ステップ3：データの大きさと空欄を調べる

🎯 このステップでやること何人分のデータがあるのか、どこが空欄なのかを確認する。所要時間：約7分。

3-1. データの大きさを見る

📋 コード（新しいセルに貼り付けて実行）

print("train:", train.shape)
print("test :", test.shape)

✅ こう出れば成功

train: (891, 12)
test : (418, 11)

読み方は (行数, 列数) です。つまり、

• 学習用データ：891人分、12列（Survivedを含む）
• テストデータ：418人分、11列（Survivedがないので1列少ない）

つまりあなたは、418人の生死を予測することになります。提出ファイルは418行になります。この数字は後で必ず使うので、覚えておいてください。

3-2. 空欄（欠損値）がどこにあるか見る

📋 コード

train.isnull().sum()

✅ こう出れば成功

PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2
dtype: int64

これは「列ごとに、空欄が何個あるか」です。わかったことは3つ。

3-3. テストデータのほうも見る

📋 コード

test.isnull().sum()

✅ こう出れば成功 Age が86個、Fare が 1個、Cabin が327個 空欄になっています。

⚠️ ここ、重要です。 train では Fare に空欄がないのに、test には1個だけ空欄があります。これを見落とすと、後で「予測しようとしたらエラーが出る」という事故が起きます。train と test は必ず両方チェックする、と覚えてください。

3-4. 全体の生存率を見る

📋 コード

train["Survived"].value_counts()

✅ こう出れば成功

Survived
0    549
1    342
Name: count, dtype: int64

891人のうち、549人が死亡、342人が生存。生存率はおよそ 38% です。

📋 コード（割合で見る）

train["Survived"].mean()

✅ こう出れば成功

0.3838383838383838

💡 ここで1つ大事なことがわかります。仮に「全員死亡」と予測しただけで、正解率は約62%になります。つまり 62%は何もしなくても取れる点数 です。ここからどれだけ上積みできるかの勝負になります。

💡 何をしたのか（読み飛ばし可）

欠損値（空欄・NaN）は、そのままでは機械学習にかけられません。 必ず「何かで埋める」か「その列を使わない」かを決める必要があります。これはステップ7でやります。

おまけ：もっと見たい人向け（やらなくてOK）

train.info()        # 各列の型と、データがある件数
train.describe()    # 数値列の平均・最小・最大など

✅ ここまでできたら

• train は891行、test は418行だと確認した
• Age と Cabin と Embarked に空欄があると確認した
• test の Fare に空欄が1つあることに気づいた
• 全体の生存率が約38%だと確認した

次のステップは、この章でいちばん面白いところです。「誰が生き残ったのか」をデータから暴きます。