最近在学习机器学习，有幸可以研究一下Kaggle竞赛的“泰坦尼克号预测生还”的案例。首先说明这里面的代码并非全部为本人所打，只是在从中学习到了很多东西，一和大家分享，二来整理知识。
先分享下的数据文件：百度网盘链接：http://pan.baidu.com/s/1i4OtRaX 密码：rqcx
1. 导入数据：
import os
import pandas as pd #导入数据分析的利器pandas
import numpy as np
import matplotlib.pyplot as plt
#设置画图时的文字格式为微软雅黑，显示中文字体
mpl.rcParams['axes.unicode_minus'] = False
plt.rcParams['font.sans-serif']=['SimHei']
plt.style.use("ggplot")
#从文件夹中读取数据.csv文件
os.chdir("E:\机器学习\机器学习数据集\Titanic") #切换路径
data=pd.read_csv("train.csv")
data.head(10) #查看前10行数据我们来看看读取结果吧：
我们先看看各个特征代表的是什么意思：
PassengerId => 乘客ID
Pclass => 乘客等级(1/2/3等舱位)
Name => 乘客姓名
Sex => 性别
Age => 年龄
SibSp => 堂兄弟/妹个数
Parch => 父母与小孩个数
Ticket => 船票信息
Fare => 票价
Cabin => 客舱
Embarked => 登船港口
2.分析统计数据
我们看到这些数据，不知从何处分析，首先我们还是从统计学最基本的概念上去分析，比如百分比，平均值、方差、标准差、分布曲线、频率直方图，这里有篇写的非常好的博文，数据到手了，第一件事先干啥？| 说人话的统计学，大家可以去看看。
在python3中怎么去显示这些数据呢？
#用pandas里面的describe（）就看可以查看最基本的统计信息了
print("data's mathmathic describtion：\t")
data.describe()结果为
我们来看看各个特征遗漏数据的情况:
#data.isnull().sum()将缺失项的数据全部加起来
print("缺少数据：\n",data.isnull().sum())结果为：
从图中可以得到这样的信息，Age有177个遗漏信息，Cabin有687个遗漏信息，这数据表。。。。。。。。。。。。
3.数据可视化
仅从单单一系列数据，好像还不能直观反映出数据的大概情况，所以有必要通过python3中的pandas的plot函数，以及maplotlib的pyplot的模块，可以画出饼状图、密度分布曲线、柱状图对数据进行可视化分析。
#首先设定一个画布或者叫图纸，尺寸为10X10
fig = plt.figure(figsize=(10,10))
fig.set(alpha=0.5) # 设定图表颜色alpha参数
#其次，统计生还者与遇难者的比例
#用pandas的value_count（）函数就可以统计处suvived取不同值的总数
plt.subplot2grid((2,3),(0,0)) # 在一张大图里，（2，3）表示图像分布为2行3列，（0，0）指的是第一行第一列
data_train.Survived.value_counts().plot(kind='bar')#bar表示的画条形图
plt.title("获救情况 (1为获救)") # puts a title on our graph
plt.ylabel("人数")
#同理统计一下乘客等级分布的情况
plt.subplot2grid((2,3),(0,1)) #画第二幅图
data_train.Pclass.value_counts().plot(kind="bar")
plt.ylabel("人数")
plt.title("乘客等级分布")#统计获取者和遇难者的年龄分布
plt.subplot2grid((2,3),(0,2))
plt.scatter(data_train.Survived, data_train.Age)
plt.ylabel("年龄") # sets the y axis lable
plt.grid(b=True, which='major', axis='y') # formats the grid line style of our graphs
plt.title("按年龄看获救分布 (1为获救)")
仅仅知道这些还是不够的，我们想看看一等舱、二等舱、三等舱的各年龄分布情况，但是python3如何将如何从年龄表中抽出一等舱、二等舱三等舱的乘客出来？这时你就需要布尔过滤的方法了。
plt.subplot2grid((2,3),(1,0), colspan=2)
data_train.Age[data_train.Pclass == 1].plot(kind='kde') #从年龄表中抽出乘客等级为1的名单，作出密度曲线
data_train.Age[data_train.Pclass == 2].plot(kind='kde')
data_train.Age[data_train.Pclass == 3].plot(kind='kde')
plt.xlabel("年龄")# plots an axis lable #横轴标签设为年龄
plt.ylabel("密度") #纵轴标签设为密度
plt.title("各等级的乘客年龄分布")
plt.legend(('1等舱', '2等舱','3等舱'),loc='best') 最后我们也可以看下在各个港口登陆的分布情况
plt.subplot2grid((2,3),(1,2))
data_train.Embarked.value_counts().plot(kind='bar')
plt.title("各登船口岸上船人数")
plt.ylabel("人数")
plt.show()运行代码后的结果为：
4.统计各个特征下的生还者和遇难者分布情况
统计下乘客等级和生还者的分布情况
#看看各乘客等级的获救情况
fig = plt.figure(figsize=(5,5))
fig.set(alpha=0.2) # 设定图表颜色alpha参数
#利用布尔过滤的方法，从乘客等级列表中抽出生还者和遇难者，再进行统计各等级乘客的生还者个数
Survived_0 = data_train.Pclass[data_train.Survived == 0].value_counts()
Survived_1 = data_train.Pclass[data_train.Survived == 1].value_counts()
df=pd.DataFrame({'获救':Survived_1, '未获救':Survived_0})
df.plot(kind='bar', stacked=True)
plt.title("各乘客等级的获救情况")
plt.xlabel("乘客等级")
plt.ylabel("人数")
plt.show()结果为
统计各登录港口的获救情况
#看看各登录港口的获救情况
fig = plt.figure()
fig.set(alpha=0.2) # 设定图表颜色alpha参数
Survived_0 = data_train.Embarked[data_train.Survived == 0].value_counts()
Survived_1 = data_train.Embarked[data_train.Survived == 1].value_counts()
df=pd.DataFrame({u'获救':Survived_1, u'未获救':Survived_0})
df.plot(kind='bar', stacked=True)
plt.title(u"各登录港口乘客的获救情况")
plt.xlabel(u"登录港口")
plt.ylabel(u"人数")
plt.show()
#看看各性别的获救情况
fig = plt.figure()
fig.set(alpha=0.2) # 设定图表颜色alpha参数
Survived_m = data_train.Survived[data_train.Sex == 'male'].value_counts()
Survived_f = data_train.Survived[data_train.Sex == 'female'].value_counts()
df=pd.DataFrame({u'男性':Survived_m, u'女性':Survived_f})
df.plot(kind='bar', stacked=True)
plt.title(u"按性别看获救情况")
plt.xlabel(u"性别")
plt.ylabel(u"人数")
plt.show()结果：
5.总结
1.对于数据形式为DataFrame的数据，用pandas.DataFrame自带的plot函数更加方便，而matplotlib.pyplot的参数设置比较复杂。pandas.DataFram.plot在线文档
2.对于统计某个特征向量的各个取值的数量，可以用pandas的value_counts()函数.
3.对于离散值，通过上面的value_counts()可以统计出某个特征各个取值的数量，我们就可以通过画图的方式将其展示出来，画出柱状图最为直观，而对于可以取值较多的离散值比如年龄，我们将其看成连续值，就可以画出其密度曲线。
最后，数据的可视化就先讲到这里了。