作者：Shreyas Raghavan
翻译：老齐
与本文相关的图书推荐：《数据准备和特征工程》
不是很久以前，商人们往往找占星家来预测下明年是否能挣钱，虽然这毫无根据，并且结果也不确定，但如果听专家的建议来为自己的商业行为作出决定，与此有什么本质却别？现在不同了，我们正在变化，目前已经可以基于事实和数字进行预测。
我们生活在一个大数据的世界中，去Domino商店订购披萨，他们首先要问你的手机号，通过该手机号，他们能够提取出你的住址、购买记录等信息，但是是否仅限于列出这些数据？还是我们可以根据这些数据做些什么？这就是数据科学家的职责了。
现在，我们就来探讨一些分析数据的工具。
- SAS，是“ Statistical Analysis System”的简称，可以用于高级分析、数据管理、商业智能，它是NCSU（北卡罗来纳州立大学）从1966年到1976年研发的许可软件，现在仍然被广泛应用，特别是财富500强的公司都在应用。
- R语言，是一种开源高级语言，提供了很多分析和统计的模块，包含了很多开源库，主要操作在命令行界面实现。
- Python语言，我个人最喜欢了。Python是门革命性的语言，本文就要使用此语言。它是由吉多·范罗索姆（Guido Van Rossum）发明的一种高级编程语言，开源，每天都会有很多库产生。如果你打算在机器学习、人工智能领域从业，Python是一门理想的编程语言。
现在，我们就要来看看Python在数据科学中的应用。
代码语言：javascript复制import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
此处，我们引入了三个基本的库，你的项目大概有90%都会用到这三个库，它们都有什么作用呢？
- Numpy：这个库实现众多数学函数运算，比如矩阵乘法、转置等。
- Pandas：很重要的库，比如加载数据集、创建DataFrame对象，Pandas在分析和预测方面能够实现你想做的任何事情。
- %matplotlib inline：写上这句话，就可以将制作的可视化图像插入到Jupyter中。
train = pd.read_csv('train.csv')
以上，我们载入了数据集，pd是对pandas的重命名（import pandas as pd），read_csv是pandas里的一个函数，train.csv是一个已经存在的文件。用上面的命令成功地在当前Python环境中加载了文件，从而创建了一个DataFrame对象。
train.head()
什么是head？不是人体的顶部的吗？Pandas用head函数，是要给我们呈现DataFrame对象中前面的若干条记录，默认显示前5条。
如果head(20)就会返回前20条记录，是不是很有意思？
我们也可以用tail()查看最后5条记录（默认值是5）。
下面是head()的输出结果：
到现在，已经从DataFrame数据集中得到了前5条记录了。
接下来，重要的事情是你要了解所处理的数据集，比如大小、形状和描述性统计，这些信息对我们进一步处理数据都非常有用，也就是说，我们必须了解数据集（注：《数据准备和特征工程》一书中对此内容做了更详细的阐述，请参考。）因为有少数数据集很大，处理它们才是真正的痛苦工作，我们需要从中找到有用的信息，并剔除不需要的内容，这听起来似乎很容易，但真正做起来，非常困难。
从输出结果中可以看到，我们现在操作的数据有891行，12列，总共有10692个数据。
让我们再来看看基本的统计：
这里呈现的统计数据，比如计数、平均值、百分位、标准差等，在我们处理金融数据或者研究数据间关系是，都是非常重要的。
继续，我们要实施数据可视化，这是数据科学中最重要的技能，必须会。前面已经导入了matplotlib，这是数据可视化中应用非常广泛的库，如果你去搜索，还会发现别的库，但matplotlib是广受欢迎的。
对于数据科学家而言，最重要的是知道用什么方式进行表达，下面就讨论这个问题，然后演示代码。
表达的方式
进行数据可视化，必须要知道的几件事：
- 在一张图中要展现几个变量？
- 一个数据点包含了一个信息还是多个？
- 展示一段时间的数据，还是将它们分组？
这些会影响图示的效果。
上面这张图帮助我们理清楚何时用何种类型的可视化方式。
对于学习数据可视化而言，上面的图示是具有高度参考价值的。很多公司都希望通过数据告诉我们吸引人的故事。
可视化工具，比如Tableau、PowerBI等创建的仪表盘，能够告诉我们数据中的故事。
现在，我们要研究如何用matplotlib实现数据可视化：
前面已经引入了matplotlib，并命名别称为plt。从第一行开始，用参数figsize设置了图示的大小，通常，我们可以使用默认值。接下来，就回执年龄的图示。
我们能够设置标签，xlable意味着x轴，ylable意味着y轴，titile用于设置图示的标题。
通过图示，我们能够从数据中得到一些信息，能推论出以下各项吗？
- 年轻人更多在甲板上。
- 老年人数量很少。
- 22岁的最多。
- 79岁的老人还去旅游。
我们通过图示，能够推断出的还很多。
当然，我们也能够用这个数据集做其他类型的统计图。
数据中用二进制的方式标识了一个人是否获救，这是我们下面要研究的内容，通过统计模型进行预测。
让我们继续，依靠前面的数据，用计算机来预测一个乘客是否能获救。
机器学习算法
到目前，我们已经完成了载入数据、数据可视化，以及如何根据数据进行推论，现在我们要看看哪个算法可以用于预测。
在机器学习中，有两类算法：
- 有监督学习：如果数据中有标签列，就可以使用有监督学习，机器会查找跟数据匹配的标签。
- 无监督学习：没有标签时就要用无监督学习，机器会对数据进行聚类，并找到数据之间的关系。
有监督学习的典型例子是回归，而贝叶斯则是无监督学习的典型示例。
但是，对于本文中的数据，我们打算用Logistic回归试试。具体怎么做？
Logistic回归能够帮助我们预测某数据的标签是true还是false。基本过程是用给定的数据输入到机器中，然后机器用回归模型进行计算，最后告诉我们一个二进制形式的结果。
根据维基百科，Logistic回归，或者logit回归、logit模型，是一种回归模型，它的因变量是分类型的。本文中的因变量用二级制形式表示，即只取两个数，“0”或者“1”，这种二进制方式可以代表不同的输出结果，比如通过/挂科、赢/输、生/死，或者健康/生病等。如果因变量是超过两个值得分类数据，可以用多元Logistic回归。如果多个类型值是有顺序的，可以用序数Logistic回归。在经济领域，Logisti回归是一种反应定性问题或者离散问题的模型示例。
那么，Logistic回归在这里对我们有什么用？
我们已经有用二进制形式表示获救情况的列，这已不是问题。但是，我们需要将性别（gender）列的值修改为1和0，这样我们就能依靠性别预测一个人是否获救。
需要导入sklearn库，sklearn非常强大，它不仅仅是统计工具。
按照下面的操作：
代码语言：javascript复制from sklearn.linear_model import LogisticRegression
从sklearn库中引入Logistic回归模块。
为了使用Logistic回归，先要具备两组数据：
- 训练集：用于训练模型
- 测试集：通常规模较小，用于检验机器学习模型
将性别转化为二级制形式之后，就可以使用LogisticRegression模型预测输出结果了。
首先，我们将训练集中的Survived列作为Logistic回归模型的输出。
为此，已经将数据集划分为训练集和测试集。
下面逐步来看看上面的过程：
- 将Survived列作为标签，即输出。data_train是输入的训练数据，其中不包含Survived列。
- 然后引入sklean，并创建Logistic模型实例。
- 接下来训练模型，计算机会努力找到一种模式，然后用这个模型对给定数据进行预测。
- 我们已经得到了一个被称为测试集的数据，它里面没有Survived列。下面利用训练得到的模型对这些数据进行预测。
以上就是计算机如何通过学习进行预测的过程，当然还有别的模型，以后有机会还要介绍对模型的评估方法，比如评估分数、矩阵分数等。
希望此文对你有启发。「老齐教室」这个微信公众号中还有很多数据科学、机器学习的文章，共学习者参考。
原文链接：https://towardsdatascience.com/how-to-begin-your-own-data-science-journey-2223caad8cee
