一、導(dǎo)入數(shù)據(jù)集

import pandas as pd

import numpy as np?

import matplotlib.pyplot as plt?

from pandas import Data Frame

from pandas import Series

%matplotlib inline

df = pd.read_csv('titanic_data.csv', index_col=0)

df.head(5)

image.png

以下為Data Dictionary

PassengerId：乘客的ID

Survived：乘客是否獲救，Key：0=沒獲救，1=已獲救

Pclass：乘客船艙等級（1/2/3三個等級艙位）

Name：乘客姓名

Sex：性別

Age：年齡

SibSp：乘客在船上的兄弟姐妹/配偶數(shù)量

Parch：乘客在船上的父母/孩子數(shù)量

Ticket：船票號

Fare：船票價

Cabin：客艙號碼

Embarked：登船的港口

變量類型說明

數(shù)值變量：Age、SibSp、Parch、Fare

分類變量：Pcalss, Sex, Cabin, 和Embarked

二、提出問題和猜想

影響乘客生還率的因素可能有哪些

猜測因素包括：

年齡

性別

客艙等級

票價

家人數(shù) (因從電影了解到，婦女兒童獲救概率高，且一等艙因為靠近最高層獲救可能性更高。)

三、數(shù)據(jù)預(yù)處理

數(shù)據(jù)預(yù)處理包括：

1、查看缺失值，并對缺失值刪除或填充

2、刪除不需要的數(shù)據(jù)

3、對數(shù)據(jù)進行分組或合并

查看CSV中各列的缺失值

df

image.png

從以上所列數(shù)據(jù)可知：總共891個乘客，其中有缺失值部分的是：Age中只有714個，Cabin中只有204，而Embarked是889

填充Age中的缺失值

df['Age'].fillna(df['Age'].median(), inplace=True)

乘客名字、船票、客艙號碼和登船的港口，與生存率關(guān)系不大，可直接刪除。

df.drop(['Cabin', 'Embarked', 'Name', 'Ticket'], axis=1, inplace=True)

df.head(5)

image.png

根據(jù)分析目的，猜測家人數(shù)與被獲救可能有關(guān)，因此將SibSP與Parch兩組合并成一組親屬

df['rel'] = df['SibSp'] + df['Parch']

df.head(6)

image.png

df.describe()

image.png

從以上數(shù)據(jù)結(jié)果可看出，平均的生還率是0.38，乘客平均年齡是29.69歲，最小的乘客4個月，最大的乘客年齡80歲。年齡的中位數(shù)是28歲。

四、數(shù)據(jù)分析

通過描述性分析和數(shù)據(jù)可視化分析結(jié)果，探索乘客生還的因素

單變量探索，查看船上乘客和票價的整體分布情況

%matplotlib inline?

import matplotlib.pyplot as plt

fig,ax = plt.subplots(nrows=1,ncols=2,figsize=(15,5))

df["Age"].hist(ax=ax[0])

ax[0].set_title("Hist plot of Age")

df["Fare"].hist(ax=ax[1])

ax[1].set_title("Hist plot of Fare")

image.png

乘客的年齡集中在20-40歲之間，大部分乘客的票價很低，基本在0-100之間。

單變量探索，查看船上性別的整體分布情況

Sex_count = df.Sex.value_counts()

print Sex_count

image.png

Sex_count.plot(kind='pie',autopct = '%3.1f%%');

image.png

船上絕大多數(shù)為女性，不到兩倍。

探索性別、船艙等級和生還率的關(guān)系

image.png

variable_visulization('Pclass')

image.png

乘客中，三等艙的乘客最多，一等艙和二登艙乘客相差不多。大部分乘客未獲救，同時，船艙等級越高，生還率越大。一等艙的獲救比例是最高的，三等艙人數(shù)最多，但生還率最低。

variable_visulization('Sex')

image.png

以上圖結(jié)果可知，大部分人是沒有被獲救的，且獲救的乘客中，女性遠遠大于男性，大概有三倍之多。

接下來探索，不同船艙等級、性別與生還率的關(guān)系

image.png

從圖中可以看出，不管是在什么等級的船艙，女性的生還率都是高于男性的。但無論男女，船艙等級越高，生還率越高。

探索生還的乘客年齡

創(chuàng)建新的一列，儲存乘客的年齡范圍

bins = np.arange(0, 80, 10)

df['Age_group'] = pd.cut(df['Age'], bins)

將"Age_group"分組，并計算各年齡段的生還率

survival_count_by_age_bracket = df.groupby(['Age_group'])['Survived'].count()

survival_rate_by_age_bracket = df.groupby(['Age_group'])['Survived'].mean()

print survival_rate_by_age_bracket

print survival_count_by_age_bracket

image.png

figure = plt.figure(figsize=(13,8))

plt.hist([df[df['Survived']==0]['Age']], stacked=True, color = ['g'],? ? ? ? bins =30,label = ['Survived'])

plt.xlabel('Age')

plt.ylabel('Number of passengers')

plt.legend()

plt.title("Age of plot")

image.png

從數(shù)據(jù)中可知，0-10歲的生還率是最高的，而圖中可知，大部分的被獲救的乘客介于0-30歲之間。

從圖中可知，票價低的乘客罹難可能性更高。

探索攜帶了親屬的乘客，與生還率的關(guān)系

rel_count = df.rel.value_counts()

print rel_count

image.png

survival_rate_by_sibsp_parch = df.groupby('rel')['Survived'].mean()

print survival_rate_by_sibsp_parch

image.png

survival_rate_by_sibsp_parch.plot(kind='bar')

plt.title('Survival by rel', fontsize=16)?

plt.xlabel('rel')

plt.ylabel('Survial Rate')

plt.ylim(0, 1)

image.png

雖然從圖中可知，親屬越多，生還的可能性越大。

探索年齡、票價和生還率的關(guān)系

plt.figure(figsize=(13,8))

ax = plt.subplot()

ax.scatter(df[df['Survived']==1]['Age'],df[df['Survived']==1]['Fare'],c='green',s=40)

ax.scatter(df[df['Survived']==0]['Age'],df[df['Survived']==0]['Fare'],c='red',s=40)

ax.set_xlabel('Age')

ax.set_ylabel('Fare')

ax.legend(('survived','dead'),scatterpoints=1,loc='upper right',fontsize=15,)

image.png

罹難乘客的年齡集中在15-50歲之間的低票價乘客

總結(jié)

通過數(shù)據(jù)可視化結(jié)果，對初期提出的猜測做出以下結(jié)論：

1、女性生還率遠遠高于男性，大約是3倍左右。

2、0-10歲的幼兒生還率遠遠大于成年人，15-50歲的低票價乘客罹難最多。

3、票價越高，生還率越高?？团摰燃壴礁?，生還率越高。

4、親屬越多，生還的可能性越大。

說明：通過使用python對泰坦尼克號的生還數(shù)據(jù)進行分析，初步得出了一些結(jié)論，但這些結(jié)論僅通過可視化和描述性統(tǒng)計得出，缺乏進一步深入的分析，結(jié)論的可靠性有待驗證。 另外，由于數(shù)據(jù)中有缺失值，對分析造成了負面影響。