对数据特征经过“清洗”后，现在训练数据中只剩下相关的变量，通过皮尔森系数探索相关变量对预测变量的影响，并将相关关系进行可视化：
(1)colormap=plt.cm.viridis：设置图谱色系
(2)plt.figure：绘图，其中参数可有：num（图像编号或名称）,figsize（指定宽和高），dpi（指定绘图对象的分辨率），facecolor（背景颜色）edgecolor（边框颜色）frameon（是否显示边框）
(3)sns.heatmap()：热力图用于分析特征的两两相关。
！在输出热力图时可能会出现中文乱码的问题，这是因为matplotlib中默认字体没有中文字体，此时在文件开头处导入
import matplotlib as mpl
mpl.rcParams['font.sans-serif']=['SimHei'] SimHei是黑体即可。
得到皮尔森相关系数热力图后，分析特征之间的关系，皮尔森系数在[-1,1]，越接近1或-1，表明正/反线性关系越强，为0则表示两个变量间没有线性关系。
发现对于“Survived”变量来说“Sex”和“Title”相关性较大，而“Sex”和“Title”两者之间的相关性很强，这就说明两个特征是有相同的作用的，类比PCA主成分分析的方法，这两个特征之间选一个主成分即可。现在分析每一种特征对幸存的影响。
(1)数据“清洗”过程中将Title最后映射为了5种：Mr:1;Miss:2;Mrs:3;Master:4;Rare:5
计算每一个值下幸存占该类总人数的比例，由此得到哪一类人最有可能幸存。
Sex也使用同样的方法，通过分组聚合计算每一类下的值。
最后通过计算比例发现：Title的信息值比Sex更明显，这也符合我们的直觉，因为Title称呼中一般隐含了性别的信息，为了证实这个结论，可以使用原始数据（未经过映射）检查由Title分组得到的Sex分布。mean=sum/count;很明显在这里sum为男人的数量。最后的数据显示Title可以捕捉到Sex中的信息，结论得到证实。
另外Title可能对其他特征例如年龄、社会级别、名人等是有价值的。
经过以上的分析，Title极有可能是决策树中的第一特征，Sex可能就是无用的特征。