySize',
           'Ticket_dead_women','Ticket_surviving_men',
           'Surname_dead_women','Surname_surviving_men']

train = df[0:891].copy()
test = df[891:].copy()

selector = SelectKBest(f_classif, k=len(features))
selector.fit(train[features], target)
scores = -np.log10(selector.pvalues_)
indices = np.argsort(scores)[::-1]
print("Features importance :")
for f in range(len(scores)):
    print("%0.2f %s" % (scores[indices[f]],features[indices[f]]))

此部分将之前训练和测试合并的数据集分开，因为最后我们要对测试集进行预测。特征选择权重结果如下（可以通过可视化的方法展示出来）：

这里分数越高代表特征权重越大，当然我们可以规定相应的阈值来选择权重大的特征。

特征相关性分析

除了对特征权重选择外，我们也要分析特征相关性来筛选特征。相关性大的特征容易造成过拟合现象，因此需要进行剔除。最好的情况就是：所有特征相关性很低，各自的方差或者说信息量很高。
使用了seaborn的heatmap展示相关性，代码如下：

features_selected = features
# data_corr 
df_corr = df[features_selected].copy()

colormap = plt.cm.RdBu
plt.figure(figsize=(20,20))
sns.heatmap(df_corr.corr(),linewidths=0.1,vmax=1.0, square=True, cmap=colormap, linecolor='white', annot=True)
plt.show()

3 建模预测

创建模型

这是个明显的监督分类问题，因此可选择的模型算法很多，或者模型融合等来提高准确度。这里采用了集成学习的随机森林RandomForest模型。代码如下：

from sklearn import cross_validation

rfc = RandomForestClassifier(n_estimators=3000, min_samples_split=4, class_weight={0:0.745,1:0.255})
# rfc = AdaBoostClassifier(n_estimators=3000, learning_rate=0.1, random_state=1)

# 交叉验证，建模随机森林
kf = cross_validation.KFold(train.shape[0], n_folds=3, random_state=1)

scores = cross_validation.cross_val_score(rfc, train[features_selected], target, cv=kf)
print("Accuracy: %0.3f (+/- %0.2f) [%s]" % (scores.mean()*100, scores.std()*100, 'RFC Cross Validation'))
rfc.fit(train[features_selected], target)
score = rfc.score(train[features_selected], target)
print("Accuracy: %0.3f            [%s]" % (score*100, 'RFC full test'))
importances = rfc.feature_importances_
indices = np.argsort(importances)[::-1]
for f in range(len(features_selected)):
    print("%d. feature %d (%f) %s" % (f + 1, indices[f]+1, importances[indices[f]]*100, features_selected[indices[f]]))

为防止过拟合，采用了K折交叉验证进行采样。集成学习等高级模型有自带的特征打分方法，训练数据后，我们可以通过feature_importances得到特征权重分数（当特征特别多时，也可以作为初始的特征筛选方法）。当然这也可以通过可视化的方法展示出来。

输入结果如下：

模型预测

# 预测目标值
rfc.fit(train[features_selected], target)
predictions = rfc.predict(test[features_selected])

输出文件

# 输出文件
PassengerId =np.array(test["PassengerId"]).astype(int)
my_prediction = pd.DataFrame(predictions, PassengerId, columns = ["Survived"])

my_prediction.to_csv("my_prediction.csv", index_label = ["PassengerId"])

最后，将预测结果输出到excel表中。如果你到Kaggle将输出的数据提交，你应该得到的分数是：0.8188，也就是说你的准确率是0.8188。这个分数可以达到500/11000的排名（top5%）。

4 总结

本篇分析了数据预处理以及建模的部分，完成了最后的生还者预测，有几下几点还需要提高的地方：

• 寻找更多衍生特征，提高模型输入质量；
• 尝试多种模型，对比预测结果，或者可以使用高级模型融合，以及stacking二次融合优化来提高准确率；
• 尝试多种方法在众多特征中筛选重要特征；
• 对于一些模糊异常值进一步检测和处理；
• 提高填补缺失值的准确度，减少数据中的噪音；

以上就是本次项目的全部内容，后续会继续分享新数据分析挖掘项目，敬请期待。

参考：https://www.kaggle.com/franck...

关注微信公众号：Python数据科学，发现更多精彩内容。