這是一個入門級別的數據分析與挖掘案例，整個過程如下：
首先是拿到數據後
(一) 數據讀取（大概看一下數據量啊 數據的各項指標啊）
- 讀取數據並展示
- 統計數據各項指標
- 要明確目標是要幹什麼，這樣就可以有目的的查看各項指標
（二）特徵理解與分析
- 單特徵統計分析（分析每個單個特徵和標籤（這裏是存活與否）的關係，將數據可視化出來，便於後面的特徵選擇）
- 多變量統計分析（融合幾個單特徵，看與標籤的關係，沒準兒有隱藏的特徵）
（三）數據預處理
- 缺失數據填充（可以填平均值、中值、衆數、經驗值、自己做個簡單的迴歸預測、或者粗暴點直接丟掉（在大量缺失的情況下））
- 特徵標準化/歸一化（有利於後面模型的收斂速度）
- 挑選有價值的特徵（可以根據前面的特徵理解與分析，sklearn.feature_selection中有個SelectKBest的包，可以輔助選擇重要特徵）
- 分析特徵值之間的相關性
（四）建立模型
- 特徵數據與標籤準備（將特徵值轉換成數值型的，比如存活與否替換成1，0；特徵中的性別男女替換成1，0等等）
- 數據集切分（可以用KFold或cross_val_score進行交叉驗證）
- 多種建模方法對比（LinearRegression、LogisticRegression、RandomForest、GradientBoostingClassifier等）
- 集成模型（、RandomForest、GradientBoostingClassifier等）
補充一下：還可以做特徵選擇
