[adp 실기] Titanic 데이터 실습 1

kaggle titanic 데이터 출처 :  https://www.kaggle.com/c/titanic

패키지

library(data.table)

기본적으로 data.table형식으로 진행

데이터 불러오기

> getwd() # 지정된 디렉토리 확인 / [1] "C:/R/kaggle"

> train <- fread(input = "data/import/train.csv",

                     na.strings = "")

> test <- fread(input = "data/import/test.csv",

                     na.strings = "")

data.table::fread : 데이터 테이블 형식으로 불러오는 함수 

fread(input = "데이터 디렉토리",

       sep ="," , # 구분자  [,\t |;:] 

       header = TRUE , # 첫줄 컬럼명 여부

       stringsAsFactors = TRUE,  # character형 컬럼을 Factor 형식으로 변경

       na.strings = "") # 결측치 처리 NA로 변경

데이터 확인

> ncol(train)

[1] 12

> ncol(test)

[1] 11

> colnames(train)

 [1] "PassengerId" "Survived"    "Pclass"      "Name"        "Sex"        

 [6] "Age"         "SibSp"       "Parch"       "Ticket"      "Fare"       

[11] "Cabin"       "Embarked"   

> colnames(test)

 [1] "PassengerId" "Pclass"      "Name"        "Sex"         "Age"        

 [6] "SibSp"       "Parch"       "Ticket"      "Fare"        "Cabin"      

[11] "Embarked"   

> test$Survived <- NA

> fullDT <- rbindlist(list(test,train), use.names = TRUE) 

test데이터에 Survived 변수가 없기때문에 NA값으로 넣어준다.

이후 결측치 처리 이상치 처리 등등 데이터 변형을 위해 train 데이터와 test를 합쳐 fullDT로 만든다.

fullDT 데이터 형식 변경

> str(fullDT)

Classes ‘data.table’ and 'data.frame': 1309 obs. of  12 variables:

 $ PassengerId: int  892 893 894 895 896 897 898 899 900 901 ...

 $ Pclass     : int  3 3 2 3 3 3 3 2 3 3 ...

 $ Name       : chr  "Kelly, Mr. James" "Wilkes, Mrs. James (Ellen Needs)" "Myles, Mr. Thomas Francis" "Wirz, Mr. Albert" ...

 $ Sex        : chr  "male" "female" "male" "male" ...

 $ Age        : num  34.5 47 62 27 22 14 30 26 18 21 ...

 $ SibSp      : int  0 1 0 0 1 0 0 1 0 2 ...

 $ Parch      : int  0 0 0 0 1 0 0 1 0 0 ...

 $ Ticket     : chr  "330911" "363272" "240276" "315154" ...

 $ Fare       : num  7.83 7 9.69 8.66 12.29 ...

 $ Cabin      : chr  NA NA NA NA ...

 $ Embarked   : chr  "Q" "S" "Q" "S" ...

 $ Survived   : int  NA NA NA NA NA NA NA NA NA NA ...

 - attr(*, ".internal.selfref")=<externalptr> 

fullDT$Pclass <- as.factor(fullDT$Pclass)

fullDT$Sex <- as.factor(fullDT$Sex)

fullDT$Cabin <- as.factor(fullDT$Cabin)

fullDT$Embarked <- as.factor(fullDT$Embarked)

fullDT$Survived <- as.factor(fullDT$Survived)

> str(fullDT)

Classes ‘data.table’ and 'data.frame': 1309 obs. of  12 variables:

 $ PassengerId: int  892 893 894 895 896 897 898 899 900 901 ...

 $ Pclass     : Factor w/ 3 levels "1","2","3": 3 3 2 3 3 3 3 2 3 3 ...

 $ Name       : chr  "Kelly, Mr. James" "Wilkes, Mrs. James (Ellen Needs)" "Myles, Mr. Thomas Francis" "Wirz, Mr. Albert" ...

 $ Sex        : Factor w/ 2 levels "female","male": 2 1 2 2 1 2 1 2 1 2 ...

 $ Age        : num  34.5 47 62 27 22 14 30 26 18 21 ...

 $ SibSp      : int  0 1 0 0 1 0 0 1 0 2 ...

 $ Parch      : int  0 0 0 0 1 0 0 1 0 0 ...

 $ Ticket     : chr  "330911" "363272" "240276" "315154" ...

 $ Fare       : num  7.83 7 9.69 8.66 12.29 ...

 $ Cabin      : Factor w/ 186 levels "A10","A11","A14",..: NA NA NA NA NA NA NA NA NA NA ...

 $ Embarked   : Factor w/ 3 levels "C","Q","S": 2 3 2 3 3 3 2 3 1 3 ...

 $ Survived   : Factor w/ 2 levels "0","1": NA NA NA NA NA NA NA NA NA NA ...

 - attr(*, ".internal.selfref")=<externalptr> 

정수형과 문자열로 인식하는 범주형 변수들을 

범주형으로 변경한다.

범주형 변수들 컬럼을 확인하고 싶으면 아래 처럼 한다.

> names(Filter(is.factor, fullDT))

[1] "Pclass"   "Sex"      "Cabin"    "Embarked" "Survived"

> head(fullDT)

   PassengerId Pclass                                         Name    Sex  Age

1:         892      3                             Kelly, Mr. James   male 34.5

2:         893      3             Wilkes, Mrs. James (Ellen Needs) female 47.0

3:         894      2                    Myles, Mr. Thomas Francis   male 62.0

4:         895      3                             Wirz, Mr. Albert   male 27.0

5:         896      3 Hirvonen, Mrs. Alexander (Helga E Lindqvist) female 22.0

6:         897      3                   Svensson, Mr. Johan Cervin   male 14.0

   SibSp Parch  Ticket    Fare Cabin Embarked Survived

1:     0     0  330911  7.8292  <NA>        Q     <NA>

2:     1     0  363272  7.0000  <NA>        S     <NA>

3:     0     0  240276  9.6875  <NA>        Q     <NA>

4:     0     0  315154  8.6625  <NA>        S     <NA>

5:     1     1 3101298 12.2875  <NA>        S     <NA>

6:     0     0    7538  9.2250  <NA>        S     <NA>

> dim(fullDT)

[1] 1309   12

head() 함수로 간단히 데이터를 확인하고 dim 함수로 데이터 row 개수와 col  개수를 한번에 확인한다.

데이터를 불러와 데이터 정제와 전처리 할 준비를 끝냈다.

아래는 타이타닉 데이터에서 사용하는 변수에 대한 설명이다.

변수명	설명
PassengerId	승객 ID
Pclass	승객 class ( )
Name	이름
Sex	성별
Age	나이
SibSp	Siblings(형제/자매), Spouses(배우자) 동승자수
Parch	Parents(부모), Children(자녀) 동승자수
Ticket	티켓번호
Fare	요금
Cabin	객실
Embarked	승선장소
Survived	생존 여부