泰坦尼克号数据分析报告

泰坦尼克号数据分析报告

数据链接：https://www.kaggle.com/c/titanic/data

1. 观察数据

                        图（1）
   

由图可知，在age/cabin/Embark 字段中有缺失，在之后的分析中会做相应的处理。

2. 基本特征

由图2.3.4可知，共有人数891人，男性577人，女性314 人，生还人数有342人占总人数的38%，其中男性占109人，女性占233人。死亡人数有549人占总人数的62%，其中男性 468人，女性81人，根据上图提供数据可知女性生还比例大于男性生还比例。

               图（2）

                           图（3）

                            图（4）

3.女性生还概率与外部因素（舱位，年龄，港口）之间的关系。

1. 舱位

不同舱位间女性生还数量如5,6图所示，生还概率依次为97%，92%，50%。初步发现随着舱位的优先级上升存活概率随之增加，结合实际考虑，第三舱位更接近水平面首先浸入水中，第一舱位最慢，则留给第一舱位的反应时间是最多的。所以可以解释为何舱位等级越高，存活概率越大的问题。

                            图（5）

                           图（6）

2. 年龄

年龄字段有缺失，分别用各个舱位的女性平均数数进行填充。如图7.8.9。

df1=df[(df['Sex']=='female') & (df['Age']!='NaN')]        
age=round(df1.groupby(by='Pclass')['Age'].mean(),1)        
df1.set_index('Pclass',inplace=True)        
df1['Age'].fillna(age,inplace=True)

         图（7）                  图（8）

填充完毕，先来看一个在此次事故中所有女性的年龄分布图，由图可知，16岁到32岁之间人数最多，占到了所有女性的50%，中年人33岁到44次之，然后是0岁到16岁的小孩子，最后是48岁到63岁的老年人。

                         图（10）

2.1根据官方声明：

2.2我们假设此次事故中妇女和儿童先走的情况成立，验证如下

                          图（11）

 younger=df[(df['Age']>16)&(df['Age']<=34)]        
 younger=younger.groupby('Survived')['Survived'].count()
 plt.subplot(142)
 plt.pie(younger,labels=younger.index,autopct='%1.0f%%',shadow=True)        
 plt.title('younger survive')       
  #2图        
 middle_age_people=df[(df['Age']>34)&(df['Age']<50)]        
 middle_age_people=middle_age_people.groupby('Survived')['Survived'].count()
plt.subplot(143)
plt.pie(middle_age_people,labels=middle_age_people.index,autopct='%1.0f%%',shadow=True)        
plt.title('middle people survive')        
#3图        
old_people=df[(df['Age']>56)&(df['Age']<=72)]        
old_people=old_people.groupby('Survived')['Survived'].count()
plt.subplot(144)        
plt.pie(old_people,labels=old_people.index,autopct='%1.0f%%',shadow=True)        
plt.title('old_people survive')        
#4图        
plt.show()

如图11.12所示，儿童的逃生概率是大于其他年龄分组的，尽管对于儿童的年龄限定可能存在歧义，但仍旧可以看出儿童的逃生率是大于其他年龄段的人的。且根据之前的图我们得到女性的逃生率也是远大于男性。因此。假设成立。

3. 港口
   

                          图（12）
   

由图13可知，Embarked存在两个缺失值，港口为[Q,S,C],采用numpy 库随机数选择的方法进行对缺失值进行填充如图14

print(df[df['Embarked'].isnull()])        
a=['Q','S','C']        
n=np.random.randint(0,len(a))        
df['Embarked'].fillna(a[n],inplace=True)        
#设置随机数

                         图（13）

填充完毕，分析如下图所示：

                            图（15）

            图（16）

由图15.16可知，C港口的生还女性比例是最多的，达到了88%，接下来分别是Q港口的76%,S港口的69%。

4. 总结

综上可知，我们结合了三个方面来对泰坦尼克号事件对女性生还率进行分析，分别是港口，舱位，年龄。根据初步分析，可以得知，女性的生还率是远远大于男性生还率，并且知道，舱位等级越高，则生还的可能性越大。通过数据分析，我们验证了在此次事件中，让妇女和儿童先走的情况是真实存在的。虽然对儿童的年龄定义存在歧义，但对儿童生还的概率影响较小，在女性年龄的分布图中得知年龄处于[16,32]的女性更容易生还。1除此之外，在C港口登船的女性生还率是大于在其他舱口。因此我们可以简单的断定：在C港口登船，并且上船后在第一舱位的在[16,32]年龄段的女性存活率比其他更高。