本次我们挑战的数据集为泰坦尼克号公共数据集，为了降低难度，我们在原有数据集的基础上进行了优化，具体数据集介绍如下：

在这里也介绍一下数据的含义吧
数据介绍：

Survived：是否存活（label）
Pclass（用户阶级）：1 - 1st class，高等用户；2 - 2nd class，中等用户；3 - 3rd class，低等用户；
Name（名字）
Sex（性别）
Age（年龄）
Siblings/Spouses Aboard：描述了泰坦尼克号上与乘客同行的兄弟姐妹（Siblings）和配偶（Spouse）数目；
Parents/Children Aboard：描述了泰坦尼克号上与乘客同行的家长（Parents）和孩子（Children）数目；
Fare（乘客费用）

第一步：导入必要的库

import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.tree import DecisionTreeClassifier from sklearn.metrics import accuracy_score, classification_report

 第二步：加载并分析数据

观察是否有缺失值和异常值（异常值需要根据具体的题目条件来判断），若有缺失值和异常值进行第三步数据预处理

# 加载数据集 path = "E:\\Jupyter Workspace\\数学建模\\titanic.csv" data = pd.read_csv(path)  # 显示数据的前几行 data.head() # 查看数据的详细信息 data.info()

第三步：数据预处理

 首先删除不必要的特征如名字（可能有用，比如有些人名在那个时代只有贵族能用或者只有穷人能用，但本体不考虑这些因素）

# 删除不需要的特征 data = data.drop(["Name"], axis=1)

若有缺失值可以进行如下操作，如用中位数填充

# 填充数值特征的缺失值 data["Age"].fillna(data["Age"].median(), inplace=True) data["Fare"].fillna(data["Fare"].median(), inplace=True)

若遇到分类变量特征，可以进行独热编码

# 对分类特征进行独热编码 data = pd.get_dummies(data, columns=["Sex"], drop_first=True)

思考一下：分类变量分类为两类的时候可以drop_first，那如果100类呢？该采用哪些方法来处理这个分类变量特征呢？

第四步：划分自变量（X）和因变量（y）

# 分割数据为特征（X）和目标（y） X = data.drop("Survived", axis=1) y = data["Survived"]

第五步：训练模型

在训练模型之前，需要将数据集划分为训练集和测试集（本题由于没有要预测的部分，就把数据集中0.2比例的验证集当做测试集进行模型的验证）

# 将数据集分割为训练集和测试集 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

在放入模型前，先对上述特征进行标准化处理（大家思考一下这个操作是为什么呢？）

# 特征标准化处理 scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test)

创建决策树模型分类器进行训练

# 创建决策树分类器并进行训练 model2 = DecisionTreeClassifier(random_state=42) model2.fit(X_train, y_train)

第六步：模型的性能指标评价

# 在测试数据上进行预测 y_pred = model2.predict(X_test)  # 计算准确性 accuracy = accuracy_score(y_test, y_pred) print("模型准确性：", accuracy)  # 生成分类报告 report = classification_report(y_test, y_pred) print("分类报告：\n", report)