品玩SAS：泰坦尼克号之灾（上）——逃生率分析

作者：刘璐

出品：AI机器思维

最近重温了一遍泰坦尼克号，又一次为杰克和露丝甜美的爱情感动，两人坦诚真挚的相爱让人神往，一阵幻想过后咬了口嘴边的柠檬，真酸...

从泰坦尼克号撞上冰山，到最终完全沉没的两个半小时里，随着事态的不断恶化，人们求生的态度从有序，到混乱，直到最后绝望蔓延，所有安宁时的伪装被狠狠撕碎，人性的善与恶在此刻被急剧放大，一览无余。而船长“让女士和孩子先上船”的号召则让绝境下的撤离生出一丝温暖，是爱与责任让你我相伴，也愿这份爱护你余生周全。

跳出整个事件的情感漩涡，单就撤离这件事来看，船长的命令起没起作用？或者起了多大作用？真正逃生的又是哪些人？今天我们就一起来探讨下泰坦尼克号的逃生率问题，该问题主要分为两部分，一是分析影响逃生率的因素有哪些，二是在这种因素影响下，预测另一群人逃生的概率。

本期“品玩SAS”主要分析影响逃生率的各项因素，探索发现哪些人更有可能逃生。

1 事件介绍

泰坦尼克号由白星航运公司于1909年开始建造，1912年全部建造完成，是当时世界上最大，最豪华的轮船，被世人称为“永不沉没”的轮船。泰坦尼克号最大载员3,547人，救生艇最大载员1500人。1912年4月10日，泰坦尼克号载着2224名船员及乘客从英国南安普敦出发，开始了她的第一次也是最后一次航行。1912年4月14日23:40分左右，泰坦尼克号撞上一座冰山，导致右舷船艏至船中部破裂，五间水密舱进水，轮船开始沉没，最终2224人中1517人丧生，仅有705人登上救生艇获救。

2 理解数据

2.1 数据来源

本文数据取自KAGGLE泰坦尼克号生存预测比赛：https://www.kaggle.com/c/titanic/overview，其中包括训练集和测试集，训练集中包括乘客获救状态和基本信息，测试集仅包括乘客基本信息，需根据训练集信息建立模型，对测试集乘客进行生存预测。

2.2 查看数据

2.2.1 导入数据

首先把数据导入SAS，看一看数据长什么样。

*导入数据;

proc import out=train

datafile='D:\sastest\liulu\titanic\train.csv'

dbms=csv replace;

getnames=yes;

run;

proc print data=train;

run;

proc contents data=train;

run;

训练集总计891条数据，12个变量，即891名乘客的12种基本信息，其中PassengerId、Survived、Pclass、Age、SibSp、Parch、Fare为数值型， Name、Sex、Ticket Cabin、Embarked为字符型。

2.2.2 字段解释

PassengerId：乘客ID

Survived : 生存状态，0为死亡，1为幸存

Pclass：乘客等级(1/2/3等舱位)

Name：乘客姓名

Sex：性别

Age：年龄

SibSp：兄弟姐妹个数

Parch：父母孩子个数

Ticket：船票号码

Fare：票价

Cabin：客舱

Embarked：登船港口

对数值型变量进行描述性统计。

*查看描述性统计;

proc means data=train mean median mode min max;

run;

从上图可以看出，891名乘客中仅有38.38384%的人最后获救了，2等舱3等舱的乘客比1等舱的要多，乘客的平均年龄大概为29.7岁，登上泰坦尼克号的平均票价为32.2英镑，而大多数乘客的票价则在8英镑左右，说明票价高低差距悬殊，使得平均值被显著拉大，无法真实显示票价情况。

3 数据分析

3.1 总体情况

*查看生存状态、性别、乘客等级、登场港口、年龄分布情况;

proc sql;

select survived,count(*) from train

group by survived;

quit;

proc sql;

select sex,count(*) fromtrain

group by sex;

quit;

proc sql;

select Pclass,count(*) from train

group by Pclass;

quit;

proc sql;

select Embarked,count(*) from train

group by Embarked;

quit;

proc sql;

create table agee as

select age,count(*)

from train

where age is not null

group by age;

quit;

我们从上图可以看出，获救的人数占比38%，不到半数；在全体乘客中男性居多，占到65%；乘客等级中，3等舱乘客占比超过一半，其次为1等舱乘客；登船港口人数按照S、C、Q递减，而且S远多于另外俩港口，其次另有两名乘客没有登船港口信息；年龄上集中在16至40岁之间的青壮年，儿童与老人较少。

3.2 性别与幸存率的关系

*性别与幸存率;

proc sql;

select sex,count(case when survived=0 then passengerid end) as死亡,

count(case when survived=1 then passengerid end) as生存,

catt(round(count(case when survived=1 then passengerid end)/(count(case when survived=0 then passengerid end)+count(case when survived=1then passengerid end))*100,0.1),'%') as 存活率

from train

group by sex;

quit;

在泰坦尼克号电影里，船长曾呼吁“让女士与小孩先走”，到底遵循情况如何呢？上图给了我们一半答案，女性的存活人数显著高于死亡人数，且74.2%的存活率远高于男性的18.9%，看来歪果朋友们绅士的执行了这一规则。

3.3 船舱等级与幸存率的关系

*船舱等级与幸存率;

proc sql;

select Pclass,count(case when survived=0 then passengerid end) as死亡,

count(case when survived=1 then passengerid end) as生存,

catt(round(count(case when survived=1then passengerid end)/(count(case when survived=0then passengerid end)+count(case when survived=1then passengerid end))*100,0.1),'%') as存活率

from train

group by Pclass;

quit;

从船舱等级上来看，1等舱生存人数大幅高于死亡人数，乘客幸存率为63%，3等舱与1等舱恰好相反，死亡人数是生存人数的3倍，幸存率仅为24.2%，推测高社会地位获得优先选择权。

3.4 年龄与幸存率的关系

*年龄与幸存率;

proc sql;

select age,survived,count(*) from

(select case whenAge <= 1 then '婴儿'

when Age <= 18 then '青少年'

when Age <= 30 then '青年'

when Age <= 60 then '中年'

else'老年'endas Age,survived

from train

where Age >0) As a

group by age,survived;

quit;

我们将小于1岁的定义为婴儿，1-18岁的为青少年，19-30岁的为青年，31-60岁的为中年，60+的为老年，从上图来看，青少年和婴儿的幸存率最高，其次为中年和青年，幸存率最低的为老年。

3.5 票价与幸存率的关系

*票价与幸存率;

proc sql;

select fare,

count(case when survived=0 then passengerid end) as死亡,

count(case when survived=1 then passengerid end) as生存,

catt(round(count(case whensurvived=1 then passengerid end)/(count(case when survived=0 then passengerid end)+count(case when survived=1 then passengerid end))*100,0.1),'%') as 存活率

from

(select case when fare<100 then floor(fare/10)*10

else 100 end as fare,survived,passengerid

from train) a

group by fare;

quit;

票价与幸存率之间基本符合票价越高幸存率越高的趋势，票价和乘客等级吻合。

3.6 登船港口与幸存率的关系

*登船港口与幸存率;

proc sql;

select Embarked,count(case when survived=0 then passengerid end) as死亡,

count(case when survived=1 then passengerid end) as生存,

catt(round(count(case when survived=1 then passengerid end)/(count(case when survived=0 then passengerid end)+count(case when survived=1 then passengerid end))*100,0.1),'%') as 存活率

from train

group by Embarked;

quit;

从登船港口来看，登船人数最多的S港幸存率最低，Q港登船人数最少，幸存率也仅有369%，而C港的乘客有超过一半获救，幸存率最高。

3.7 兄弟姐妹数与幸存率的关系

*兄弟姐妹数与幸存率;

proc sql;

select SibSp,count(case when survived=0 then passengerid end) as 死亡,

count(case when survived=1 then passengerid end) as 生存,

catt(round(count(case whensurvived=1 then passengerid end)/(count(case when survived=0 then passengerid end)+count(case when survived=1then passengerid end))*100,0.1),'%') as 存活率

from train

group by SibSp;

quit;

兄弟姐妹数为0、1、2的乘客，幸存率较高；其中为1或2的乘客，幸存率在50%左右；数值大于等于3的乘客，幸存率很低。

3.7 父母孩子数与幸存率的关系

*父母孩子数与幸存率;

proc sql;

select Parch,count(case when survived=0 then passengerid end) as 死亡,

count(case when survived=1 then passengerid end) as 生存,

catt(round(count(case when survived=1 then passengerid end)/(count(case when survived=0 then passengerid end)+count(case when survived=1 then passengerid end))*100,0.1),'%') as 存活率

from train

group by Parch;

quit;

父母孩子数为1到3的乘客，幸存率高于50%；父母孩子数为0的乘客幸存率次之，大于等于4的乘客，幸存率非常低。

4 总结

通过对乘客各个基本信息的分析，以往对于幸存率感觉上的认知得到了验证，总结以上的分析，结论如下：

1）女性幸存率远高于男性

2）乘客（船舱）等级越高，幸存率越高

3）婴儿和青少年幸存率高于成年人

4）票价越高幸存率越高

5）S港登船乘客最多，但乘客幸存率最低，C港过半乘客获救

6）综合来看，家人亲友数为3及以下的乘客幸存率较高