还没关注？
快动动手指！
1912年当时世界上最大的豪华客轮泰坦尼克号在处女航中撞上冰山沉没，船上船员及乘客共有2224人，只有710人生还。当灾难突然降临时，所有人的生死瞬间成了魔鬼撒旦手中的骰子，一切充满了随机性，究竟什么样的人更容易获得命运之神的垂青？幸存者具有哪些共同特点？让我们一起来用Python探索问题吧！
主要探寻坦尼克号上的生还率和各因素（客舱等级、年龄、性别、上船港口等）的关系。
01 获取数据
我把原始数据 titanic-data.csv 放在和 notebook 文件同一目录下，然后通过read_csv 来载入文件，当然在开始载入数据前，我必须按照需求将需要用到的 Python 包导入进来。
02 数据观察
载入 titanic-data.csv 到一个 DataFrame ，然后用 head() 函数打印出前5行数据（p.s 用 tail() 函数可以打印出后5行）。
通过对数据的初步观测，这个数据样本一共有 891 行 * 12 列数据,字段包含：
‘PassengerId（乘客id）’, ‘Survived（是否活下来）’, ‘Pclass（船舱等级）’, ‘Name（姓名）’, ‘Sex（性别）’, ‘Age（年龄）’, ‘SibSp（兄弟姐妹同行数量）’,‘Parch（父母配偶同行数量）’, ‘Ticket（票）’, ‘Fare（费）’, ‘Cabin（船舱）’, ‘Embarked（上船站）’
其中， 定类变量包括 Survived，Sex，Embarked， 定序变量 包括 Pclass， 数字变量 包括 PassengerId，Age，SibSp，Parch，Fare
通过观测发现，Age、Cabin、Embarked 包含了有空值
03 变量的值
Survived 的值：0（死亡），1（存活）
Sex 的值：male（男性），female（女性）
Embarked的值包含 ‘S’ ‘C’ ‘Q’
04 重复数据
数据集一共有 891 行数据，不重复。
05 空值情况
Age 一共有 714 行空数据
Cabin（船舱）一共有 204 行空数据
Embarked（上船站）一共有 2 行空数据。
06 描述性统计
在这次旅行的 891 名乘客中，有 38% 的人活了下来，幸运儿。
所有旅客中，年龄最小的只有 0.4 岁，最大的有 80 岁，平均年龄在 28 岁左右。
平均每个乘客有 0.52 个兄弟姐妹陪同，有 0.38 个父母配偶陪同。
有些乘客居然有 8 名同行的人。
旅客为这趟旅行平均花费 32 美元，最高花费 512 美元（贵族吧）
07 数据清洗（cleanse the data）
缺失值处理中，我们一般会删除缺失值。pandas模块中，提供了将包含NaN值的行删除的方法dropna()，但其实处理缺失值最好的思路是用最接近的数据替换。
首先，清洗数据就是处理空值，让这些空值参与到之后的数据分析中去。其次，我将删除那些对于数据分析本身并没有相关性的数据列，比如Cabin（因为一个船舱号对于是否能够逃生确实没有任何影响）。
最后，我会观察数据集，看看是否可以创造出一些新的特性，让我们的分析能够更直观快捷。
08 处理空值和多余的值
上面用年龄的平均数来代替空值，因为 ‘S’ 出现的频数最多，咖位最高，所以用 ‘S’ 代替空值。
我删除掉了 ‘Ticket’,‘Cabin’ 两列数据，实际上这两列数据对于我们分析数据并没有太多用处。
09 数据可视化分析
数据透视表是 Excel 中最常用的数据汇总分析工具，它可以根据一个或多个制定的维度对数据进行聚合，探索数据内深层次的信息。
在 pandas 中，同样提供了pandas.pivot_table 函数来实现这些功能。在接下来的分析中，我们会多次用到这个函数，所以先来熟悉下下这个函数：
pandas.pivot_table 函数中包含四个主要的变量，以及一些可选择使用的参数。四个主要的变量分别是数据源 data，行索引 index，列 columns，和数值 values。可选择使用的参数包括数值的汇总方式，NaN值的处理方式，以及是否显示汇总行数据等。
10 基本情况分析
我们先来看下基本情况：891人当中，生还比率与未生还比率是多少？
结论：这891名乘客中，生还和未生还的比率分别为 38% 和 62%。
分别探索下 Pclass、Sex、Age 和 Embarked 等与“生还率”的关系，舱位（Pclass）与生还率关系
把 pivot_table 派上场。
传几个参数就出来了，是不是很方便。
如果不使用 pivot_table 函数，我们一般用 group_by 来分组聚合。
比较来说，pivot_table 函数可读性更高。
可视化操作
还可以用饼图。
好了，这是不同舱位的人数分布情况，我们需要求出的是舱位与生还率的关系。
舱位与生还率的关系
可视化操作
结论：头等舱的生还概率最大，其次是二等舱，三等舱的概率最小。
性别（Sex）与生还率关系
结论：女性幸存概率远远大于男性。
综合考虑性别（Sex），舱位（Pclass）与生还率关系
可视化操作
结论
· 在各个船舱中，女性的生还率都大于男性。
· 一二等船舱中女性生还率接近，且远大于三等舱。
· 一等舱的男性生还率大于二三等舱，二三等舱男性生还率接近。
年龄（Age）与生还率关系
与上面的舱位、性别这些分类变量不同，年龄是一个连续的数值变量，一般处理这样的数据类型，我们采用将连续性的变量离散化的方法。
所谓离散化，指的是将某个变量的所在区间分割为几个小区间，落在同一个区间的观测值用同一个符号表示，简单理解就是将属于统一范围类的观测值分为一组。然后分组观察。
pandas中提供了cut函数，对变量进行离散化分割。
各个年龄段的生还率
可视化操作
结论：儿童少年组的生还率更高。
11 多因素分析
以上是单独看年龄／性别／舱位和生还率的关系，下面我们综合多个因素来看生还率。
年龄（Age），性别（Sex）与生还率关系
可视化操作
结论：儿童少年，女性的生还率更高。男性生还的基本上都是儿童少年。
年龄（Age），性别（Sex），舱位（Pclass）与生还率关系
可视化操作
总结
本次分析主要探寻泰坦尼克号上的生还率和各因素（客舱等级、年龄、性别、上船港口等）的关系。
样本数量为 891，海难发生后，生还者还剩 342 人，生还率为 38%。
泰坦尼克号上有一/二/三等舱三种船舱类型，其中头等舱的生还概率最大，其次是二等舱，三等舱的概率最小。
891人中，男性共577人，女性314人，女性生还率远远大于男性。可见女性比男性在这次事故中更容易生还，表明“女士优先”的原则在本次事故中得到了发扬。
样本的 891 人中，最小年龄为 0.42 ，最大年龄 80。按照[(0.34, 16.336] < (16.336, 32.252] < (32.252, 48.168] < (48.168, 64.084] < (64.084, 80.0]]划分原则，划分为5组，儿童少年组的生还率最高，年龄越大，生还率越低。“尊老爱幼”的原则在本次事故中没有很好体现。
样本的 891 人中，从 C 上船的生还率最高， Q上船的 次之，S上船生还率 最低。
最后需要说明的是，此次数据分析的数据集是从总体中抽样而来的，如果抽样无偏，样本是从总体随机选取，根据中心极限定理，分析结果具有代表性，如果不是随机选出，那么分析结果就不可靠了。
数据分析1480
长按扫码关注我
8388
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
