简介：面向数据科学初学者和机器学习爱好者的Kaggle泰坦尼克号经典实战资料包，完整包含train.csv、test.csv等核心数据集，以及带详细注释的Python源代码，适合用来快速入门数据预处理、特征工程与模型构建的完整流程。压缩包共6个文件，包括4个csv数据文件（训练集、测试集、提交示例等）和2个py脚本，整体仅40KB，轻量易用，下载后即可直接运行。已有1362人学习下载，是广受验证的入门练习资源。代码注释逐段解释关键操作，可跟随学习如何用Pandas清洗缺失值、编码分类变量、基于姓名与舱位构造新特征，并尝试逻辑回归、随机森林等模型进行训练与交叉验证，同时理解准确率、F1分数等评估指标。完成本项目后，不仅能掌握Kaggle竞赛的标准提交流程，还能积累一套可复用于其他表格型任务的建模与调参经验，为进阶数据科学实践打下扎实基础。

1. 泰坦尼克号Kaggle实战：一份能带你走完全流程的源码包

第一次上Kaggle的人，八成会被泰坦尼克号这个入门赛“教育”一顿。你以为难点在模型，结果卡在数据清洗；你以为调参能提分，结果发现提交格式错了直接零分。我拆过不少这类资源，真正能让人从零跑到提交的并不多，这份源码包算是把路铺平了——train.csv、test.csv、gender_submission.csv三个标准数据文件齐全，还带两个带注释的Python脚本example1.py和example2.py，以及一份已经做好的one-hot编码文件。它解决的就是“经典二分类任务怎么做完整流程”这件事：从读数据、清洗、特征工程到建模评估，再到生成可提交的预测文件。适合刚学完Pandas和Sklearn基础、想跑第一个完整项目的人，也适合想看看别人怎么写特征工程来对比思路的在职数据分析师。注意，它不教深度学习，就是经典机器学习路线。

2. 拆开压缩包：五个文件各自扮演什么角色

拿到压缩包别急着跑代码，先把五个文件的作用理清。这个项目的数据结构和Kaggle原版比赛一致，文件之间是严格对应的，少一个都跑不通。

2.1 train.csv与test.csv：训练和预测的边界

train.csv有891行，每行是一名乘客，包含12个字段：PassengerId、Survived、Pclass、Name、Sex、Age、SibSp、Parch、Ticket、Fare、Cabin、Embarked。其中Survived是标签列，1表示幸存，0表示遇难，这是模型要学习的目标。test.csv有418行，字段和train.csv完全一致，唯独没有Survived列——你的任务就是基于训练集学到的规律，预测这418人的生存概率。

两个文件的行数差异要留意：训练集891人、测试集418人，合起来1309人，并不是泰坦尼克号全部乘客（实际约2224人），这是Kaggle有意裁剪的子集，目的是保证训练和测试分布尽量接近。实际操作中，我习惯先df.info()看一下每列的非空计数，train.csv里Age缺了177个、Cabin缺了687个，test.csv同样有缺失，这种分布一致性是后续填充策略能直接复用的前提。

2.2 gender_submission.csv：你知道但别直接用的基线

这个文件是Kaggle官方给的基准答案，只依据Sex列做预测：女性全设为1，男性全设为0。418行，两列——PassengerId和Survived。它存在的意义不是让你直接提交，而是告诉你一个残酷事实：单靠性别这个特征，就能拿到约0.765的准确率（Kaggle评分用accuracy）。很多新手费半天劲调模型，最后分还不如这个无脑规则，所以它是个很好的“下限参考线”。

我的建议是拿它做三件事：第一，提交一次，确认自己的提交通道和数据格式没问题；第二，作为模型对比的baseline，任何模型效果低于它都说明特征工程白做了；第三，用它校验你最终生成的submission.csv的PassengerId顺序是否一致。这个文件的列顺序是PassengerId在前、Survived在后，生成提交文件时别搞反。

2.3 Taitan_onehot.csv：提前做好的特征工程样板

这个文件是已经把类别变量（Sex、Embarked、Pclass）转成one-hot编码后的训练集版本，1236行，14列（PassengerId + Survived + 12个编码后特征）。它最大的价值是省掉你重复敲pd.get_dummies()的时间，可以直接当输入跑模型。但我更建议把它当“对比样本”用——你手动做完预处理后，用pd.read_csv()分别读入手工版和自己处理版，df.equals()对比一下差异，能立刻发现自己漏了哪一步。

2.4 example1.py与example2.py：两套思路的完整代码

两个脚本注释都非常全，适合逐行跟读。example1.py是“快速出结果版”，用Pandas清洗数据、填充缺失值、直接训练逻辑回归并输出提交文件，整个流程紧凑，适合先跑通全链路。example2.py是“调参探索版”，加了特征工程细节（比如从Cabin提取首位字母、构造FamilySize），并用交叉验证评估多个模型（逻辑回归、随机森林、SVM、KNN），最后选出最优模型预测。从学习角度，先跑example1理解流程，再对比example2看特征工程对分数的影响，效果最好。

提示：两个脚本的预测结果文件会覆盖同一个submission.csv，跑完第二个记得回头看一眼，别提交错版本。

3. 数据预处理与特征工程：从原始表到模型输入的全流程代码

预处理决定模型分数的上限，这句话在泰坦尼克号上体现得尤其明显。原始数据直接丢给模型，准确率很难过0.8；但做好特征工程，随机森林就能跑到0.8以上。这一章给出完整可跑的代码，对应example1.py的主干逻辑并做扩展说明。

3.1 数据加载与初步探查：先看再动手

import pandas as pd import numpy as np train = pd.read_csv('train.csv') test = pd.read_csv('test.csv') full = pd.concat([train, test], axis=0, sort=False).reset_index(drop=True) print(full.shape) # (1309, 12) print(full.isnull().sum())

这段代码先分别读入两个csv，再用pd.concat沿行方向合并，得到一个1309行的完整表。合并的目的是让后续所有填充和编码操作对训练、测试数据一视同仁，避免出现“训练集填了均值、测试集忘记填”的尴尬。sort=False参数在Pandas新版本里是官方推荐设置，防止列顺序被打乱。reset_index(drop=True)则保证合并后索引连续，后面按位置切片时不会错位。isnull().sum()是必看的体检报告，这里会看到Age缺263个、Cabin缺1014个、Embarked缺2个。注意：合并后Cabin缺失比单独看train.csv更多，因为test.csv的Cabin缺得厉害。

3.2 缺失值填充：Age、Fare、Embarked三种不同策略

# 年龄：按Pclass分组填充中位数 full['Age'] = full.groupby('Pclass')['Age'].transform(lambda x: x.fillna(x.median())) # Fare：用整列中位数填充（唯一缺失） full['Fare'] = full['Fare'].fillna(full['Fare'].median()) # Embarked：用众数填充 full['Embarked'] = full['Embarked'].fillna(full['Embarked'].mode()[0])

三个缺失字段的填充逻辑完全不同，这是有实际考量的。Age与Pclass相关性高——一等舱乘客平均年龄更大，所以按舱位分组取中位数比全局中位数更贴近真实分布。Fare只有一个缺失值，直接全局中位数就行，没必要复杂化。Embarked缺失2个，用众数（S港口）填充是通行做法。这里的参数值得记一下：groupby('Pclass')['Age'].transform(lambda x: x.fillna(x.median()))这段，如果用full['Age'].fillna(full['Age'].median())替代，分数会掉约0.01，差别不大但积少成多。填充完建议再跑一遍isnull().sum()，确认全为0再继续。

3.3 特征构造：Cabin首位字母、家庭规模、名字头衔

# 从Cabin提取舱室区域字母，没有的填'U'（Unknown） full['Cabin_Letter'] = full['Cabin'].apply(lambda x: x[0] if pd.notnull(x) else 'U') # 家庭成员总数：自己 + 兄弟姐妹/配偶 + 父母/子女 full['FamilySize'] = full['SibSp'] + full['Parch'] + 1 # 从姓名提取头衔：Mr、Mrs、Miss、Master等 full['Title'] = full['Name'].apply(lambda x: x.split(',')[1].split('.')[0].strip()) # 独身标记：FamilySize == 1 full['IsAlone'] = (full['FamilySize'] == 1).astype(int)

这四个新特征的价值依次是：Cabin首位字母分出A-G七个区域加上未知U，一等舱乘客Cabin值更完整，这个特征间接携带了舱位层级信息；FamilySize捕捉“一家人同生共死”的强规律，实测FamilySize为2和4的生存率高，为1和大于5的生存率低，这是非线性关系；Title能把女性里的Mrs、Miss、Master区分开，因为她们生存率差异很大；IsAlone是FamilySize的二值化简化版，有些模型对0/1特征更友好。这里的split(',')[1].split('.')[0].strip()是典型的字符串清洗三板斧，先按逗号切出名字段，再按句号切出头衔，最后去掉首尾空格。

3.4 分类变量编码与特征矩阵拼接

# 转成category类型，XGBoost和Sklearn能直接处理 full['Sex'] = full['Sex'].map({'male': 0, 'female': 1}) full['Embarked'] = full['Embarked'].map({'S': 0, 'C': 1, 'Q': 2}) # 类别型特征做one-hot features = ['Pclass', 'Sex', 'Cabin_Letter', 'Embarked', 'Title'] full = pd.get_dummies(full, columns=features, drop_first=False) # 数值特征做标准化 from sklearn.preprocessing import StandardScaler scaler = StandardScaler() for col in ['Age', 'Fare', 'FamilySize']: full[col] = scaler.fit_transform(full[col].values.reshape(-1, 1))

Sex和Embarked两个二分/三分变量直接用映射编码成整数，逻辑回归能理解大小关系，但你要知道这是有损的——把男/女映射成0/1没问题，把C/Q/S映射成1/2/3就隐含了“Q(2) > C(1)”的错误方向。所以Embarked和Cabin_Letter、Title一起走one-hot，彻底消除大小关系。drop_first=False保留全部列而不是去掉一列，牺牲一点特征维度换回可解释性。StandardScaler这步在逻辑回归里是非做不可的，因为梯度下降对特征尺度敏感；在随机森林里做不做都行，但统一做没坏处。注意reshape(-1, 1)是Sklearn的老要求，新版本也跳不过这一下。

处理好后，把合并表重新切回训练集和测试集：

train_processed = full[full['Survived'].notnull()] test_processed = full[full['Survived'].isnull()] X = train_processed.drop(['Survived', 'PassengerId', 'Name', 'Ticket'], axis=1) y = train_processed['Survived'].astype(int) X_test = test_processed.drop(['Survived', 'PassengerId', 'Name', 'Ticket'], axis=1) print(X.shape) # (891, 47) print(X_test.shape) # (418, 47)

drop掉PassengerId是防止模型把它当连续特征学习——实际上它是纯编号，和生存没有任何关系；Name和Ticket在构造完Title后也完成了历史使命。到这里，X是47维特征矩阵，y是0/1标签，模型可以进场了。

4. 模型训练、调参与评估：从默认参数到交叉验证选优

数据准备好了，模型选择就是最后一道坎。泰坦尼克号这个任务样本量只有891，不适合深度学习，经典机器学习足够。这一章对应example2.py的核心逻辑。

4.1 逻辑回归先打底：理解模型行为再谈优化

from sklearn.linear_model import LogisticRegression from sklearn.model_selection import cross_val_score lr = LogisticRegression(max_iter=1000, C=0.1, random_state=42) scores = cross_val_score(lr, X, y, cv=5, scoring='accuracy') print(f"LR CV Accuracy: {scores.mean():.4f} (+/- {scores.std():.4f})")

先说一下为什么第一站选逻辑回归：它不是效果最好的模型，但它是最容易理解“特征如何影响预测”的模型，系数直接对应每个特征的权重方向。max_iter=1000是防止默认值（100）在特征维度较高时迭代不收敛；C=0.1是正则化强度的倒数，C越小正则越强，在47维特征里适度正则能压制噪声。cross_val_score默认返回5折准确率，这里考察的是平均分和标准差——平均分看模型真实水平，标准差看稳定性，如果标准差超过0.03说明模型对数据划分敏感，需要检查是否有异常特征。

这段代码跑完通常能得到约0.81左右的平均准确率。此时建议打印系数看看哪些特征权重绝对值大，和常识对照验证模型没学歪。

4.2 多模型对比：随机森林、SVM、KNN在同一基准下比拼

from sklearn.ensemble import RandomForestClassifier from sklearn.svm import SVC from sklearn.neighbors import KNeighborsClassifier models = { 'RandomForest': RandomForestClassifier(n_estimators=200, max_depth=5, random_state=42), 'SVM': SVC(kernel='rbf', C=1.0, gamma='scale', random_state=42), 'KNN': KNeighborsClassifier(n_neighbors=5) } for name, model in models.items(): cv_scores = cross_val_score(model, X, y, cv=5, scoring='accuracy') print(f"{name}: {cv_scores.mean():.4f} (+/- {cv_scores.std():.4f})")

三个模型的核心参数意图：随机森林n_estimators=200保证树的数量足够，max_depth=5限制单棵树深度防止过拟合——泰坦尼克号特征维度小，深度大了纯属浪费还容易记住噪声；SVM用rbf核函数处理非线性边界，gamma='scale'让Sklearn根据特征维度自动推算gamma值，这是新版Sklearn的推荐写法，手动指定一个数字反而容易翻车；KNN的n_neighbors=5是经验值，取太大（比如20）会把不同类别的样本混为一谈，取太小（比如1）则完全没有泛化能力。

跑完这组对比，通常会出现一个很有意思的结果：随机森林和SVM分数接近（约0.81-0.82），KNN明显偏低（约0.78）。这不是KNN不适合，而是它对人造的高维one-hot特征不敏感，距离计算被大量0值稀释。

4.3 网格搜索调参：把交叉验证分数再往上顶一点

from sklearn.model_selection import GridSearchCV param_grid = { 'n_estimators': [100, 200, 300], 'max_depth': [3, 5, 7], 'min_samples_split': [2, 5, 10] } rf = RandomForestClassifier(random_state=42) grid = GridSearchCV(rf, param_grid, cv=5, scoring='accuracy', n_jobs=-1) grid.fit(X, y) print(f"Best params: {grid.best_params_}") print(f"Best CV score: {grid.best_score_:.4f}")

GridSearchCV会遍历3×3×3=27组参数组合，每组做5折交叉验证，共135次训练。n_jobs=-1让所有CPU核心并行跑，27组大概耗时几十秒。min_samples_split是新增的考察维度——它控制一个节点要继续分裂需要的最少样本数，数值越大模型越保守、越不容易过拟合。跑完看best_params_，如果最优的max_depth是7或更大，说明当前特征量下模型还没到过拟合边界；如果最优是3，说明特征里的噪声已经不少了。泰坦尼克号最优参数通常集中在max_depth=5、min_samples_split=5附近，比默认参数能提升0.005-0.01个点。

4.4 行业通用习惯：把最终分数理解为置信区间

调参结束后，我习惯把5折交叉验证的每一折分数单独打印出来看分布。如果5个分数分别是0.81、0.82、0.80、0.83、0.81，说明稳定；如果出现0.78、0.85、0.79、0.83、0.80，说明某一折的数据划分导致模型表现波动大，这时回查是否有极端离群样本在干扰。0.81这个交叉验证分数到了Kaggle公共榜大概会落在0.78左右，这个折扣是因为训练集和测试集分布有细微信号差异，属正常现象，别慌。

5. 避坑指南：泰坦尼克号最常见的五个翻车点

这个项目我见人踩过太多坑，而且几乎全是低级错误。每一条都按“现象 → 原因 → 解决”写清楚，你遇到的时候直接对号入座。

5.1 提交后得零分：PassengerId对不上

现象：本地交叉验证0.82，提交到Kaggle得0.0分。原因：生成提交文件时，预测结果的行顺序和test.csv的原始顺序不一致，或者PassengerId列没有从test.csv原样拷贝。解决：提交前先用test['PassengerId']当作提交文件的第一列，然后用.reset_index()确认行索引没有乱序。我习惯在生成submission前跑一行断言代码：assert len(pred) == len(test) and test['PassengerId'].is_unique，快速校验后再写文件。

5.2 训练和测试一起处理时泄漏了Survived标签

现象：交叉验证0.86，提交只有0.75，差价大到离谱。原因：用pd.concat([train, test])合表后，对全表做填充时不小心用了Survived信息——比如按Survived分组填充Age，或者后续切分时没有把Survived列干净分离。解决：严格按“先合并处理、再按Survived是否为空切回”的顺序操作，切分后立刻检查X里不得存在Survived列：assert 'Survived' not in X.columns。这条断言值得写进每个项目的预处理脚本里。

5.3 男性乘客预测全错：性别映射写反了

现象：训练集准确率很高，但提交文件里男性全预测为1、女性全预测为0。原因：{'male': 0, 'female': 1}手滑写成{'male': 1, 'female': 0}，或者直接用LabelEncoder编码Sex列，编码结果完全随机。解决：映射字典只有两种写法，务必跑一行print(train[['Sex', 'Survived']].groupby('Sex').mean())确认女性平均生存率高于男性，再回头检查映射表。这一步不花时间，但能省一次没必要的提交次数。

5.4 Cabin缺失值过多，直接删列导致分数暴跌

现象：看到Cabin缺失1014个直接drop('Cabin', axis=1)，然后发现分数从0.81掉到0.78。原因：Cabin虽然有大量缺失，但“缺失本身”就是信息——Cabin有值的乘客多为高舱位，生存率相对更高。直接删列等于把这个信号扔了。解决：提取Cabin_Letter并保留'U'作为独立类别，让模型自己学习缺失和非缺失的差别。这也是我坚持不简单drop列的原因，宁可多一个分类也别少一条线索。

5.5 Age用全局均值填充，导致性别与年龄交互失效

现象：特征工程做完后，模型始终在0.79-0.80之间上不去。原因：全局均值填充会让大量乘客年龄集中在同一个值附近，削弱了“儿童生存率高”这个关键信号，尤其把真正的儿童样本稀释了。解决：改用groupby('Pclass')['Age'].transform(lambda x: x.fillna(x.median()))，保留舱位与年龄的相关性。另外，年龄可以再试一下pd.cut分桶成儿童/青年/中年/老年，有时比连续值效果更好，这个可以自己对比验证。

6. 验证与提交：用交叉验证、学习曲线和提交反馈循环调优

到这里模型已经能跑了，但在按下提交按钮之前，有三件收尾工作值得认真做。第一件是“模型分数是否可信”的验证，第二件是“提交文件格式是否正确”的自检，第三件是拿官方baseline文件做对照实验。

6.1 学习曲线判断模型状态：欠拟合还是过拟合

from sklearn.model_selection import learning_curve train_sizes, train_scores, test_scores = learning_curve( grid.best_estimator_, X, y, cv=5, train_sizes=[0.3, 0.5, 0.7, 0.9, 1.0] ) train_mean = train_scores.mean(axis=1) test_mean = test_scores.mean(axis=1) for size, tr, te in zip(train_sizes, train_mean, test_mean): print(f"Train: {size:.0f}, Train Acc: {tr:.3f}, CV Acc: {te:.3f}")

learning_curve通过逐步增加训练集大小观察两条曲线。如果训练集分数高但交叉验证分数低，中间差距大，说明过拟合，考虑加强正则化或补充数据；如果两者都低，说明欠拟合，需要加特征或换复杂模型。泰坦尼克号891条样本，跑这个分析能看到训练集分数约0.84、验证分数约0.81，差距小于0.05就属于健康状态。每行输出对应一个训练集规模，从小到大看趋势是最有效的判断方式。

6.2 提交文件生成与格式自检

pred = grid.best_estimator_.predict(X_test) submission = pd.DataFrame({ 'PassengerId': test_processed['PassengerId'].astype(int), 'Survived': pred.astype(int) }) submission.to_csv('submission.csv', index=False)

写入文件前做四件事：第一，submission.shape应为(418, 2)；第二，PassengerId顺序和test.csv完全一致；第三，Survived只含0和1两种值；第四，列名严格命名为PassengerId和Survived。astype(int)把预测结果从浮点数或布尔值转成Kaggle要求的整型，同时避免文件里出现小数。如果你用predict_proba取概率再设阈值，记得阈值默认0.5，用(proba[:, 1] > 0.5).astype(int)可以更灵活地调正负例平衡点。

6.3 提交后反馈循环：公共榜分数接近于交叉验证时说明一切正常

Kaggle每天限制提交次数，更合理的做法不是反复试，而是用交叉验证分数预估自己的区间。拿到提交后的公共分数，如果比交叉验证低0.03以内，说明模型泛化正常，可以在这里停下并保存当前模型和参数。如果低了0.05以上，优先检查是否数据泄漏或测试集与训练集分布差异大，这时去调整特征比盲调参更有意义。如果公共分数反而高于交叉验证，别高兴太早——很可能是在小测试集上的随机波动，后续几天的私有榜才会见真章。

从那以后我每次跑泰坦尼克号这个项目，都会逼自己走一遍“加载→清洗→特征→训练→提交文件自检→交叉验证对比公共分”的完整闭环，一步都不省。这个流程看起来繁琐，但它能帮你过滤掉绝大多数低级错误，把精力真正留给特征和模型。希望你在这个项目上少走我走过的弯路，一次跑通全链路。

本文还有配套的精品资源，点击获取