本篇文章針對剛剛接觸Kaggle的同學，介紹參加Kaggle數據分析競賽的完整流程，最快速度完成一個比賽。
前言
Kaggle是一個數據分析的競賽平臺。企業可以將數據、問題描述和期望指標發佈到Kaggle平臺，以競賽的形式向廣大的數據科學家徵集解決方案。參賽者將數據下載下來，分析數據、建立模型、解決問題，最後提交解決問題的結果。
進入Kaggle網站：
Kaggle中的比賽主要分爲三類：Featured、Research和Getting Started。進入Kaggle網站的Competition欄目後，我們可以看到目前正在舉行的競賽。我們選擇Titanic倖存者預測這個競賽，教大家一步一步完成比賽。
Kaggle競賽項目的全過程：
- 瞭解問題背景：對競賽的背景進行了解
- 下載數據
- 分析數據：Explore Data Analysis
- 數據處理和特徵工程：Data Process and FeatureEngineering
- 模型選擇：Model Select
- 提交結果：Submission
第一步：瞭解問題背景
沒錯，Titanic就是那部著名的電影：“泰坦尼克號”。我們需要預測泰坦尼克號沉沒的時候哪些乘客成爲了倖存者。
第二步：下載數據
有三個數據csv文件需要我們下載。
gender_submission.csv：我們需要提交的示例文件
test.csv：測試數據集
train.csv：訓練數據集
第三步：讀取數據，分析數據
Pandas是目前最強大的數據分析包，沒有之一。可以用.info()函數查看當前dataframe的信息。
訓練數據集有891行12列。各列代表的信息：
· PassengerId：一個用以標記每個乘客的數字id
· Survived：標記乘客是否倖存——倖存(1)、死亡(0)。我們將預測這一列。
· Pclass：標記乘客所屬船層——第一層(1),第二層(2),第三層(3)。
· Name：乘客名字。
· Sex：乘客性別——男male、女female
· Age：乘客年齡。部分。
· SibSp：船上兄弟姐妹和配偶的數量。
· Parch：船上父母和孩子的數量。
· Ticket：乘客的船票號碼。
· Fare：乘客爲船票付了多少錢。
· Cabin：乘客住在哪個船艙。
· Embarked：乘客從哪個地方登上泰坦尼克號。
第四步、數據處理和特徵工程
數據分析過程中，瞭解業務背景是非常重要的。
大家記得在泰坦尼克號沉沒的時候，船長說了一句話：小孩和婦女先走，男人留下。
知道這個背景以後，在做數據處理的時候我們就應該知道Sex和Age兩個字段應該是關鍵。
（1）Age處理，填充缺失值
Age字段共有714，缺失值比較多，我們採用Age的中位數進行填充。
注意：我們需要同時對訓練集和測試集做相同的處理。
（2）Sex處理，屬性變換
Sex有兩個屬性：male和female，代表男性和女性。爲了方便分類器處理，我們用1和0來代替。
（3）特徵選擇
爲了最快速度上手，我們只需要選擇Age和Sex兩個字段。
第五步：模型選擇
我們的任務是預測乘客是否能倖存，很明顯是一個基本的二分類問題（Binary Classification）。可以用來處理二分類問題的模型主要有：感知機、Logistic迴歸、決策樹、SVM和隨機森林等，可選的模型非常多。網上有一張圖，建議我們選擇哪種模型應用到我們的項目中。
這裏我們選擇sciket-learn提供的決策樹（Decision Tree）模型。
第六步、預測結果並提交
最後，將我們訓練好的模型在測試集上進行測試，將結果按照要求保存下來。將結果提交到kaggle網站，計算我們的得分。
（1）保存結果
（2）提交到Kaggle
Kaggle提供了Submit Predictions頁面，我們只需要將decision_tree.csv文件拖拽到uploadsubmission file中就可以自動上傳。
我們將預測結果提交到Kaggle網站，Kaggle會對我們提交的結果與kaggle後臺的數據進行對比，計算出我們的準確率和得分（score）。
此次提交的準確率只有60.7%。
我們第一次提交結果，不要太過於在意分數，接下來的系列文章我將會介紹很多提升分數的技巧。
結束語
本文介紹了參加kaggle數據分析競賽的一個完整流程：加入比賽並瞭解比賽背景、獲取數據、數據分析、特徵工程、模型訓練、提交結果。現在，我們對參加比賽的完整流程已經比較瞭解，下一步就是通過特徵工程、調參、模型融合等手段來提高我們的分數。
歡迎關注微信公衆號：kaggle數據分析。後臺回覆“titanic”獲取代碼和數據。