泰坦尼克号数据集_用Python分析泰坦尼克号生存概率

一、提出问题（Business Understanding ）

1912年4月15日，泰坦尼克号在与冰山相撞之后，沉没于北大西洋。船上的2224名船员及乘客中，只有772人存活了下来，存活率只有32%。

泰坦尼克号沉没事故，为和平时期死伤人数最为惨重的一次海难。泰坦尼克号也变成了隐喻灾难性事故的象征符号，从此警醒世人。

那么，究竟什么样的人在这次事故中相对容易存活？这便是本次分析要处理的问题。

本次分析旨在：利用kaggle网站Titanic项目的数据集，建构一个机器学习的算法模型，以预测特定属性的人的存活概率。

二、理解数据（Data Understanding）

2.1采集数据

数据集来源于kaggle网站Titanic项目。

本次分析使用两个数据集：train.csv，test.csv。

2.2导入数据

为了方便之后的数据清洗，将两个导入的数据集进行合并。

2.3查看数据集信息

1）合并数据集

train.csv比test.csv集多了一个变量Survived，因此合并数据集（full）有418行数据在该维度下是空值。

合并数据集（full）共计12个变量，其含义见下表：

2）查看合并数据集的描述统计信息

发现年龄行数较少、船票价格最小值为零两个异常值。

推测这两个变量存在着空值，后续需要清洗。

3）查看合并数据集的变量类型和缺失值

变量类型总共三类：

数据集总共1309行，有缺失值的变量总共四种（Survived是标签，不属于缺失值范围）：