随机森林做泰坦尼克号案例的Python实现

# !/usr/bin/env python
# _*_ coding: utf-8 _*_
# _*_ coding: utf-8 _*_
import numpy as np
import pandas as pd
from matplotlib import pyplot as plt
from sklearn.ensemble import RandomForestClassifier
from sklearn.model_selection import GridSearchCV
from sklearn.model_selection import train_test_split
from sklearn import metrics
import time
np.seterr（divide=‘ignore‘ invalid=‘ignore‘）

train = pd.read_csv（“titanic/train.csv“ dtype={“Age“: np.float64}）


# 数据清洗
def harmonize_data（titanic）:
    # 填充空数据 和 把string数据转成integer表示
    # 对于年龄字段发生缺失，我们用所有年龄的均值替代
    titanic[“Age“] = titanic[“Age“].fillna（titanic[“Age“].median（））
    # 性别男： 用0替代
    titanic.loc[titanic[“Sex“] == “male“ “Sex“] = 0
    # 性别女： 用1替代
    titanic.loc[titanic[“Sex“] == “female“ “Sex“] = 1

    titanic[“Embarked“] = titanic[“Embarked“].fillna（“S“）

    titanic.loc[titanic[“Embarked“] == “S“ “Embarked“] = 0
    titanic.loc[titanic[“Embarked“] == “C“ “Embarked“] = 1
    titanic.loc[titanic[“Embarked“] == “Q“ “Embarked“] = 2

    titanic[“Fare“] = titanic[“Fare“].fillna（titanic[“Fare“].median（））

    return titanic


train_data = harmonize_data（train）
test = pd.read_csv（“titanic/test.csv“ dtype={“Age“: np.float64}）
test_data = harmonize_data（test）

# 列出对生存结果有影响的字段
predictors = [“Pclass“ “Sex“ “Age“ “SibSp“ “Parch“ “Fare“ “Embarked“]


# 不调参
x = train[predictors]
y = train_data[‘Survived‘]
x_test = test[predictors]
y_test = test_data[‘Survived‘]

# 拆分训练集和测试集（这里由于给了另外给了测试集，此处无需拆分）
# feature_train feature_test target_train target_test = train_test_split（x y test_size=0.3 random_state=10）
rf = RandomForestClassifier（oob_score=True random_state=10 n_jobs=-1）
# start = time.perf_counter（）