泰坦尼克号数据分析python实战
(单因素分析)
数据集:kaggle上的泰坦尼克号数据集
主要字段有:
PassengerId:乘客的ID(和存活率无关)
Survived:是否存活(1为存活,0为死亡)
Pclass:船舱等级(等级较高的船舱救生设备比较齐全)
Name:乘客姓名(无关)
Sex:乘客性别
Age:乘客年龄
SibSp:兄弟姐妹(有些乘客可能带兄弟姐妹一起上船)
Parch:父母小孩(同SibSp)
Ticket:船票编号(无关)
Fare:费用(同Pclass)
Cabin:舱号(无关)
Embarked:上船的地点(可能存在一定的相关性?)
和存活率可能相关的变量:Survived,Pclass,Sex,Age,SibSp,Parch,Fare,Embarked
要分析的问题:
1,泰坦尼克号获救情况如何?
2,船舱等级Pclass对存活Survived的影响?
3,性别Sex对存活Survived的影响?
4,年龄Age对存活Survived的影响?
首先用python对数据集进行预处理
#首先导入相关的库
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline #可视化在页面展示
#打开数据集,这里是用相对路径
df=pd.read_csv(r'train.csv')
先了解数据的概括(形状,缺失值)
df.shape
df.info()
由运行结果可知:数据集中一共有12列,891行。其中,Age、Cabin、Embarked存在缺失值,对其进行缺失值处理
#用平均数填充Age缺失值 fillna()
df.Age.fillna(df.Age.mean(),inplace=True)
#Cabin为舱号,和生存率无关,且缺失的数据较多。故删除
#drop() axis=1为删除列,0为删除行
df = df.drop(["Cabin" ],axis = 1)
#Embarked为上船的地点,缺失2条记录。这里用众数填充缺失值
#查找缺失的记录是第几条。运行可知,第62和830条记录的Embarked为缺失
df[df.Embarked.isnull()]
#对Embarked的数据进行计数。运行结果可知,S为众数。
df.Embarked.value_counts()
#用众数填充Embarked的2个缺失值
#fillna('value',inplace为是否在原表上进行操作)
df.Embarked.fillna('S',inplace=True)
#查看处理后的计数情况
df.Embarked.value_counts()
#切片查看查看62行的数据,可以看到Embarked已经被填充上S
df.iloc[61]
数据缺失值处理完成,接下来进行数据的描述性统计分析
df.describe() #只针对数值型变量,忽略类别型变量
然后进行单因素分析
问题1:泰坦尼克号获救情况如何?
#计算泰坦尼克号的获救人数和获救率
total_survived=df.Survived.value_counts()
total_survived.index=total_survived.index