只要在终端中输入 jupyter notebook，就可以打开如下图所示的浏览器页面：

你可以把代码写在绿色矩形中，而且可以交互式地编写并评价 Python 代码。 现在你已经安装了所有的工具。我们开始吧！ 数据探索

探索数据是第一步。你需要从 Kaggle 的 Titanic 页面下载数据，然后将下载的数据放到你启动 Jupyter 笔记本的文件夹中。 然后导入必要的库： import numpy as np import pandas as pd

import matplotlib.pyplot as plt import seaborn as sns import warnings

warnings.filterwarnings('ignore') %matplotlib inline 载入数据：

train_df=pd.read_csv(\train_df.head() 输出如下：

这就是我们的数据。它有下面几列：

PassengerId，乘客的标识符； Survived，他（她）是否存活了下来；

Pclass，舱室类别，也许 1 表示经济舱，2 表示商务舱，3 表示头等舱； Name，乘客的名字； Sex，性别； Age，年龄；

? ? ? ? ? ?

?

SibSp，即兄弟姐妹（siblings）或配偶（spouses），表示在船上的兄弟姐妹以及配偶的数目；

?

Parch，即父母（Parents）或子女（Children），表示在船上的父母和子女的数目；

? ? ?

Ticket，船票详情；

Cabin，舱号，NaN 表示未知；

Embarked，登船的起始地，S 表示南安普顿（Southampton），Q 表示皇后镇（Queenstown），C 表示瑟堡（Cherbourg） 在探索数据时，常常会遇到数据缺失的问题。我们来看一下 def missingdata(data):

total = data.isnull().sum().sort_values(ascending = False) percent =

(data.isnull().sum()/data.isnull().count()*100).sort_values(ascending = False)

ms=pd.concat([total, percent], axis=1, keys=['Total', 'Percent']) ms= ms[ms[\f,ax =plt.subplots(figsize=(8,6)) plt.xticks(rotation='90')

fig=sns.barplot(ms.index, ms[\plt.xlabel('Features', fontsize=15)

plt.ylabel('Percent of missing values', fontsize=15) plt.title('Percent missing data by feature', fontsize=15) return ms

missingdata(train_df) 我们会看到这样的结果：

舱号、年龄以及登船地的数据都有一些缺失值，而舱号信息有大量的缺失。我们需要对它们进行处理，也就是所谓的数据清理（Data Cleaning）。 数据清理

我们 90% 的时间都花在这上面。我们要针对每一个机器学习项目进行大量的数据清理。当数据清理干净时，我们就可以轻松地进行下一步了，什么都不用担心。