Python+PowerBI数据分析挖掘，再次探索泰坦尼克号中，谁能被获救

转发本文并私信我"python"，即可获得Python资料以及各种心得(持续更新的)

前言

本号之前就已经有一篇文章关于探索《泰坦尼克号》的生还数据案例，文章中完全使用 Python 分析出一系列数据背后的逻辑。

但是，在探索分析中需要经常在不同维度中输出数据可视化，说实在的，我连一句代码都不想写！

今天，我使用极少量 Python 代码(就3句 pandas 相关代码) 加上 微软的商业智能分析神器 Power BI ，再次探索此数据。像侦破案件一样，一步步通过可视化动态关联图表，找到数据之间的关系。

由于文章篇幅太长，为了文章的阅读性和连贯性，因此案例分为3篇文章完成(分析，实现，思路)，此文是分析篇，虽然不涉及代码和实现，但内容是3篇文章的核心。学习遇到问题没人解答，小编创建了一个Python学习交流裙：五二八 三九七 六一七， 寻找有志同道合的小伙伴，互帮互助，群里还有不错的学习视频教程和PDF电子书分享！

数据说明

本文案例数据来自于一份公开的关于"泰坦尼克号遇难事件"的数据。部分记录如下图：

survived ，1：生还；2：没有生还

sex ，male：男；female：女

我很喜欢用描述来表示一份数据，这数据反应的信息， 如下，其中括号中的是对应的字段：

船上的一位乘客 jack(name)

男性(sex)，20岁(age)

他拿着价值35美元(fare)船票(ticket)，在 xxx 港口(embarked) 上船

他的房间在头等舱(pclass) 的305号房(cabin)

他在这次事件中被获救(survived)

来看看基本的字段信息