泰坦尼克号数据_泰坦尼克号数据分析案例实战

这是一个很经典的案例，很多博主都写过，对，就是它：泰坦尼克号生存率的分析，它是kaggle上的一道题，通过船上乘客的信息分析和建模，预测哪些乘客得以生还。

我们就非常粗暴地拿这个数据集做一个简单的分析好了。

使用工具：Excel(对，就是这么简单粗暴)

一、明确目的

1912年泰坦尼克号撞上冰山沉没，船上2224名乘客和机组人员中有1502人遇难，幸存下来的人是出于运气还是存在一定的规律？这是我们比较关心的，所以就要提出问题：

那些人士生还的可能性大？

其次了解数据，数据集总共有以下的字段，其中name、sex、cabin、embarked、ticket是字符串类型，pclass和survived虽然是数值型，但其含义是标签，我们分别从舱位、乘客、船票和地域的维度出发来分析。

二、数据处理

通过查看，发现Age、fare、embarked、cabin字段都是有缺失的，下面我们一个一个来看。

1、age缺失值处理

筛选age一列为空的有263条数据，缺失率为20%，可以全部填充为年龄的均值或众数，也可以进一步地分析，发现年龄缺失的数据里三等舱的最多，占总缺失值的79%，而三等舱里的未生还的男性占比最多，因此也可以用三等舱年龄的平均值来填充。

这里为了保持数据的真实性，就不做填充处理了。

2、fare缺失值处理

筛选发现fare(票价)只缺失了一个值，我们把它找出来，发现可以用同类型的均值填充掉。

因此我们筛选三等舱、年龄大于60岁的，登船港口为S的男性的均值票价7来填充这个缺失值。

3、embarked缺失值处理

embarked登船港口字段也有2个缺失值，筛选出来看下。

进一步观察到，这两个旅客都是单独出行，没有家人(从sibsp和parch列均为0得知)，延续对fare缺失值处理的思路，寻找同类型的进行填充。对第一个旅客，筛选出头等舱的年龄在35~40岁的女性中，港口最多的值填充进去，结果是S。

同样的方法，对第二个旅客，筛选头等舱年龄在60~65岁的女性中，登陆港口最多的值，结果也为S。

4、cabin缺失值处理

对于cabin(客舱)字段缺失值达到了77%，缺失太多了，就不做填充处理了，直接保留或删除，这里先保留着吧。