titanic 생존자 예측

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

raw_data = pd.read_excel("https://github.com/PinkWink/ML_tutorial/raw/refs/heads/master/dataset/titanic.xls")
raw_data.info()

# 1행 2열의 서브플롯 생성 (가로 12인치, 세로 6인치)
# f: figure 객체, ax: axes 배열 (2개의 서브플롯)
f, ax = plt.subplots(1, 2, figsize=(12, 6))

# 왼쪽 서브플롯: 파이 차트
# survived 컬럼의 값 개수를 세어 파이 차트로 시각화
# explode=[0, 0.1]: 두 번째 조각(생존자)을 0.1만큼 분리하여 강조
# autopct='%1.1f%%': 각 조각에 퍼센트 표시 (소수점 1자리)
raw_data['survived'].value_counts().plot.pie(explode=[0, 0.1], autopct='%1.1f%%', ax=ax[0])

# 왼쪽 서브플롯 제목 설정
ax[0].set_title('Survived')
# y축 레이블 제거 (파이 차트에서는 불필요)
ax[0].set_ylabel('')

# 오른쪽 서브플롯: 막대 그래프 (countplot)
# survived 컬럼의 값별 개수를 막대 그래프로 시각화
sns.countplot(x='survived', data=raw_data, ax=ax[1])
# 오른쪽 서브플롯 제목 설정
ax[1].set_title('Count plot - Survived')

# 그래프 출력
plt.show()

raw_data['age'].hist(bins=20, figsize=(18, 8), grid=False)

f, ax = plt.subplots(1, 2, figsize = (12, 6))

raw_data['survived'].value_counts().plot.pie(explode=[0, 0.1], autopct='%1.1f%%', ax=ax[0])
ax[0].set_title('Survived')
ax[0].set_ylabel('')

sns.countplot(x='survived', data=raw_data, ax=ax[1], hue='sex')
ax[1].set_title('Survived')

raw_data.groupby('pclass')['survived'].mean()

# FacetGrid 생성: 여러 서브플롯을 그룹별로 나누어 표시
# row='pclass': 행을 객실 등급(pclass)으로 구분 (1등급, 2등급, 3등급)
# col="sex": 열을 성별(sex)로 구분 (male, female)
# height=4: 각 서브플롯의 높이 (인치)
# aspect=2: 가로/세로 비율 (aspect=2는 가로가 세로의 2배)
grid = sns.FacetGrid(raw_data, row='pclass', col="sex", height=4, aspect=2)

# 각 서브플롯에 히스토그램 그리기
# plt.hist: matplotlib의 히스토그램 함수
# 'age': 나이 컬럼을 x축으로 사용
# bins=10: 히스토그램 구간(bin) 개수
# 결과: 3행(pclass) × 2열(sex) = 6개의 서브플롯에 각각 나이 분포 히스토그램 표시
grid.map(plt.hist, 'age', bins=10)

# 범례 추가
grid.add_legend()

grid = sns.FacetGrid(raw_data, col="survived", row="pclass", height=4, aspect=2)
grid.map(plt.hist, "age", alpha=0.5, bins=20)
grid.add_legend()

raw_data['age_cat'] = pd.cut(
                raw_data['age'], 
                bins=[0, 7, 15, 30, 60, 100], 
                include_lowest=True, 
                labels=['baby', 'child', 'youth', 'adult', 'old'])
raw_data.head()

# 전체 figure 크기 설정 (가로 14인치, 세로 4인치)
plt.figure(figsize=(14,4))

# 첫 번째 서브플롯 (1행 3열 중 첫 번째)
# 객실 등급(pclass)별 생존률(survived)을 막대 그래프로 표시
# barplot은 자동으로 survived의 평균값을 계산하여 표시
plt.subplot(1, 3, 1)
sns.barplot(x='pclass', y="survived", data=raw_data)

# 두 번째 서브플롯 (1행 3열 중 두 번째)
# 나이 카테고리(age_cat)별 생존률을 막대 그래프로 표시
plt.subplot(1, 3, 2)
sns.barplot(x='age_cat', y="survived", data=raw_data)

# 세 번째 서브플롯 (1행 3열 중 세 번째)
# 성별(sex)별 생존률을 막대 그래프로 표시
plt.subplot(1, 3, 3)
sns.barplot(x='sex', y="survived", data=raw_data)

# 서브플롯 간 간격 조정
# top, bottom, left, right: figure 경계와의 간격 (0.0~1.0)
# hspace: 서브플롯 간 세로 간격 (행 간격)
# wspace: 서브플롯 간 가로 간격 (열 간격)
plt.subplots_adjust(top=1, bottom=0.1, left=0.1, right=1, hspace=0.5, wspace=0.3)

# 그래프 출력
plt.show()

# 첫 번째 승객의 이름 확인
name = raw_data['name'][0]
print(f"1단계 - 원본 이름: {name}")

# 쉼표(,)로 분리 (성과 이름/호칭 분리)
name_parts = name.split(",")
print(f"2단계 - 쉼표로 분리: {name_parts}")

# 두 번째 부분 선택 (이름/호칭 부분)
name_part = name_parts[1]
print(f"3단계 - 두 번째 부분 선택: '{name_part}'")

# 점(.)으로 분리 (호칭과 이름 분리)
title_parts = name_part.split(".")
print(f"4단계 - 점으로 분리: {title_parts}")

# 첫 번째 부분 선택 (호칭)
title = title_parts[0]
print(f"5단계 - 첫 번째 부분 선택: '{title}'")

# 앞뒤 공백 제거
title_clean = title.strip()
print(f"6단계 - 공백 제거 후 최종 결과: '{title_clean}'")

# 최종 결과 반환
title_clean

extract_title = lambda name: name.split(",")[1].split(".")[0].strip()
raw_data['title'] = raw_data['name'].map(extract_title)

titles = raw_data['title'].unique()
titles

raw_data['title'] = raw_data['title'].replace("Mlle", "Miss")
raw_data['title'] = raw_data['title'].replace("Ms", "Miss")
raw_data['title'] = raw_data['title'].replace("Mme", "Mrs")

Rare_f = ["Lady", "Dona", "the Countess"]
Rare_m = ["Capt", "Master", "Col", "Don", "Dr", "Major", "Rev", "Sir", "Jonkheer"]

for each in Rare_f:
    raw_data['title'] = raw_data['title'].replace(each, "Rare_f")

for each in Rare_m:
    raw_data['title'] = raw_data['title'].replace(each, "Rare_m")

raw_data['title'].unique()

# 호칭(title)별 생존률 계산
# - title과 survived 컬럼만 선택하여 그룹화
# - groupby("title"): 호칭별로 그룹화 (Miss, Mr, Mrs, Master 등)
# - as_index=False: 그룹화 기준(title)을 인덱스가 아닌 일반 컬럼으로 유지
# - mean(): 각 그룹의 평균값 계산
#   * survived 컬럼의 경우 0(사망)과 1(생존)의 평균이므로 생존률을 의미
#   * 예: 0.5는 50% 생존률, 0.8은 80% 생존률
raw_data[["title", "survived"]].groupby(["title"], as_index=False).mean()

from sklearn.preprocessing import LabelEncoder

# 성별을 숫자로 변환하기
raw_data['sex'].unique()
labelEncoder = LabelEncoder()
labelEncoder.fit(raw_data['sex'])
raw_data['gender'] = labelEncoder.transform(raw_data['sex'])
raw_data.head()

# 결측값(missing value) 제거 - 데이터 전처리
# age 컬럼에서 결측값이 아닌 행만 선택 (나이 정보가 있는 승객만 유지)
# notnull(): 결측값(NaN)이 아닌 값을 True로 반환하는 boolean Series 생성
# 이를 인덱싱에 사용하여 결측값이 있는 행을 제거
raw_data = raw_data[raw_data['age'].notnull()]

# fare 컬럼에서 결측값이 아닌 행만 선택 (요금 정보가 있는 승객만 유지)
# 이전 단계에서 필터링된 데이터에 대해 추가로 필터링
# 머신러닝 모델 학습을 위해 필수적인 특성(age, fare)의 결측값을 가진 행은 제거
raw_data = raw_data[raw_data['fare'].notnull()]

# 필터링 후 데이터프레임의 기본 정보 확인
# 행 수가 줄어든 것을 확인할 수 있음 (1309 -> 1045)
# age와 fare 모두 값이 있는 행만 남았음을 확인
raw_data.info()

# 특성을 선택하고 데이터를 나누기

from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.metrics import accuracy_score

X = raw_data[['pclass', 'age', 'sibsp', 'parch', 'fare', 'gender']]
y = raw_data['survived']

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

dt = DecisionTreeClassifier(max_depth=4, random_state=42)
dt.fit(X_train, y_train)

pred = dt.predict(X_test)
print(accuracy_score(y_test, pred))

# [['pclass', 'age', 'sibsp', 'parch', 'fare', 'gender']]
dicaprio = pd.DataFrame([[3, 18, 0, 0, 5, 1]], columns=['pclass', 'age', 'sibsp', 'parch', 'fare', 'gender'])
winslet = pd.DataFrame([[1, 16, 1, 1, 100, 0]], columns=['pclass', 'age', 'sibsp', 'parch', 'fare', 'gender'])

print("Decaprio :", dt.predict_proba(dicaprio)[0,1])
print("Winslet :", dt.predict_proba(winslet)[0,1])