泰坦尼克号数据_数据挖掘经典实例——泰坦尼克号幸存者预测

泰坦尼克号幸存者预测是kaggle上一个较为经典的数据分析案例，之前做了这个案例，今天向大家分享一下自己的学习笔记。

小伙伴注意了，本次实例分为两部分，第一部分（也就是本篇）我们会用我们之前使用过的一些数据挖掘方法来对数据集进行探索，并进行幸存者预测；第二部分（下篇）我们会使用机器学习的内容，利用分类树模型来进行幸存者预测。

数据集来源：

https://www.kaggle.com/c/titanic​www.kaggle.com

为了让部分没看过《泰坦尼克号》这部电影的小伙伴也能对数据背景有一个基本认识，我们简单概括一下背景：

泰坦尼克号的沉没是世界上最严重的海难事故之一，造成了大量的人员伤亡。这是一艘号称当时世界上最大的邮轮，船上的人年龄各异，背景不同，有贵族豪门，也有平民旅人，邮轮撞击冰山后，船上的人马上采取措施安排救生艇转移人员，从本次海难中存活下来的，也就是幸存者。

而这也引出了我们今天的主题：通过挖掘数据中的关键信息来预测一下哪些人可能成为幸存者。

下面，正文开始~

---

一、数据导入及基本了解

import numpy as np
import pandas as pd
df = pd.read_csv(r'C:UsersAdministratorDesktopdata.csv',encoding='utf-8')

为了方便，我们将等会可能需要用到的库一并导入：

from matplotlib import pyplot as plt
%matplotlib inline
plt.style.use('fivethirtyeight')
import seaborn as sns
sns.set()
import warnings
warnings.filterwarnings('ignore')

1、查看前10行数据

df.head(10)

2、查看数据大小

df.shape

可以看到，我们的数据集有891个样本，12个特征。

3、查看特征

df.info()

其中，

Survived：代表是否幸存，0否，1是

Pclass：船舱等级，1最好，2次之，3最后

SibSp：该名乘客上船后，与其一起同行上船的兄弟姐妹的个数

Parch：该名乘客上船后，与其一起同行上船的家里的老人与孩子的个数

Ticket：船票编号

Fare：船票价格

Cabin：该名乘客所在船舱的编号

Embarked：该名乘客登船的码头，有三个：S、C、Q三个码头

4、查看数据缺失情况

df.isnull().sum()

可以看到，Cabin（乘客所在船舱的编号）大量缺失。

5、使用describe()做简单的数理统计

df.describe()

6、统计一下获救人数占比

df_survive = df['Survived'].value_counts(normalize=True)
n0_sample = df_survive[0]
n1_sample = df_survive[1]
print('死亡人数占{:.2%}; 幸存人数占{:.2%}'.format(n0_sample,n1_sample))

可视化：

df_counts = df['Survived'].value_counts()
plt.rcParams['font.sans-serif']=['SimHei']
plt.pie(df_counts, explode=(0, 0.1),labels=['未获救','获救'],
         shadow=True, autopct='%1.1f%%')     
plt.axis('equal')
plt.legend()

我们可以得到一个不幸的信息，在本次海难中获救人数仅占38.4%。

7、统计性别特征对获救几率的影响

首先看一下船上乘客的男女比例：

df['Sex'].value_counts()

男性乘客577人，女性314人。

看过电影的同学，可能也有注意到电影里的这一个细节：邮轮出事后，是本着“老人、小孩、女士优先”的准则，也就是说这一部分乘客会优先获救。下面我们来看看在这一点在数据集中是否有体现：

df['Survived'].groupby(df['Sex']).value_counts()

可以看到，女性乘客总人数比男性少，但是获救人数却比男性乘客要多。

分别统计船上女性乘客与男性乘客的获救率：

sur_fe = 233/314
sur_ma = 109/577
print("女性获救比例：{:.2%}；男性获救比例：{:.2%}".format(sur_fe,sur_ma))

可以看到，

性别特征是影响获救概率的一个重要因素。

女性获救概率要远远高于男性。

8、研究船舱等级对获救几率的影响

查看船舱等级分类及各船舱人数：

df['Pclass'].value_counts()

查看各船舱的获救情况：

df['Survived'].groupby(df['Pclass']).value_counts()

我们也可以用另一种方法查看：

pd.crosstab(df.Pclass,df.Survived,margins=True).style.background_gradient()

分别统计不同船舱乘客的获救率：

sur_1 = 136/216
sur_2 = 87/184
sur_3 = 119/491
print("一号舱获救比例：{:.2%}；二号舱获救比例：{:.2%}；三号舱获救比例：{:.2%}".format(sur_1,sur_2,sur_3))

可视化：

sur_123 = [136/216,87/184,119/491]

import matplotlib
plt.figure(figsize=(8,6),dpi=80,num=4)
myfont = matplotlib.font_manager.FontProperties(fname='C:WindowsFontssimsun.ttc')
x= range(1,4)

plt.bar(x, sur_123, color='g',label='不同船舱下的乘客获救比例')


plt.xlabel('船舱',FontProperties=myfont,fontsize=15)
plt.ylabel('获救比例',FontProperties=myfont,fontsize=15)
plt.title('不同船舱下乘客的获救率',FontProperties=myfont,fontsize=15)

xtick_labels=['{}号舱'.format(i) for i in x]
plt.xticks(x,xtick_labels,FontProperties=myfont)
plt.legend(prop=myfont)

可以看到，船舱等级对于乘客的获救率还是存在很大的影响，从三个船舱的获救率可以看到，一号舱乘客有着很高的优先级，获救率接近63%，二号舱次之，只有47.28%，三号舱获救率则很低，不到25%。

9、研究在不同等级的船舱内，“女士优先”的原则还是否存在：

（依然使用groupby函数）

第一步，统计不同船舱内的男女人数：

df['Sex'].groupby(df['Pclass']).value_counts()

df['Survived'].groupby([df['Pclass'],df['Sex']]).value_counts()

第二步，分别计算在不同等级的船内，女性乘客与男性乘客的获救率：

1、一号舱：

sur_fe = 91/94
sur_ma = 45/122
print("一号舱女性获救比例：{:.2%}；一号舱男性获救比例：{:.2%}".format(sur_fe,sur_ma))

2、二号舱：

sur_fe = 70/76
sur_ma = 17/108
print("二号舱女性获救比例：{:.2%}；二号舱男性获救比例：{:.2%}".format(sur_fe,sur_ma))

3、三号舱：

sur_fe = 72/144
sur_ma = 47/347
print("三号舱女性获救比例：{:.2%}；三号舱男性获救比例：{:.2%}".format(sur_fe,sur_ma))

可以看到，在一等舱和二等舱，女性的获救率都很高，在90%以上，在三等舱中的乘客获救率普遍较低，女性的获救率为50%，仍远高于男性获救率。

可以看出，“女士优先”的准则，在各个船舱中都得到呈现。

可视化：

sur_fe = [91/94,70/76,72/144]
sur_ma = [45/122,17/108,47/347]
import matplotlib
plt.figure(figsize=(8,6),dpi=80,num=4)
myfont = matplotlib.font_manager.FontProperties(fname='C:WindowsFontssimsun.ttc')
x= range(1,4)

plt.plot(x, sur_fe, color='r',label='女性获救比例',  linewidth=2)
plt.plot(x, sur_ma, color='g',label='男性获救比例',  linewidth=2)

plt.xlabel('船舱',FontProperties=myfont,fontsize=15)
plt.ylabel('获救比例',FontProperties=myfont,fontsize=15)
plt.title('不同船舱及不同性别下乘客的获救率',FontProperties=myfont,fontsize=15)

xtick_labels=['{}号舱'.format(i) for i in x]
plt.xticks(x,xtick_labels,FontProperties=myfont)
plt.legend(prop=myfont)

从这个图我们就能明显看到，性别及船舱等级对获救概率的影响。

小结：

从上述分析结果，我们可以得到以下两个关于乘客获救率结论：

（1）在泰坦尼克号上，女性的获救率会高于男性；

（2）高等级船舱的乘客获救率会高于低等级船舱。

除此之外，也可以从年龄等其他角度进行分析，这里由于篇幅问题我们就不再续写了，感兴趣的小伙伴可以自己动手试试。

在本篇中，我们使用了常用的数据挖掘手段对乘客的获救率进行预测；下一篇中，我们将会使用回归树的方法，同样实现预测获救率的目标。

---

以上便是<数据挖掘经典实例——泰坦尼克号幸存者预测>的内容，感谢大家的细心阅读，同时欢迎感兴趣的小伙伴一起讨论、学习，想要了解更多内容的可以看我的其他文章，同时可以持续关注我的动态~