本文将以Titanic生存预测问题为范例，介绍对结构化数据进行预处理并喂入Keras模型的方法。
Titanic数据集的目标是根据乘客信息预测他们在Titanic号撞击冰山沉没后能否生存。
没错，就是那个Jack and Rose的Titanic，就是那个You jump, I jump的Titanic,让我们出发吧！
一，准备数据
1，获取数据
公众号后台回复关键字：泰坦尼克，可获取Titanic数据集下载链接。
代码语言：javascript复制import numpy as np
import pandas as pd
dftrain_raw = pd.read_csv('titanic_datasets/train.csv')
dftest_raw = pd.read_csv('titanic_datasets/test.csv')
dftrain_raw.head(10)
字段说明：
- Survived:0代表死亡，1代表存活【y标签】
- Pclass:乘客所持票类，有三种值(1,2,3) 【转换成onehot编码】
- Name:乘客姓名 【舍去】
- Sex:乘客性别 【转换成bool特征】
- Age:乘客年龄(有缺失) 【数值特征，添加“年龄是否缺失”作为辅助特征】
- SibSp:乘客兄弟姐妹/配偶的个数(整数值) 【数值特征】
- Parch:乘客父母/孩子的个数(整数值)【数值特征】
- Ticket:票号(字符串)【舍去】
- Fare:乘客所持票的价格(浮点数，0-500不等) 【数值特征】
- Cabin:乘客所在船舱(有缺失) 【添加“所在船舱是否缺失”作为辅助特征】
- Embarked:乘客登船港口:S、C、Q(有缺失)【转换成onehot编码，四维度 S,C,Q,nan】
2，数据探索
利用pandas的数据可视化功能我们简单地进行一下探索性数据分析EDA（
Exploratory Data Analysis）。
label分布情况
代码语言：javascript复制%matplotlib inline
%config InlineBackend.figure_format = 'png'
ax = dftrain_raw['Survived'].value_counts().plot(kind = 'bar',
figsize = (,),fontsize=,rot = )
ax.set_ylabel('Counts',fontsize = )
ax.set_xlabel('Survived',fontsize = )
年龄分布情况
代码语言：javascript复制%matplotlib inline
%config InlineBackend.figure_format = 'png'
ax = dftrain_raw['Age'].plot(kind = 'hist',bins = ,color= 'purple',
figsize = (,),fontsize=)
ax.set_ylabel('Frequency',fontsize = )
ax.set_xlabel('Age',fontsize = )
年龄和label的相关性
代码语言：javascript复制%matplotlib inline
%config InlineBackend.figure_format = 'png'
ax = dftrain_raw.query('Survived == 0')['Age'].plot(kind = 'density',
figsize = (,),fontsize=)
dftrain_raw.query('Survived == 1')['Age'].plot(kind = 'density',
figsize = (,),fontsize=)
ax.legend(['Survived==0','Survived==1'],fontsize = )
ax.set_ylabel('Density',fontsize = )
ax.set_xlabel('Age',fontsize = )
3，数据预处理
代码语言：javascript复制# 数据预处理
def preprocessing(dfdata):
dfresult= pd.DataFrame()
#Pclass
dfPclass = pd.get_dummies(dfdata['Pclass'])
dfPclass.columns = ['Pclass_' str(x) for x in dfPclass.columns ]
dfresult = pd.concat([dfresult,dfPclass],axis = )
#Sex
dfSex = pd.get_dummies(dfdata['Sex'])
dfresult = pd.concat([dfresult,dfSex],axis = )
#Age
dfresult['Age'] = dfdata['Age'].fillna()
dfresult['Age_null'] = pd.isna(dfdata['Age']).astype('int32')
#SibSp,Parch,Fare
dfresult['SibSp'] = dfdata['SibSp']
dfresult['Parch'] = dfdata['Parch']
dfresult['Fare'] = dfdata['Fare']
#Carbin
dfresult['Cabin_null'] = pd.isna(dfdata['Cabin']).astype('int32')
#Embarked
dfEmbarked = pd.get_dummies(dfdata['Embarked'],dummy_na=True)
dfEmbarked.columns = ['Embarked_' str(x) for x in dfEmbarked.columns]
dfresult = pd.concat([dfresult,dfEmbarked],axis = )
return(dfresult)
x_train = preprocessing(dftrain_raw)
y_train = dftrain_raw['Survived'].values
x_test = preprocessing(dftest_raw)
预处理完成后一共有15维特征。
二，构建模型
代码语言：javascript复制from keras import models,layers
model = models.Sequential()
model.add(layers.Dense(,activation = 'relu',input_shape=(,)))
model.add(layers.Dense(,activation = 'relu' ))
model.add(layers.Dense(,activation = 'relu' ))
model.add(layers.Dense(,activation = 'relu' ))
model.add(layers.Dense(,activation = 'sigmoid' ))
# 二分类问题选择二元交叉熵损失函数
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
model.summary()
三，训练模型
代码语言：javascript复制history = model.fit(x_train,y_train,
batch_size= ,
epochs= ,
validation_split=0.2 #分割一部分训练数据用于验证
)
四，评估模型
代码语言：javascript复制import matplotlib.pyplot as plt
%matplotlib inline
%config InlineBackend.figure_format = 'svg'
acc = history.history['acc']
val_acc = history.history['val_acc']
epochs = range(, len(acc) )
plt.plot(epochs, acc, 'bo', label='Training accuracy')
plt.plot(epochs, val_acc, 'b', label='Validation accuracy')
plt.title('Training and validation accuracy')
plt.xlabel('Epochs')
plt.ylabel('Accuracy')
plt.legend()
plt.show()
五，使用模型
六，保存模型
代码语言：javascript复制# 保存模型结构
json_str = model.to_json()
yaml_str = model.to_yaml()
#保存模型权重
model.save_weights('model_weights.h5')
# 恢复模型结构
model_json = models.model_from_json(json_str)
model_json.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
# 加载权重
model_json.load_weights('model_weights.h5')
model_json.evaluate(x_train,y_train)
