原文鏈接：http://tecdat.cn/?p=6062

?

這場(chǎng)災(zāi)難以拯救“婦女和兒童第一”而聞名，所以讓我們來(lái)看看性別和年齡變量。我們將從乘客的性別開(kāi)始。將數(shù)據(jù)重新加載到R后，請(qǐng)查看此變量的摘要：

1. > summary(train$Sex)

2. 


3. female male

4. 


5. 314 577

所以我們看到大多數(shù)乘客都是男性。對(duì)幸存的男性和女性進(jìn)行雙向比較：

1. > prop.table(table(train$Sex, train$Survived))

2. 


3. 0 1

4. 


5. female 0.09090909 0.26150393

6. 


7. male 0.52525253 0.12233446

我們希望看到的是行數(shù)比例，即存活的每個(gè)性別的比例。

1. > prop.table(table(train$Sex, train$Survived),1)

2. 


3. 0 1

4. 


5. female 0.2579618 0.7420382

6. 


7. male 0.8110919 0.1889081

我們現(xiàn)在可以看到大多數(shù)女性幸存下來(lái)，并且男性的比例非常低。

1. > test$Survived <- 0

3. > test$Survived[test$Sex == 'female'] <- 1

在這里，我們開(kāi)始像以前一樣添加“everyone dies”預(yù)測(cè)列，除了我們將拋棄rep命令并將零指定給整個(gè)列。然后我們改變了相同的列，其中1為乘客的變量“Sex”等于“女性”。

現(xiàn)在讓我們寫一個(gè)新的提交并發(fā)送給Kaggle

?

現(xiàn)在讓我們開(kāi)始深入研究年齡變量：

1. > summary(train$Age)

2. 


3. Min. 1st Qu. Median Mean 3rd Qu. Max. NA's

4. 


5. 0.42 20.12 28.00 29.70 38.00 80.00 177

數(shù)據(jù)分析中可能缺少值，這可能會(huì)導(dǎo)致現(xiàn)實(shí)世界中出現(xiàn)的各種問(wèn)題，而這些問(wèn)題有時(shí)很難處理。目前我們可以假設(shè)177個(gè)缺失值是其余乘客的平均年齡。

現(xiàn)在我們有一個(gè)連續(xù)的變量，我們創(chuàng)建一個(gè)新的變量“Child”來(lái)表明乘客是否低于18歲：

1. > train$Child <- 0

3. > train$Child[train$Age < 18] <- 1

現(xiàn)在我們要?jiǎng)?chuàng)建一個(gè)包含性別和年齡的表，以查看不同子集的生存比例。首先讓我們嘗試找出不同子集的幸存者數(shù)量：

1. > aggregate(Survived ~ Child + Sex, data=train, FUN=sum)

2. 


3. Child Sex Survived

4. 


5. 1 0 female 195

6. 


7. 2 1 female 38

8. 


9. 3 0 male 86

10. 


11. 4 1 male 23

但我們不知道每個(gè)子集中的總?cè)藬?shù); 讓我們來(lái)看看：

1. > aggregate(Survived ~ Child + Sex, data=train, FUN=length)

2. 


3. Child Sex Survived

4. 


5. 1 0 female 259

6. 


7. 2 1 female 55

8. 


9. 3 0 male 519

10. 


11. 4 1 male 58

我們需要?jiǎng)?chuàng)建一個(gè)函數(shù)，它將子集向量作為輸入，并將sum和length命令應(yīng)用于它，然后進(jìn)行除法以給出一個(gè)比例。

1. > aggregate(Survived ~ Child + Sex, data=train, FUN=function(x) {sum(x)/length(x)})

2. 


3. Child Sex Survived

4. 


5. 1 0 female 0.7528958

6. 


7. 2 1 female 0.6909091

8. 


9. 3 0 male 0.1657033

10. 


11. 4 1 male 0.3965517

雖票價(jià)是一個(gè)連續(xù)變量，需要將其簡(jiǎn)化為可以輕松制表的內(nèi)容。我們將票價(jià)收入不到10美元，10美元到20美元，20美元到30美元以及30美元以上，并將其存儲(chǔ)到一個(gè)新變量中：

1. > train$Fare2 <- '30+'

3. > train$Fare2[train$Fare < 30 & train$Fare >= 20] <- '20-30'

5. > train$Fare2[train$Fare < 20 & train$Fare >= 10] <- '10-20'

7. > train$Fare2[train$Fare < 10] <- '<10'

現(xiàn)在讓我們運(yùn)行一個(gè)更長(zhǎng)的聚合函數(shù)，看看這里有什么有趣的東西：

1. > aggregate(Survived ~ Fare2 + Pclass + Sex, data=train, FUN=function(x) {sum(x)/length(x)})

2. 


3. Fare2 Pclass Sex Survived

4. 


5. 1 20-30 1 female 0.8333333

6. 


7. 2 30+ 1 female 0.9772727

8. 


9. 3 10-20 2 female 0.9142857

10. 


11. 4 20-30 2 female 0.9000000

12. 


13. 5 30+ 2 female 1.0000000

14. 


15. 6 <10 3 female 0.5937500

16. 


17. 7 10-20 3 female 0.5813953

18. 


19. 8 20-30 3 female 0.3333333 **

20. 


21. 9 30+ 3 female 0.1250000 **

22. 


23. 10 <10 1 male 0.0000000

24. 


25. 11 20-30 1 male 0.4000000

26. 


27. 12 30+ 1 male 0.3837209

28. 


29. 13 <10 2 male 0.0000000

30. 


31. 14 10-20 2 male 0.1587302

32. 


33. 15 20-30 2 male 0.1600000

34. 


35. 16 30+ 2 male 0.2142857

36. 


37. 17 <10 3 male 0.1115385

38. 


39. 18 10-20 3 male 0.2368421

40. 


41. 19 20-30 3 male 0.1250000

42. 


43. 20 30+ 3 male 0.2400000

雖然大多數(shù)男性，票價(jià)仍然做得不好。

讓我們根據(jù)新的見(jiàn)解做出新的預(yù)測(cè)。

1. > test$Survived <- 0

3. > test$Survived[test$Sex == 'female'] <- 1

5. > test$Survived[test$Sex == 'female' & test$Pclass == 3 & test$Fare >= 20] <- 0

好的，讓我們創(chuàng)建輸出文件，看看我們是否做得更好！

?

有問(wèn)題歡迎下方留言！

?