泰坦尼克号各种因素对存活率的影响

泰坦尼克号背景介绍¶

泰坦尼克号是一艘奥林匹克级邮轮，于1912年4月首航时撞上冰山后沉没。泰坦尼克号由位于北爱尔兰贝尔法斯特的哈兰·沃尔夫船厂兴建，是当时最大的客运轮船，由于其规模相当一艘现代航空母舰，因而号称“上帝也沉没不了的巨型邮轮”。在泰坦尼克号的首航中，从英国南安普敦出发，途经法国瑟堡-奥克特维尔以及爱尔兰昆士敦，计划横渡大西洋前往美国纽约市。但因为人为错误，于1912年4月14日船上时间夜里11点40分撞上冰山；2小时40分钟后，即4月15日凌晨02点20分，船裂成两半后沉入大西洋，死亡人数超越1500人，堪称20世纪最大的海难事件，同时也是最广为人知的海难之一。

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt
import matplotlib as mpl

mpl.rcParams['font.sans-serif'] = ['SimHei']
mpl.rcParams['font.serif'] = ['SimHei']
#解决负号'-'显示为方块的问题  
mpl.rcParams['axes.unicode_minus'] = False   
%matplotlib inline
%config InlineBackend.figure_format = 'retina'

file = "titanic_train.csv"
df = pd.read_csv("F:/All_Py_Data/program02/%s" %file,encoding="gbk")
df.head()

数据字段说明

• PassengerId: 乘客的id
• Survival: 是否幸存 0 = No, 1 = Yes
• Pclass: 舱位 class 1 = 1st, 2 = 2nd, 3 = 3rd
• Name: 姓名
• Sex: 性别
• Age: 年龄
• SibSp: 船上兄弟姐妹以及配偶的个数
• Parch: 船上父母以及者子女的个数
• Ticket: 船票号码
• Fare: 票价
• Cabin: 船舱号码
• Embarked: 登船码头 C = Cherbourg, Q = Queenstown, S = Southampton

数据的统计描述

• 数值变量

df[["Survived","Age", "SibSp", "Parch"]].describe()

各仓位分布情况：

df.groupby('Pclass').agg('size')/(len(df))

Pclass
1    0.242424
2    0.206510
3    0.551066
dtype: float64

各个变量的缺失值情况：¶

df.isnull().sum()

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

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
PassengerId    891 non-null int64
Survived       891 non-null int64
Pclass         891 non-null int64
Name           891 non-null