Python-泰坦尼克号生存率预测

链接: kaggle算法泰坦尼克号生存率预测.

1. 准备工具

# 导入包
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings

#准备前置工作
sns.set(style='darkgrid')   #使用画图风格
warnings.filterwarnings('ignore') #忽略警告
%matplotlib inline

2. 读取数据

train_data = pd.read_csv(r'titanic\train.csv')
test_data = pd.read_csv(r'titanic\test.csv')

3. 先观察数据内容

先观察训练集数据：

train_data.head() 

• PassengerId：旅客序号，对生存率无影响
• Survived：生存（目标值）（“0”代表死亡，“1”代表生存）
• Pclass：阶层，社会地位 （分为1，2，3阶层，1阶层地位最高）
• Name：旅客姓名
• Sex：性别
• Age：年龄
• SibSp：船上的兄弟姐妹和配偶数量；
• Parch：船上的父母子女数量；
• Ticket：船票
• Fare：票价
• Cabin：船舱
• Embarked：登船点

查看数据基本描述

train_data.describe()

训练集一共有891人，很明显“年龄”存在缺失值，再具体查看哪些特征值还包含缺失值。

train_data.isnull().sum()

训练集：“Age”缺失177个，“Cabin”缺失687个，“Embarked”缺失2个。由于“Cabin”缺失数量比较多，该特征值难以填补，预测时将会删除。

再看看测试集特征值缺失情况（方便分析中一起填补）：

test_data.isnull().sum()

测试集：“Age”缺失86个，“Cabin”缺失327个，“Fare”缺失1个。

4. 观察各特征值因素对生存率的影响

4.1 幸存者总体情况

fig,ax=plt.subplots(1,2,figsize=(16,7))
train_data.Survived.value_counts().plot.pie(explode=[0,0.1],autopct='%1.1f%%',ax=ax[0],shadow=True,fontsize=13)
ax[0].set_title('Survived',fontsize=13)
ax[0].set_ylabel('')
sns.countplot('Survived',data=train_data,ax=ax[1])
ax[1].set_title('Survived',fontsize=13)
for y, x in enumerate(train_data.Survived.value_counts()):
    plt.text(y, x , x, fontsize=13)
plt.xticks(fontsize=13)
plt.yticks(fontsize=13)
plt.show()

训练集中总人数为891人，其中幸存者342人，占比38.4%，生存率比较低。

4.2 性别因素影响的情况

pd.crosstab(train_data['Sex'],train_data['Survived'],margins=True).style.background_gradient(cmap='Greens')

pd.crosstab(train_data['Sex'],train_data['Survived'],normalize=0,margins=True).style.background_gradient(cmap='Greens')

fig,ax = plt.subplots(1,2,figsize=(18,8))
train_data[['Sex','Survived']].groupby(['Sex']).mean().plot.bar(ax=ax[0])
ax[0].set_title('Survived vs Sex',fontsize=13)
sns.countplot('Sex',hue='Survived',data=train_data,ax=ax[1])
ax[1].set_title('Sex:Survived vs Dead',fontsize=13)
plt.show()

登船人数中，女性一共314人，男性577人，女性生存率为74.20%，男性为18.89%，女性生存率远高于男性。该特征值为重要特征值。

4.3 社会地位因素影响的情况

pd.crosstab(train_data['Pclass'],train_data['Survived'],margins=True).style.background_gradient(cmap='Greens')

pd.crosstab(train_data['Pclass'],train_data['Survived'],normalize=0,margins=True).style.background_gradient(cmap='Greens')

fig,ax=plt.subplots(1,2,figsize=(18,8))
train_data['Pclass'].value_counts().plot.bar(color=['darkgreen','lightseagreen','skyblue'],ax=ax[0]) 
ax[0].set_title('Number of Passengers By Pclas',fontsize=13)
ax[0].set_ylabel('Count')
sns.countplot('Pclass',hue='Survived',data=train_data,ax=ax[1])
ax[1].set_title('pclas:Survived vs Dead',fontsize=13)
plt.show()

1阶层生存率最高，约63%；3阶层人数最多，生存率最低，约24%；2阶层比较均衡。特征值为重要特征值。

4.4 性别与社会地位因素共同影响的情况

pd.crosstab([train_data.Sex,train_data.Survived],train_data.Pclass,margins=True).style.background_gradient(cmap='Greens')

sns.factorplot('Pclass','Survived',hue='Sex',data=train_data)
plt.show()

无论处于哪个阶层，女性的生存率始终比男性高，两因素相比，“性别”特征值的重要性大于“阶层”。（女士优先）

4.5 年龄因素影响的情况

年龄存在缺失值，先观察年龄的基本情况。

train_data.Age.describe()

最小值为0.42岁（5个多月？），最大值为80岁。缺失177个数据。

fig,ax=plt.subplots(1,2,figsize=(18,8))
sns.violinplot('Pclass','Age',hue='Survived',data=train_data,split=True,ax=ax[0])
ax[0].set_title('Pclass and Age vs Survived',fontsize=13)
ax[0].set_yticks(range(0,110,10))
sns.violinplot('Sex','Age',hue='Survived',data=train_data,split=True,ax=ax[1])
ax[1].set_title('Sex and Age vs Survived',fontsize=13)
ax[1].set_yticks(range(0,110,10))
plt.show()