作为R语言的初学者，你是否也曾觉得看书看教程觉得so easy，但到了实际操作却无从下手了呢？没（hu）关（you）系（ni）……那都是假的，哈哈哈，好啦，我们还是多多实战才是硬道理。
本文引用的数据集 - - Titanic Machine Learning from Disaster（被誉为五大最适合数据分析练手项目之一）就非常适合我们进行练手，当然我们接下来要讲的并不是“you jump， I jump”的感人故事，而是“you dead I survived”的分析故事，那么我们就要看看到底怎样的乘客才能成为幸运女神的宠儿呢？
1. 读取数据
训练集train与测试集test有11变量是相同的，而唯一不同的地方是test里面没有Survived变量，为了方便接下来的数据处理，我们将两数据集进行合并。
2. 加载所需程序包
- library(dplyr)
- library(stringr)
- library(VIM)
- library(mice)
- library(ggplot2)
- library(caret)
- library(randomForest)
3. 缺失值探索
合并后的full数据集里Survived变量含有481个缺失值（test集里不含有Survived变量，因此合并后使得full集有481个缺失值），Age变量有263个缺失值（多重插补法处理），Fare变量有1个缺失值（均值填补），Embarked变量有2个缺失值（众数填补），Cabin变量含有1014个缺失值（缺失值太多，删除处理）。
4. 缺失值处理
我们观察到Age变量的缺失值高达263个，用均值替代或者删除都会对结果产生较大的影响，因此我们将通过mice包对Age变量的缺失值进行插补，结果如上图所示，插补后Age均值为29.57岁，最小的为0.17岁，最老的为80岁。
对Embarked变量和Fare变量的缺失值进行填补，因为只有两个和1个的缺失值，因此我们考虑用众数（Embarked变量为chr）和均值（Fare变量为int）的方式直接填补。Embarked变量的众数为S，因此直接用S替代缺失值，结果如上图所示。Fare变量在用均值填补时，要注意的一点是在进行均值处理是时，”na.rm = TRUE”不能忘，不然得出来的均值会是na值。最后我们用summary看一下处理过后的数据，除了Survived变量的481个缺失值外，其他的变量都漂漂亮亮的了，当然Cabin变量的1014个缺失值并没有进行处理，因为待会我们会直接删掉它，结果如下图所示。
5. 特征值选取与描述性分析
- Title VS Survived
Title变量是从Name变量中提取出来的，因为我们观察到Name变量除了中间的称呼外，没有太多的共同点，对分析没有太多价值，因此将称呼提取出来进行分析。结果如下图所示，可以发现不同的Title的幸存率还是有很大差距。
- Pclass，Sex，Pclass&Sex VS Survived
Pclass变量对幸存率的影响还是挺大的，一等舱和二等舱的幸存率挺高的，而三等舱的死亡率却高达 75 %，由此我们不得不说“天下武功，唯富不破”，我们还是要努力赚钱啊！
Sex变量对幸存率的影响就不用说太多了，女士优先，因此我们可以看到女性的死亡率只有25%左右，而男性的死亡率却高达75%。
分析完Pclass变量与Sex变量对幸存率的影响，小文突发奇想，会不会幸存率比较高的女性都在一二等舱呢？因此将Pclass与Sex进行合并分析，结果还是很令人满意的，一二等舱的女士幸存率都接近100%，连死亡率较高的三等舱的女士生存率也接近50%。
- Fare VS Survived
（a）图是Fare变量的分布，可以看到大部分人的票价都在100以下，其中还有很大一部分是免费上船的；（b）图是Fare变量对幸存率的影响，可以看到票价高的乘客幸存率也较高，这与上面Pclass对幸存率的影响趋势一致。
- Age VS Survived
Age变量的分布比较广，由 0岁到80岁不等，直接分析没太大意义，因此将其分为未成年人与成年人两组进行统计分析。结果表明，未成年人的幸存率比成年人的高。
- Familysize（FS）VS Survived
一开始小文对数据集中的SibSp变量与Parch变量搞不清楚，怒小文的英语水平有限，查看了字典之后才发现原来是兄弟姐妹老婆孩子的意思，那好办，我们建立一个新的变量，命名为Fsize，Fsize = SibSp + Parch + 1，并将家庭的人数分为单身，小家庭，大家庭进行分组统计分析。结果表明，家庭人数对幸存率的影响还是比较明显的。
- Embarked VS Survived
6. 建模
通过上述的特征值提取与描述性分析，我们知道Title，Pclass，Sex，PS，FS，AG，Fare，Emarked变量对幸存率的影响还是比较明显的，因此在建模预测之前，先用randomForest进行特征变量分析，看看其中哪些变量影响力更大。（在特征变量分析之前，需将所有的变量转化为因子变量，不然会出错）
特征变量提取之后，分别用朴素贝叶斯算法与随机森林算法对测试集进行预测，结果表明，朴素贝叶斯分类器的正确率为98.80%，在418个测试集中只有5个乘客预测错误，分别是两个未幸存者错误归类到幸存者当中，3个幸存者错误归类到未幸存者中；而随机森林分类器的预测正确率比朴素贝叶斯要低一点点，为97.61%，有10个乘客预测错误，其中有4个未幸存者错误归类到幸存者当中，6个幸存者错误归类到未幸存者中。
总体而言两个模型表现得还不错，有兴趣的读者可以继续探讨各种变量之间的关系，塑造更多有意思的变量组合，提高正确率，不说了，小文要赶紧把结果上传到kaggle，看看能不能排得上号……