Data Mining (Klasifikasi)

   1.      Import library yang diperlukan

   %matplotlib inline

   import numpy as np

   import scipy as sp

   import matplotlib as mpl

   import matplotlib.cm as cm

   import matplotlib.pyplot as plt

   import pandas as pd

   from pandas.tools.plotting import scatter_matrix

   pd.set_option('display.width',500)

   pd.set_option('display.max_columns',100)

   pd.set_option('display.notebook_repr_html',True)

   import seaborn as sns

   sns.set(style='whitegrid')

   from sklearn.tree import DecisionTreeClassifier

   from sklearn import metrics

   from sklearn.model_selection import train_test_split

   2.      Load Data Set

   data= pd.read_csv('E:/KULIAH/SEMESTER 6/DATMIN/Materi/train.csv')

   Cek Data Set

   data.head()

   3.      Pemahaman data (EDA) dan preprocess data

   ·         Statistik

   data.describe()

   ·         Visual

   data["Survived"].value_counts().plot(kind="bar")

   data["Survived"].value_counts()

   4.      Perbandingan survival rated engan variable lainnya

         a.      Buat fungsi untuk menghitung dan menampilkan grafiknya

         def survival_stacked_bar(variable):

         Died=data[data["Survived"]==0][variable].value_counts()/len(data["Survived"]==0)

         Survived=data[data["Survived"]==1][variable].value_counts()/len(data["Survived"]==1)

         data=pd.DataFrame([Died,Survived])

         data.index=["Did not survived", "Survived"]

         data.plot(kind="bar",stacked=True,title="Percentage")

         return data.head()

        b.      Panggil fungsi tersebut

        survival_stacked_bar("Sex")

   5.      Preprocess Data

         a.       Missing Value? Cek apakah ada missing value

          data.isnull().sum()

         b.      Membuat stacked bar

          def titanic_corr(data):

          correlation = data.corr()

          sns.heatmap(correlation, annot=True, cbar=True, cmap="RdYlGn")

         c.       Melihat stacked bar

          titanic_corr(data)

         d.      Menambah kolom ‘Title’ untuk memberi tingkatan pada gelar penumpang

          data.insert(value=data.Name.map(lambda name: name.split(",")[1].split(".")[0].strip()),loc=12,column="Title")

          e.       Isi kolom ‘Title’

          title_map={'Capt':1,

                  'Col': 1,

                  'Mayor': 1,

                  'Jonkheer': 2,

                  'Don': 2,

                  'Sir': 2,

                  'Dr': 3,

                  'Rev': 3,

                  'the Countess': 2,

                  'Dona': 2,

                  'Mme': 4,

                  'Mlle': 5,

                  'Ms': 4,

                  'Mr': 6,

                  'Mrs': 7,

                 ' Miss': 8,

                 'Master': 9,

                 'Lady': 2,}

         data["Title"]=data.Title.map(title_map)

        f.        Cek data setelah ditambahkan kolom ‘Title’

         data

         g.      Mengubah jenis kelamin menjadi angka 0 dan 1

         sex_map={"male":1,"female":0}

         data["Sex"]=data["Sex"].map(sex_map)

         h.      Cek data setelah melakukan perubahan

         data