网上的例子：
https://github.com/donnemartin/data-science-ipython-notebooks/blob/master/kaggle/titanic.ipynb
作为一个data mining的雏，这两天试了试kaggle上面的beginner competition，就是著名的泰坦尼克幸存分析，我遇到的主要的问题就是如何处理缺失数据
按照常识在使用scikit-learn处理数据之前，都要把文字数据转变成数字，否则无法使用core function计算
在这个例子中，自然是做classification，所以呢不可能把文字转换成字典映射数字，因为诸如性别男女，客舱等级，上船码头都是categorical的数据，所以特别容易转换成integer
转换的方法也很简单，pandas可以方便的将一个column的类型转换成category，然后再用与category index相同长度的自然数升序数组来rename_categories
另外一种方法是得到这个column的unique值，然后用dict（zip（unique vales，range（0，len(unique values)+1）得到自然数升序数组和unique值之间的映射，然后再用pandas的map函数将自然数一一对应的添加到dataframe里
说道处理缺失的数据，scikit有个module叫imputer,sklearn.Imputer,推算者，推算子，直接将nan或者为0的数据用mean或者median或者最常出现的数据代替
而我看到网上一个例子是没有使用imputer，而是在自己对数据进行初步的直观分析后，在每个groupby里各自使用该group中的median进行替代
接下来就该使用回归方法（linear_model）或者分类方法(classification)来通过X建立关系式，然后预测测试值，最后评估模型的预测正确率
网上的例子使用random forest，我使用的是DecisionTree，在使用我的相对比较简单的预处理数据的情况下他得到了79%的正确率，而我只得到了77%，我还是这用logisticregression和svm结果非常不理想啊，至于为什么还没有研究
我还没有尝试使用它的groupby+median的数据预处理方法，例子给出的结果是83%的正确率
评估结果的module叫metric，他能通过比较预测得到的Y_test和真实值Y_true得到一个score来反映正确率，当然还有其他函数能给出更详细的比较结果