【Kaggle】タイタニック号乗客の生存予測（データセットの確認）［Python］

Kaggle

前回は機械学習・データサイエンスのプラットフォーム「Kaggle（カグル）」の「タイタニック号乗客の生存予測」のデータセットをJupyter Notebookで読み込んでみました。

あわせて読みたい

【Kaggle】タイタニック号乗客の生存予測（ダウンロードとデータ読み込み）［Python］ 【Kaggle】 前回は機械学習・データサイエンスのプラットフォーム「Kaggle（カグル）」の一番基本なデータセット「タイタニック号乗客の生存予測」のコンペティションの…

今回はデータセットを眺めて、何をしなければいけないのか一つ一つ確認していきましょう。

まず必要なのは訓練用データセットなので、「train.csv」に集中してデータを見ていくことにしましょう。

ということでデータセットの読み込みから。

＜セル１＞

import pandas as pd

train = pd.read_csv("train.csv")

train

実行結果

データセットを読み込めたところで、特徴量を見ていきましょう。

特徴量を確認してみる

一つ一つ特徴量を確認していきましょう。

Passengerid：乗客ID。

Survived：生存か死亡か。生存していれば１、死亡なら0。こちらは予想するターゲット（今更ですが目的変数というらしい）

Pclass：チケットの等級。1st（１等）、2nd（２等）、3rd（３等）

Name：乗客の名前

Sex：性別

Age：年齢

Sibsp：兄弟姉妹、配偶者の人数。

Parch：親・子供の数。

Ticket：チケット番号

Fare：料金

Cabin：部屋番号

Embarket：乗船地

これらのデータから生存予想モデルを組み立てていくことになります。

データの欠損を確認

次にデータに欠損値があるか確認してみましょう。

Pandasのデータフレームにおける欠損値の確認に関しては、こちらの記事で解説していますので、良かったらこちらもどうぞ。

あわせて読みたい

【Pandas】欠損値nanをもつデータの取り扱い（.isnull()、.fillna()）［Python］ 【データ解析支援ライブラリPandas】 前回は欠損値nanをもつダミーデータを作成するため、ダミーデータ作成プログラムをアップデートしました。 今回はそのnanをもつダ…

欠損値を確認するには「データフレーム名.isnull().sum()」です。

＜セル２＞

train.isnull().sum()

実行結果
PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2
dtype: int64

「Age（年齢）」、「Cabin（客室番号）」、「Embarked（乗船地）」の３つの特徴量に欠損値があることが分かりました。

「Cabin（客室番号）」は891人のデータ中、687人のデータが欠損しており、これを復元するのはなかなか難しそうということと、客室のグレードに関しては「Pclass（チケットの等級）」や「Fare（料金）」で代替できそうなので、とりあえずは使わない方針にしましょう。

「Embarked（乗船地）」は欠損が２つだけなので、何らかの形で推測するか、もしくは適当に決めてしまっても大きな影響は与えなさそうです。

「Age（年齢）」は891人のデータ中、177人のデータが欠損していますが、こちらは「Name（名前）」と「SibSp（兄弟、配偶者の数）」や「Parch（親、子供の数）」から少しずつ埋めていけそうですので、ちょっと頑張って埋めてみましょう。

分布をみてみる

後はとりあえずすぐに表示できそうなものだけですが、分布を表示してみましょう。

Pandasで分布図（ヒストグラム）を表示する方法はこちらの記事で解説していますので、良かったらどうぞ。

あわせて読みたい

【Pandas】グラフ表示（.plot()）［Python］ 【データ解析支援ライブラリPandas】 前回はデータ解析支援ライブラリPandasで新しくデータフレームを作成する方法を解説しました。 今回はデータをグラフにする方法を…

とりあえず表示するには「データフレーム名[“データ名”].hist()」で表示できます。

表示できそうな特徴量としては、「Survived（生存か死亡か）」、「Pclass（チケットの等級）」、「Sex（性別）」、「Age（年齢）」、「SibSp（兄弟、配偶者の数）」、「Parch（親、子供の数）」、「Fare（料金）」 、「Embarked（乗船地）」です。

ということで分布図を表示していきましょう。

Survived（生存か死亡か）

＜セル３＞

train["Survived"].hist()

実行結果

Pclass（チケットの等級）

＜セル４＞

train["Pclass"].hist()

実行結果

Sex（性別）

＜セル５＞

train["Sex"].hist()

実行結果

Age（年齢）

＜セル６＞

train["Age"].hist()

実行結果

SibSp（兄弟、配偶者の数）

＜セル７＞

train["SibSp"].hist()

実行結果

Parch（親、子供の数）

＜セル８＞

train["Parch"].hist()

実行結果

Fare（料金）

＜セル９＞

train["Fare"].hist()

実行結果

Embarked（乗船地）

＜セル１０＞

train["Embarked"].hist()

実行結果

とりあえず今回はデータセットを眺めてみましたが、いかがでしたでしょうか？

何となくこのデータセットの雰囲気は掴めてきたでしょうか？

次回はとりあえずすぐに使えそうな特徴量を使って、早速機械学習してみたいと思います。

あわせて読みたい

【Kaggle】タイタニック号乗客の生存予測（LinearSVCで機械学習）［Python］ 【Kaggle】 前回は機械学習・データサイエンスのプラットフォーム「Kaggle（カグル）」の「タイタニック号乗客の生存予測」のデータセットの内容を眺めてみました。 今…

ではでは今回はこんな感じで。