Python数据分析案例篇（一）泰坦尼克号数据分析

Python泰坦尼克生还预测

Kaggle Titanic 数据分析案例

• 背景介绍
  20世纪初，由英国白星航运公司制造的一艘巨大豪华客轮。是当时世界上最大的豪华客轮，被称为是“永不沉没的”或是“梦幻客轮”。
  泰坦尼克号是人类的美好梦想达到顶峰时的产物，反映了人类掌握世界的强大自信心。她的沉没，向人类展示了大自然的神秘力量，以及命运的不可预测。到泰坦尼克号沉没那天为止，西方世界的人们已经享受了100年的安稳和太平。科技稳定地进步，工业迅速地发展，人们对未来信心十足。泰坦尼克号的沉没惊醒了这一切。这艘“永不沉没的轮船”——埃菲尔铁塔之后最大的人工钢铁构造物，工业时代的伟大成就，因为对自然的威力掉以轻心，满不在乎，所以在第一次处女航中就沉没了。泰坦尼克号将永远让人们牢记人类的傲慢自信所付出的代价。人们永远也忘不了这幅画面：泰坦尼克号在海底昂着头，残破和污迹也掩盖不了她的高贵。这就是她的归宿。历史就这样演变成了传奇。
  好的，不要被开头这段迷惑，这真的是个不太正经的分析
  
• 分析目标（别被博主骗了，他就分析了几个简单的）
  根据官方给出的数据分析各个属性间的关系
  
• 数据来源（完全可以百度网盘见）
  https://www.kaggle.com/c/titanic
  或者在我的资源里下载
• 数据说明
  
• 数据预处理

>     import pandas as pd
>     import numpy as np
>     import matplotlib.pyplot as plt
>     
>     train=pd.read_csv('/Users/a/Desktop/Titanic/train.csv')
>     test=pd.read_csv('/Users/a/Desktop/Titanic/test.csv')

#1.数据概览

> print(train.head())
> print('--------------------------------------------')
> print(test.head()) print('数据维度为：',train.shape,'  ',test.shape)
> print('--------------------------------------------')
> print('train.csv字段名为：',train.info())
> print('test.csv字段名为：',test.info())

#2.数据清洗

train_a=train.loc[:,[‘PassengerId’,‘Survived’,‘Pclass’,‘Sex’,‘Age’,‘SibSp’,‘Parch’,‘Fare’]]
test_a=test.loc[:,[‘PassengerId’,‘Pclass’,‘Sex’,‘Age’,‘SibSp’,‘Parch’,‘Fare’]]
print(’------------------------------------’) print(train_a.head())
print(test_a.head()) print("------------------------------------")
print(test_a.info()) print(train_a.info())

#填补空值，重点，敲黑板，由于实际统计时，部分信息无法采集，会出现"空值"，在数据预处理时，我们会用填充空值，例如我们要建立与年龄字段’Age’相关的模型，就对"Age"中的空白字段进行填充

median_age=train_a[‘Age’].median()#这里取中位数，Q1：为什么不取平均值？：平均数反映的是一组数据的平均情况，容易受到个别极端值到影响；与之相比中位数反映了一组数据到一般情况，不受个别极端值影响
print(median_age)#这里计算出到值为28.0
train_a.loc[train_a[‘Age’].isnull(),‘Age’]=median_age#前面行中传入到参数表示空值，后面代表’Age’列，这一步我们将中位数填入空值
median_age2=test_a[‘Age’].median()
test_a.loc[test_a[‘Age’].isnull(),‘Age’]=median_age2

Fare=train_a[‘Fare’].mode()#取众数，填充Fare空值，为什么这里又取众数呢？票价缺失只占很小的一部分，个人理解，票价要精确到个人
Fare2=test_a[‘Fare’].mode()
train_a.loc[train_a[‘Fare’].isnull(),‘Fare’]=Fare
test_a.loc[test_a[‘Fare’].isnull(),‘Fare’]=Fare2 print(test_a.info)
print(train_a.info)

#修改数据类型,为了方便统计，我们先查看数据类型，发现Sex为object（字符串），这里我们将其转换成整型

print(train_a.dtypes) print(’--------------------’)
print(test_a.dtypes)
test_a[‘Sex’]=test_a[‘Sex’].map({‘male’:1,‘female’:0}).astype(int)
train_a[‘Sex’]=train_a[‘Sex’].map({‘male’:1,‘female’:0}).astype(int)
print(test_a.head()) print(train_a.head())

#处理完数据后，我们发现，数据中部分列可以合并，这里就需要我们进行数据重构

test_a[‘f_size’]=test_a.loc[:,‘SibSp’]+test_a.loc[:,‘Parch’]+1

train_a[‘f_size’]=train_a.loc[:,‘SibSp’]+train_a.loc[:,‘Parch’]+1
train_a[‘Single’]=0 test_a[‘Single’]=0
train_a.loc[train_a[‘f_size’]==1,‘Single’]=1
test_a.loc[test_a[‘f_size’]==1,‘Single’]=1
train_f=train_a.loc[:,[‘PassengerId’,‘Survived’,‘Pclass’,‘Sex’,‘Age’,‘Parch’,‘Fare’,‘f_size’,‘Single’]]
test_f=test_a.loc[:,[‘PassengerId’,‘Pclass’,‘Sex’,‘Age’,‘SibSp’,‘Parch’,‘Fare’,‘f_size’,‘Single’]]
print(test_f.head) print(train_f.head)

#作为单身狗，我还是比较关心，单身与存活率到关系，所以，先从这里开始分析

d=train_f[[‘Single’,‘Survived’]].groupby([‘Single’]).mean() print(d)
plt.bar([0,1],
[1-d.loc[0,‘Survived’],1-d.loc[1,‘Survived’]],
0.5,
color=‘green’,
alpha=0.5,
) plt.xticks([0,1],[‘not_alone’,‘Single’]) plt.show()

结果一目了然，单身存活率高，原因我想看过泰坦尼克号的人都知道，全在船头看Jack和Rose秀恩爱了，忘记要跑了，结论秀恩爱死得快！！！

#性别和生存率

m=train_f[[‘Sex’,‘Survived’]].groupby([‘Sex’]).mean() plt.bar([0,1],
[1-m.loc[0,‘Survived’],1-m.loc[1,‘Survived’]],
0.5,
color=‘blue’,
alpha=0.9,
) plt.xticks([0,1],[‘female’,‘male’]) plt.show()

#下面我们看看船舱等级和生还率的关系

c = train_f[[‘Pclass’, ‘Survived’]].groupby([‘Pclass’]).mean()
plt.bar(
[0,1,2],
[1-c.loc[1,‘Survived’],1-c.loc[2,‘Survived’],1-c.loc[3,‘Survived’]],
0.5,
color=‘r’,
alpha=0.7 )

plt.xticks([0,1,2],[1,2,3]) plt.show()

三等舱存活率最高，所以啊不要被万恶的资本主义腐蚀，人家三等舱还真就生存率高，生命力顽强。

emmmm依然是那个希望被赞然后肯定没人赞的菜?博主，不会唱跳rap篮球，只会没事写篇文章记录自学过程