泰坦尼克号数据分析python实战

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.astype('str') #将index从数字转换为字符型“0”“1”
_x=total_survived.index  #赋值
_y=total_survived.values  #赋值

#画图
plt.figure(figsize=(10,5),dpi=80)  #plt.figure()定义画布
ax1=plt.subplot(1,2,1) #创建一个1行2列的子图，并开始绘制第一个子图

plt.title('Survived Count')
plt.bar(_x[0],_y[0],color='#39cc6A',align='center',label='survived') #bar绘制直方图
plt.bar(_x[1],_y[1],color='#ff9361',align='center',label='not survived')
label=['survived','not survived']
plt.xlabel('survived or not',fontsize=10) #添加x轴标签
plt.ylabel('count',fontsize=10) #添加y轴标签
plt.ylim(0,600) 

ax2=plt.subplot(1,2,2) #绘制第2个子图
plt.title('Survived Rate')
plt.pie(total_survived,labels=['not survived','survived'],colors=['#ff9361','#39cc64'], autopct='%3.0f%%', startangle=230)
plt.axis('equal')

#plt.legend() 添加图例
plt.show()

结论1：由图形可以看出，这891名乘客中，获救的占38%，没获救的占比62，死亡率很高。

这里遇到一个问题：绘制直方图，X轴的标签赋值label设置无效。但是饼图中的label有效。希望有大佬可以解答一下，谢谢。

问题2：船舱等级Pclass对存活Survived的影响？

df['Pclass']=df['Pclass'].astype('str')
df_survived=df['Pclass'][df['Survived']==1] #将获救的Pclass数据取出来，右边等式返回的是索引值和Pclass值
df_not_survived=df['Pclass'][df['Survived']==0] #提取未获救的Pclass数据

plt.figure(figsize=(10,5),dpi=80)

plt.hist([df_survived,df_not_survived],stacked=True,color=['#39cc6a','#ff9361'],label=['Survived','Not Survived'])
plt.xticks(['1','2','3'],['Upper','Middle','Lower'])
plt.legend()  #添加数据图例
plt.xlabel('Pclass',fontsize=10)
plt.ylabel('Count',fontsize=10)
plt.title('Pclass_Survived')
plt.ylim(0,600)

结论2：第3层的船舱人数越多，获救率反而最小，船舱等级越高，获救率越大
问题3：性别Sex对存活Survived的影响？

df['Sex']=df['Sex'].astype('str')
df_sex1=df['Sex'][df['Survived']==1]
df_sex0=df['Sex'][df['Survived']==0]

plt.figure(figsize=(5,5),dpi=80)

plt.hist([df_sex1,df_sex0],stacked=True,color=['#39cc6a','#ff9361'],label=['Survived','Not Survived'])
plt.xticks([-1,0,1,2],[-1,'F','M',2])
plt.legend()
plt.xlabel('Sex',fontsize=10)
plt.ylabel('count',fontsize=10)
plt.ylim(0,600)
plt.title('Sex_Survived')

plt.show()

结论3：船上男性的人数比女性多，但女性的获救率远大于男性
问题4：年龄Age对存活Survived的影响？

#先对于年龄进行分层
def age_level(age):
        if age <= 9:
            return str('1')
        elif age <=24:
            return str('2')
        elif age <=59:
            return str('3')
        else:
            return str('4')

df['Age']=df['Age'].apply(lambda x: age_level(x))

df_age1=df['Age'][df['Survived']==1]
df_age0=df['Age'][df['Survived']==0]

plt.figure(figsize=(10,5),dpi=80)
plt.hist([df_age1,df_age0],stacked=True,color=['#39CC6A','#FF9361'],label=['Survived','Not Survived'])
plt.xticks(['1','2','3','4'],['kids','youth','middle','old'])
plt.legend()
plt.xlabel('Age_level',fontsize=10)
plt.ylabel('count',fontsize=10)
plt.title('Age_Survived')
plt.ylim(0,700)

plt.show()

结论4：中年人（24-59岁）的人数最多，获救人数也最多，儿童（0-9岁）的获救率最高。

参考文章：https://blog.csdn.net/jessie0615/article/details/90173259