Pandas数据分析⑦——数据分析实例2（泰坦尼克号生存率分析）

Pandas系列目录如下：
Pandas数据分析①——数据读取（CSV/TXT/JSON)
Pandas数据分析②——数据清洗（重复值/缺失值/异常值）
Pandas数据分析③——数据规整1（索引和列名调整/数据内容调整/排序）
Pandas数据分析④——数据规整2（数据拼接/透视)
Pandas数据分析⑤——数据分组与函数使用（Groupby/Agg/Apply/mean/sum/count)
Pandas数据分析⑥——数据分析实例（货品送达率与合格率/返修率/拒收率）

Kaggle竞赛的“泰坦尼克号预测生还”是进行Pandas数据分析非常好的案例，虽然CSDN有很多大神已经做了非常高深的机器学习的建模研究，但是我还是想从一个比较基础的提升Pandas使用角度来做一篇总结~
今天主要想了解的有：
1、不同性别、舱位和年龄的分布情况
2、不同性别、舱位和登录港口的获救比例比较，找到生还比例更高的特征有哪些

一、数据清洗

①筛选列

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

data = pd.read_csv('train.csv')
print(data.info())

先看看各个特征代表的是什么意思：

PassengerId => 乘客ID，这个不会影响到存活，可删除
Pclass => 乘客等级(1/2/3等舱位)
Name => 乘客姓名，不会影响，可删除
Sex => 性别
Age => 年龄
SibSp => 堂兄弟/妹个数
Parch => 父母与小孩个数
Ticket => 船票信息 ，不会影响，可删除
Fare => 票价
Cabin => 客舱 ，不会影响，可删除
Embarked => 登船港口

data.drop(['PassengerId', 'Ticket','Cabin'],axis=1,inplace=True)
print(data.info())
print(data.isnull().sum())

发现Age和Embarked有缺失值，Age缺失较多，达177个，年龄是分析相当重要的特征，不能删除，可以用填充法，这里选择填充均值；Embarked由于缺失值较少，直接删除或者填充都行， 这里选择删除。

data.Age = data.Age.fillna(data.Age.mean())
data.dropna(subset=['Embarked'],how='any',axis=0,inplace=True)
print(data.isnull().sum())

二、数据规整
①性别转换为数值，便于后续进行分析

print(data.Sex.unique())
data.loc[data['Sex']=='male','Sex']=0
data.loc[data['Sex']=='female','Sex']=1

②登录港口转换成数值，便于后续分析

print(data.Embarked.unique())
data.loc[data['Embarked']=='S','Embarked'] = 0
data.loc[data['Embarked']=='C','Embarked'] = 1
data.loc[data['Embarked']=='Q','Embarked'] = 2

pd.options.display.max_rows=None
pd.options.display.max_columns=None
print(data.describe())

三、数据分析

① 存活人数分布

# 存活情况
plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['font.serif'] = ['SimHei']
fig,axes = plt.subplots(2,3,figsize=(20,30))
plt.subplot(2,3,1)
data['Survived'].value_counts().plot(kind='Bar',alpha=0.8)
plt.title('存活人数')

大概有330人获救，比例1/3左右

②不同船舱的人数分布

# 不同船舱的人数分布
plt.subplot(2,3,2)
data['Pclass'].value_counts().plot(kind='Bar',alpha=0.8)
plt.title('不同船舱人数')

3等舱人数最多，这也符合人们的收入情况

③存活和遇难的年龄分布

# 统计存活和遇难的年龄分布
plt.subplot(2,3,3)
plt.scatter(data['Survived'],data['Age'],alpha=0.8)
plt.title('存活和遇难年龄分布')

获救与遇难的年龄分布都比较广，没有太大区别
④不同港口登录的人数分布

 #不同港口登录的人数分布
plt.subplot(2,3,4)
data['Embarked'].value_counts().plot(kind='Bar',alpha=0.8)
plt.title('不同港口登录的人数分布')

S港口获救的人数最多，可能有距离上的优势，其余两个人数较少

⑤不同舱位的年龄分布

 # 不同舱位的年龄分布
plt.subplot(2,3,5)
data['Age'][data['Pclass']==1].plot(kind='kde',label='1')
data['Age'][data['Pclass']==2].plot(kind='kde',label='2')
data['Age'][data['Pclass']==3].plot(kind='kde',label='3')
plt.title('不同舱位的年龄分布')
plt.legend(loc='best')

一等舱和二等舱年龄要稍长一些，三等舱要年轻化一点，这与不同年龄段累计财富比较一致

⑥不同非直系亲属数量的人数分布

# 不同非直系亲属数量的人数分布
plt.subplot(2,3,6)
data['SibSp'].value_counts().plot(kind='bar')
plt.title('不同非直系亲属数量的人数分布')

没有非直系亲属一起前行的占了绝大部分，其次是与一位同行的

⑦ 不同性别的获救情况分布

# 不同性别的获救情况分布
survive_0 = data['Survived'][data['Sex']==0].value_counts()
survive_1 = data['Survived'][data['Sex']==1].value_counts()
data1 =pd.DataFrame({'获救': survive_1,'未获救': survive_0})
data1.plot(kind='Bar',stacked=True)
plt.title('不同性别的获救比例')

从图上可看出，船上的男性大概是女性的1.5倍，男性获救的比例不到20%，女性获救的比例达到70%以上，说明船上的男士真的很绅士，把存活的机会留给了女性

⑧ 不同等级舱位的获救情况

# 不同等级舱位的获救情况
survive_0 = data['Pclass'][data['Survived']==0].value_counts()
survive_1 = data['Pclass'][data['Survived']==1].value_counts()
data2 =pd.DataFrame({'获救': survive_1,'未获救': survive_0})
data2.plot(kind='Bar',stacked=True)
plt.title('不同等级舱位的获救比例')

船舱等级越高，获救比例越高，说明越有钱，越容易得救

⑨不同登录港口的获救情况

# 不同登录港口的获救情况
survive_0 = data['Embarked'][data['Survived']==0].value_counts()
survive_1 = data['Embarked'][data['Survived']==1].value_counts()
data3 =pd.DataFrame({'获救': survive_1,'未获救': survive_0})
data3.plot(kind='bar',stacked=True)
plt.title('不同登录港口的获救比例')
plt.show()

S港口登录的人数最多，但是获救的比例却最低，C港口获救的比例是最高的，大概60%，Q港口为35%左右

上述就是基于Survived，Sex，Age，Embarked等字段的描述性分析，可以发现女生、头等舱、从C港口登录的乘客获救可能性更高，后续还会用机器学习的方法建模，找到最佳特征。

请点个赞再走呗~~