泰坦尼克号数据_数据可视化:泰坦尼克号幸存者分析

在上一篇文章中,已经介绍了泰坦尼克号生存率预测的数据处理,预测模型训练

老菜鸟:泰坦尼克号幸存者预测​zhuanlan.zhihu.com

这一次对分析的结果进行数据可视化:

在泰坦尼克号中幸存者的分析中,通过相关性分析选择出7种特征:头衔titleDf,客舱等级pclassDf,家庭大小familyDf,船票价格Fare,船舱号cabinDf, 登船港口embarkedDf,性别Sex。 最后探讨一下年龄特征:老年人,未成年人是否更容易遇难

目录

  • -1-生存情况总体分布
  • -2-生存率函数
  • -3-各特征与生存率的关系
    • 1.船舱等级对生存率影响
    • 2.头衔对生存率影响
    • 3.登船港口对生存率影响
    • 4.船舱号对生存率影响
    • 5.性别对生存率影响
    • 6.票价对生存率影响
    • 7.年龄分布与生存率的关系

-1-生存情况总体分布

本次研究的核心指标是生存率,通过下面代码获得总体的生存率


surviveDf=full.groupby("Survived")['Survived'].count()
fig=plt.figure()
ax1=fig.add_subplot(1,2,1)
surviveDf.plot(ax=ax1,kind='bar')
plt.ylabel("人数")
plt.title("生存人数分布")
sns.despine()
plt.xticks(range(len(surviveDf)),['死亡','幸存'],rotation=360)
ax2=fig.add_subplot(1,2,2)
surviveDf.plot(ax=ax2,kind='pie',labels=['死亡','存活'],autopct='%1.2f%%')
plt.axis("equal")
plt.title("生存率分布情况")
plt.show()

2b11e7dc5e59428881fcf1f53d86f223.png

分析结果: 上图表明,在891个乘客中,生存率为38.38%,遇难率为61.62%


-2-生存率函数

后面要多次使用幸存与死亡人数的柱状图,幸存率的柱状图,而且代码相似,因此构造一个函数,避免重复劳动

  • 2
    点赞
  • 13
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值