企业官网建设流程全解析

简介：这份泰坦尼克号幸存者预测大作业资源面向Python初学者、高校学生及需要完成期末课程设计的人群，提供一套可直接部署运行的完整机器学习实践方案。资源包共5个文件，压缩后约33KB，包含py脚本、csv数据集、ipynb交互式笔记本、gitignore配置及md说明文档，覆盖数据读取、特征分析、可视化探索与模型预测全流程，代码附有详细注释，新手也能快速理解每一步逻辑。目前已有746人学习下载，适合作为课程设计或期末大作业的参考模板。读者可从中获得完整的赛题解决思路、可复用的可视化脚本与数据探索笔记，并借助README说明快速搭建环境、对照运行结果，省去从零摸索的时间，对掌握分类预测流程与撰写实验报告均有实际帮助。

1. 泰坦尼克号幸存者预测：一份能直接跑通的大作业资源

课程设计周临近，选题还没定，或者定了却卡在数据清洗那一步——这大概是每年期末最常见的一幕。这份泰坦尼克号幸存者预测资源，就是冲着这个场景来的：一个 zip 包，解压后是titanic_data.csv、titanic_survival_exploration.ipynb、titanic_visualizations.py、README.md和.gitignore，用 Python 把从数据加载、缺失值处理、特征工程到模型训练和预测的完整链路走了一遍。它解决的不是"从零搭一个机器学习框架"这种大问题，而是"我需要在有限时间内交出一份逻辑完整、代码能跑、图表能看的课程设计"这个具体诉求。适合两类人：一是刚学完 Python 基础、想找一个结构化项目练手的新手；二是需要快速复现一份可讲解、可答辩的期末作业的在校生。代码带注释，文档有说明，部署门槛低，这是它最实在的价值。

2. 拆开压缩包：文件结构与数据字段先摸清

2.1 五个文件各干什么

解压后目录结构不复杂，但每个文件都有明确分工，先搞清楚谁负责什么，后面改代码才不会乱。

titanic_survival_exploration.ipynb是主入口，所有分析步骤都在里面。titanic_visualizations.py是一个辅助模块，把常用的绘图逻辑抽出来，避免在 Notebook 里重复写 matplotlib 代码。这种拆分方式在课程设计里算规范，答辩时也能体现模块化思维。

2.2 数据字段与含义

titanic_data.csv是经典的泰坦尼克号乘客数据集，常见字段包括：

• PassengerId：乘客编号，唯一标识
• Survived：是否幸存，0 表示未幸存，1 表示幸存，这是预测目标
• Pclass：舱位等级，1/2/3 分别代表头等舱、二等舱、三等舱
• Name、Sex、Age：姓名、性别、年龄
• SibSp、Parch：同船兄弟姐妹/配偶数量、父母/子女数量
• Ticket、Fare：票号、票价
• Cabin、Embarked：客舱号、登船港口

拿到数据后第一件事不是急着建模，而是先看缺失情况。Age、Cabin、Embarked这三个字段通常有缺失，处理方式直接影响后续模型效果。常见做法是先统计缺失比例，再决定是填充还是丢弃。

import pandas as pd # 加载数据 df = pd.read_csv('titanic_data.csv') # 查看基本信息 print(df.info()) print(df.isnull().sum()) print(df.describe())

这段代码做三件事：info()看字段类型和非空数量，isnull().sum()统计每个字段的缺失值个数，describe()看数值型字段的分布。跑完这三行，心里就有底了——哪些字段要处理，哪些字段可以直接用。

提示：如果Cabin缺失超过七成，通常直接丢弃这个字段，而不是强行填充。填充一个缺失率过高的字段，引入的噪声可能比信息还多。

3. 从数据清洗到特征工程：Notebook 里的关键步骤

3.1 缺失值处理与字段取舍

数据清洗是整条链路里最耗时间也最容易翻车的一步。这份资源的 Notebook 里对缺失值的处理思路是：Age用中位数或均值填充，Embarked用众数填充，Cabin根据缺失比例决定是否保留。

# Age 用中位数填充 df['Age'].fillna(df['Age'].median(), inplace=True) # Embarked 用众数填充 df['Embarked'].fillna(df['Embarked'].mode()[0], inplace=True) # Cabin 缺失太多，先看比例再决定 missing_ratio = df['Cabin'].isnull().sum() / len(df) if missing_ratio > 0.7: df.drop('Cabin', axis=1, inplace=True) else: df['Cabin'] = df['Cabin'].fillna('Unknown')

fillna的inplace=True表示直接在原 DataFrame 上修改，不返回新对象。median()取中位数，比均值更抗极端值。mode()[0]取众数的第一个值，因为众数可能不止一个。drop的axis=1表示删列，不是删行。

这里有个容易忽略的点：填充操作要在训练集和测试集划分之前做，还是之后做？如果先填充再划分，测试集的信息会"泄露"到训练过程中。严格做法是先划分，再分别对训练集和测试集做填充，填充值只从训练集计算。课程设计里如果数据量不大，很多人会忽略这一步，但答辩时如果被问到，能说清楚就是加分项。

3.2 类别变量编码与特征构造

机器学习模型吃的是数字，Sex和Embarked这类文本字段必须转成数值。常见做法是独热编码或标签编码。

# Sex 二值编码 df['Sex'] = df['Sex'].map({'male': 0, 'female': 1}) # Embarked 独热编码 df = pd.get_dummies(df, columns=['Embarked'], drop_first=True) # 构造家庭规模特征 df['FamilySize'] = df['SibSp'] + df['Parch'] + 1 # 构造是否独自一人特征 df['IsAlone'] = (df['FamilySize'] == 1).astype(int)

map做二值映射，适合只有两个取值的字段。get_dummies做独热编码，drop_first=True是为了避免多重共线性，去掉第一列作为基准。FamilySize把SibSp和Parch合并，反映乘客的家庭规模。IsAlone进一步把"独自一人"这个场景单独拎出来，因为历史上独自出行的乘客幸存率确实有差异。

特征构造这一步是拉开差距的地方。原始字段就那些，但通过组合和变换能造出更有表达力的特征。比如从Name里提取称呼（Mr、Mrs、Miss），从Ticket里提取前缀，这些在进阶版本里常见，这份资源里如果没做，可以自己补上。

3.3 模型训练与预测输出

特征处理完之后，就是划分数据集、选模型、训练、评估。课程设计里常用的模型是逻辑回归、决策树、随机森林。

from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import accuracy_score, classification_report # 选择特征列 features = ['Pclass', 'Sex', 'Age', 'Fare', 'FamilySize', 'IsAlone'] X = df[features] y = df['Survived'] # 划分训练集和测试集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 训练随机森林 model = RandomForestClassifier(n_estimators=100, random_state=42) model.fit(X_train, y_train) # 预测与评估 y_pred = model.predict(X_test) print('Accuracy:', accuracy_score(y_test, y_pred)) print(classification_report(y_test, y_pred))

train_test_split的test_size=0.2表示两成数据用于测试，random_state=42固定随机种子，保证每次划分结果一致。RandomForestClassifier的n_estimators=100表示用 100 棵树，树越多模型越稳定但训练越慢。classification_report输出精确率、召回率和 F1 值，比单看准确率更全面。

跑完这段，如果准确率在 0.78 到 0.85 之间，属于正常范围。低于 0.75 就要回头检查特征处理有没有问题，高于 0.9 则要怀疑是不是数据泄露了。

4. 可视化模块怎么用：titanic_visualizations.py 的调用方式

4.1 导入与基础绘图

titanic_visualizations.py是一个独立模块，里面封装了常用的绘图函数。用法是在 Notebook 里导入，然后传入 DataFrame 调用。

import titanic_visualizations as tv # 幸存者与性别的关系 tv.plot_survival_by_sex(df) # 幸存者与舱位等级的关系 tv.plot_survival_by_pclass(df) # 年龄分布对比 tv.plot_age_distribution(df)

具体函数名以实际文件为准，但调用逻辑是一致的：传入清洗后的 DataFrame，函数内部用 matplotlib 或 seaborn 画图并显示。这种封装的好处是 Notebook 里不会堆满绘图代码，答辩演示时也清爽。

如果模块里的函数不满足需求，可以直接在 Notebook 里写 matplotlib 代码，或者修改titanic_visualizations.py添加新函数。课程设计里图表是加分项，至少要有三到四张有解释力的图：幸存率与性别、幸存率与舱位、年龄分布、票价分布。

4.2 图表选择与答辩讲解

图表不是越多越好，而是要能支撑结论。比如"女性幸存率明显高于男性"这个结论，用柱状图就比饼图直观。"三等舱幸存率最低"用分组柱状图展示。年龄分布用直方图或核密度图。

答辩时老师常问的问题是："你这个图说明了什么？"所以每张图旁边最好用 Markdown 单元格写一两句解释，把图表和业务结论挂上钩。这比单纯贴图更有说服力。

注意：如果titanic_visualizations.py里用了 seaborn，确保环境里装了对应版本。否则导入时会报ModuleNotFoundError，这是最常见的翻车点之一。

5. 避坑与排查：跑不通时先看这几条

5.1 缺失值填充后模型报错

现象：fit时报ValueError: Input contains NaN, infinity or a value too large。

原因：填充操作只处理了部分字段，或者填充后又做了删除行操作导致索引错位。

解决：在fit之前加一行print(X.isnull().sum())，确认所有特征列都没有缺失。如果有，补上填充逻辑。

5.2 独热编码后列数对不上

现象：训练时特征列数和预测时不一致，报ValueError: feature_names mismatch。

原因：get_dummies在训练集和测试集上分别调用，导致生成的列不同。

解决：先合并再编码，或者用align对齐列。常见做法是在划分之前就完成所有编码操作。

5.3 中文显示乱码

现象：图表标题和标签里的中文变成方框。

原因：matplotlib 默认字体不支持中文。

解决：在绘图前设置字体。

import matplotlib.pyplot as plt plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False

SimHei是黑体，Windows 系统一般都有。Mac 系统可以换成Arial Unicode MS。axes.unicode_minus设为False是为了正常显示负号。

5.4 Notebook 内核启动失败

现象：打开.ipynb后提示找不到内核或内核崩溃。

原因：环境里没装 jupyter，或者 Python 版本不匹配。

解决：在命令行执行pip install jupyter，然后用jupyter notebook启动。如果还是不行，检查README.md里有没有指定 Python 版本。

5.5 随机森林训练太慢

现象：fit跑了好几分钟还没结束。

原因：n_estimators设得太大，或者数据量比预期大。

解决：先把n_estimators降到 50 试试，确认流程能跑通再往上加。课程设计里 100 棵树足够，没必要堆到 500。

6. 进阶技巧：把准确率从 0.80 推到 0.85 以上

6.1 特征交叉与分箱

基础特征跑完之后，想再提一两个点，可以试试特征交叉和分箱。比如把Age分成儿童、青年、中年、老年四段，把Fare按分位数切成四档。

# Age 分箱 df['AgeBin'] = pd.cut(df['Age'], bins=[0, 12, 18, 35, 60, 100], labels=['Child', 'Teen', 'YoungAdult', 'Adult', 'Senior']) df = pd.get_dummies(df, columns=['AgeBin'], drop_first=True) # Fare 分位数分箱 df['FareBin'] = pd.qcut(df['Fare'], 4, labels=False)

pd.cut按指定边界切分，pd.qcut按分位数切分。分箱之后再做独热编码，相当于把连续变量离散化，有时候能捕捉到非线性关系。

6.2 模型对比与交叉验证

单跑一个随机森林不够有说服力，可以对比逻辑回归、决策树、随机森林三个模型，用交叉验证取平均准确率。

from sklearn.linear_model import LogisticRegression from sklearn.tree import DecisionTreeClassifier from sklearn.model_selection import cross_val_score models = { 'LogisticRegression': LogisticRegression(max_iter=1000), 'DecisionTree': DecisionTreeClassifier(random_state=42), 'RandomForest': RandomForestClassifier(n_estimators=100, random_state=42) } for name, model in models.items(): scores = cross_val_score(model, X, y, cv=5, scoring='accuracy') print(f'{name}: {scores.mean():.4f} (+/- {scores.std():.4f})')

cross_val_score的cv=5表示五折交叉验证，scoring='accuracy'指定评估指标。输出的是五次得分的均值和标准差，比单次划分更稳定。答辩时拿出这张对比表，说服力比只报一个数字强得多。

6.3 我踩过的一个坑

有一次帮人看这份代码，准确率死活上不去，一直在 0.76 左右。查了半天发现是Sex字段编码反了——male编成了 1，female编成了 0。逻辑上不影响模型训练，但解释特征重要性的时候结论全反了。从那以后我每次做完编码都强制走一遍df.head()和df['Sex'].value_counts()，确认映射方向没搞反。这个习惯看起来多余，但省过我好几次返工。

希望这份资源能帮你把课程设计顺利交出去，也帮你在答辩时多几分底气。

本文还有配套的精品资源，点击获取