### 如何在 PyCharm 中处理泰坦尼克号数据集的表格 要在 PyCharm 中处理泰坦尼克号数据集的表格，可以按照以下方式实现完整的流程。以下是详细的说明： #### 数据加载 通过 `pandas` 库中的 `read_excel()` 方法可以从 Excel 文件中读取数据并将其存储在一个 DataFrame 对象中[^1]。 ```python import pandas as pd path = r'D:\数据集\泰坦尼克号\泰坦尼克号.xls' all_df = pd.read_excel(path) print(all_df.head()) # 查看前几行数据以便确认加载成功 ``` #### 数据可视化 为了更好地理解数据分布情况以及不同变量之间的关系，可以通过 Matplotlib 进行绘图分析[^2]。例如，绘制年龄 (Age) 和票价 (Fare) 的直方图可以帮助我们观察这些数值型特征的数据分布。 ```python import matplotlib.pyplot as plt # 绘制 Age 列的直方图 plt.hist(all_df['Age'].dropna(), bins=20, color='blue', edgecolor='black') plt.title('Histogram of Age') plt.xlabel('Age') plt.ylabel('Frequency') plt.show() # 绘制 Fare 列的直方图 plt.hist(all_df['Fare'], bins=30, color='green', edgecolor='black') plt.title('Histogram of Fare') plt.xlabel('Fare') plt.ylabel('Frequency') plt.show() ``` #### 特征工程 对于数值型数据如 Age 和 Fare 可以直接作为模型输入的一部分来构建预测功能[^3]。然而，在实际应用之前可能还需要对缺失值进行填充或其他预处理工作。 针对 Age 缺失值的一种常见做法就是用平均数或者中位数替代它们[^4]: ```python mean_age = all_df['Age'].mean() all_df['Age'] = all_df['Age'].fillna(mean_age) median_fare = all_df['Fare'].median() all_df['Fare'] = all_df['Fare'].fillna(median_fare) ``` #### 训练与测试集合划分 接着将整个数据集分为训练集和验证(或称为测试)集两部分，这样可以在不泄露任何未来信息的前提下评估我们的模型性能。 ```python from sklearn.model_selection import train_test_split X = all_df[['Age', 'Fare']] # 假设只选取这两个特征 y = all_df['Survived'] X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.25, random_state=33) ``` #### 构建决策树模型 最后一步则是创建一个基于 Scikit-Learn 的分类器实例，并调用 fit 函数让其学习给定样本的关系模式。 ```python from sklearn.tree import DecisionTreeClassifier clf = DecisionTreeClassifier(max_depth=3) clf.fit(X_train, y_train) accuracy = clf.score(X_test, y_test) print(f'Test Accuracy: {accuracy:.4f}') ``` 以上就是在 PyCharm 环境下使用 Python 脚本完成泰坦尼克号数据分析的主要过程概述。