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()
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