python 分析泰坦尼克号生还率，结果真让人感到很无奈！

泰坦尼克号数据集，

学习Python中有不明白推荐加入交流群号：

前面548中间377后面875

群里有志同道合的小伙伴，互帮互助，

‍群里有不错的学习教程！

是kaggle（Titanic: Machine Learning from Disaster）上入门机器学习（ML）的一个好的可选数据集，当然，也是不错的练习数据分析的数据集。对 python ，在数据分析方面，作为一柄利器，涵盖了「数据获取数据处理数据分析数据可视化」这个流程中每个环节， 这风骚的操作，也是没谁了。

这个项目做下来，除了没有涉及到数据抓取（python爬虫）外，基本上把python 数据处理分析的各个版块都做了一个完整的贯穿。对此进行归纳总结，算是倒逼自己对所接触到的知识，进行结构化的梳理和输出。

探索的问题

主要探寻坦尼克号上的生还率和各因素（客舱等级、年龄、性别、上船港口等）的关系。

获取数据

我把原始数据 titanic-data.csv 放在和 notebook 文件同一目录下，然后通过read_csv 来载入文件，当然在开始载入数据前，我必须按照需求将需要用到的 Python 包导入进来。

# 用于数据分析

import pandas as pd

import numpy as np

# 用于绘图

import matplotlib.pyplot as plt

import seaborn as sns

%matplotlib inline

# 读取前五行数据

data_t = pd.read_csv('titanic-data.csv')

data_t.head()

复制代码

PassengerIdSurvivedPclassNameSexAgeSibSpParchTicketFareCabinEmbarked0103Braund, Mr. Owen Harrismale22.010A/5 211717.2500NaNS1211Cumings, Mrs. John Bradley (Florence Briggs Th...female38.010PC 1759971.2833C85C2313Heikkinen, Miss. Lainafemale26.000STON/O2. 31012827.9250NaNS3411Futrelle, Mrs. Jacques Heath (Lily May Peel)female35.01011380353.1000C123S4503Allen, Mr. William Henrymale35.0003734508.0500NaNS

# 数据集信息，包含数据集大小，列名，类型

data_t.info()

data_t.columns.values

复制代码

RangeIndex: 891 entries, 0 to 890

Data columns (total 12 columns):

PassengerId 891 non-null int64

Survived 891 non-null int64

Pclass 891 non-null int64

Name 891 non-null object

Sex 891 non-null object

Age 714 non-null float64

SibSp 891 non-null int64

Parch 891 non-null int64

Ticket 891 non-null object

Fare 891 non-null float64

Cabin 204 non-null object

Embarked 889 non-null object

dtypes: float64(2), int64(5), object(5)

memory usage: 83.6+ KB

array(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp',

'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'], dtype=object)

复制代码

数据观察

载入 titanic-data.csv 到一个 DataFrame ，然后用 head() 函数打印出前5行数据（p.s 用 tail() 函数可以打印出后5行）。

通过对数据的初步观测，这个数据样本一共有 891 行 * 12 列数据,字段包含： 'PassengerId（乘客id）', 'Survived（是否活下来）', 'Pclass（船舱等级）', 'Name（姓名）', 'Sex（性别）', 'Age（年龄）', 'SibSp（兄弟姐妹同行数量）','Parch（父母配偶同行数量）', 'Ticket（票）', 'Fare（费）', 'Cabin（船舱）', 'Embarked（上船站）'

其中， 定类变量 包括 Survived，Sex，Embarked， 定序变量 包括 Pclass， 数字变量 包括 PassengerId，Age，SibSp，Parch，Fare

通过观测发现，Age、Cabin、Embarked 包含了有空值

# 字段分析

def y(x):

return data_t[x].unique()

print('='*20 + 'Survived字段内容' + '='*20)

print(y('Survived'))

print('='*20 + 'Sex字段内容' + '='*20)

print(y('Sex'))

print('='*20 + 'Pclass字段内容' + '='*20)

print(y('Pclass'))

print('='*20 + 'Embarked字段内容' + '='*20)

print(y('Embarked'))

复制代码

====================Survived字段内容====================

[0 1]

====================Sex字段内容====================

['male' 'female']

====================Pclass字段内容====================

[3 1 2]

====================Embarked字段内容====================

['S' 'C' 'Q' nan]

复制代码

变量的值

Survived 的值：0（死亡），1（存活）

Sex 的值：male（男性），female（女性）

Embarked的值包含 'S' 'C' 'Q'

# 显示重复的数据数量

data_t.duplicated().value_counts()

复制代码

False 891

dtype: int64

复制代码

重复数据

数据集一共有 891 行数据，不重复。

# 显示有空值的列

print(data_t['Age'].isnull().value_counts())

print('-'*50)

print(data_t['Cabin'].isnull().value_counts())

print('-'*50)

print(data_t['Embarked'].isnull().value_counts())

print('-'*50)

复制代码

False 714

True 177

Name: Age, dtype: int64

--------------------------------------------------

True 687

False 204

Name: Cabin, dtype: int64

--------------------------------------------------

False 889

True 2

Name: Embarked, dtype: int64

--------------------------------------------------

复制代码

空值情况

Age 一共有 714 行空数据

Cabin（船舱）一共有 204 行空数据

Embarked（上船站）一共有 2 行空数据。

# 描述性分析

data_t.describe()

复制代码

PassengerIdSurvivedPclassAgeSibSpParchFarecount891.000000891.000000891.000000714.000000891.000000891.000000891.000000mean446.0000000.3838382.30864229.6991180.5230080.38159432.204208std257.3538420.4865920.83607114.5264971.1027430.80605749.693429min1.0000000.0000001.0000000.4200000.0000000.0000000.00000025%223.5000000.0000002.00000020.1250000.0000000.0000007.91040050%446.0000000.0000003.00000028.0000000.0000000.00000014.45420075%668.5000001.0000003.00000038.0000001.0000000.00000031.000000max891.0000001.0000003.00000080.0000008.0000006.000000512.329200

描述性统计

在这次旅行的 891 名乘客中，有 38% 的人活了下来，幸运儿。

所有旅客中，年龄最小的只有 0.4 岁，最大的有 80 岁，平均年龄在 28 岁左右。

平均每个乘客有 0.52 个兄弟姐妹陪同，有 0.38 个父母配偶陪同。

有些乘客居然有 8 名同行的人。

旅客为这趟旅行平均花费 32 美元，最高花费 512 美元（贵族吧）

数据清洗（cleanse the data）

题外话 据说数据清洗这一块在实际业务中大概占有 80% 的时间，可真是苦逼。

缺失值处理中，我们一般会删除缺失值。pandas模块中，提供了将包含NaN值的行删除的方法dropna()，但其实处理缺失值最好的思路是 用最接近的数据替换

首先，清洗数据就是处理空值，让这些空值参与到之后的数据分析中去。其次，我将删除那些对于数据分析本身并没有相关性的数据列，比如Cabin（因为一个船舱号对于是否能够逃生确实没有任何影响）。最后，我会观察数据集，看看是否可以创造出一些新的特性，让我们的分析能够更直观快捷。

# 处理空值

data_t['Age'] = data_t['Age'].fillna(data_t['Age'].mean()).astype(np.int64)

data_t['Embarked'] = data_t['Embarked'].fillna({"Embarked":"S"},inplace=True)

# 删除无关的列

data_t = data_t.drop(['Ticket','Cabin'],axis='columns')

data_t.info()

复制代码

RangeIndex: 891 entries, 0 to 890

Data columns (total 10 columns):

PassengerId 891 non-null int64

Survived 891 non-null int64

Pclass 891 non-null int64

Name 891 non-null object

Sex 891 non-null object

Age 891 non-null int64

SibSp 891 non-null int64

Parch 891 non-null int64

Fare 891 non-null float64

Embarked 0 non-null object

dtypes: float64(1), int64(6), object(3)

memory usage: 69.7+ KB

复制代码

处理空值和多余的值

上面用年龄的平均数来代替空值，因为 'S' 出现的频数最多，咖位最高，所以用 'S' 代替空值。

我删除掉了 'Ticket','Cabin' 两列数据，实际上这两列数据对于我们分析数据并没有太多用处。

数据可视化分析

数据透视表是 Excel 中最常用的数据汇总分析工具，它可以根据一个或多个制定的维度对数据进行聚合，探索数据内深层次的信息。

在 pandas 中，同样提供了pandas.pivot_table 函数来实现这些功能。在接下来的分析中，我们会多次用到这个函数，所以先来熟悉下下这个函数：

pandas.pivot_table 函数中包含四个主要的变量，以及一些可选择使用的参数。四个主要的变量分别是数据源 data，行索引 index，列 columns，和数值 values。可选择使用的参数包括数值的汇总方式，NaN值的处理方式，以及是否显示汇总行数据等。

基本情况分析

我们先来看下基本情况：891人当中，生还比率与未生还比率是多少？

total_survived = data_t['Survived'].sum()

total_no_survived = 891 - total_survived

plt.figure(figsize = (10,5)) # 创建画布

plt.subplot(121) # 添加第一个子图

sns.countplot(x='Survived',data=data_t)

plt.title('Survived count')

plt.subplot(122) # 添加第二个子图

plt.pie([total_survived,total_no_survived],labels=['Survived','No survived'],autopct='%1.0f%%')

plt.title('Survived rate')

plt.show()

复制代码

结论：这891名乘客中，生还和未生还的比率分别为 38% 和 62%。

分别探索下 Pclass、Sex、Age 和 Embarked 等与“生还率”的关系.

舱位（Pclass）与生还率关系

把 pivot_table 派上场。

# 不同船舱人数分布

data_t.pivot_table(values='Name',index='Pclass',aggfunc='count')

复制代码

NamePclass121621843491

传几个参数就出来了，是不是很方便。

如果不使用 pivot_table 函数，我们一般用 group_by 来分组聚合。

data_t[['Pclass','Name']].groupby(['Pclass']).count()

复制代码

NamePclass121621843491

比较来说，pivot_table 函数可读性更高。

可视化操作

plt.figure(figsize = (10,5)) # 创建画布

sns.countplot(x='Pclass',data=data_t)

plt.title('Person Count Across on Pclass')

plt.show()

复制代码

还可以用饼图。

plt.figure(figsize = (10,5)) # 创建画布

plt.pie(data_t[['Pclass','Name']].groupby(['Pclass']).count(),labels=['1','2','3'],autopct='%1.0f%%')

plt.axis("equal") #绘制标准的圆形图

plt.show()

复制代码

好了，这是不同舱位的人数分布情况，我们需要求出的是舱位与生还率的关系。

舱位与生还率的关系

data_t.pivot_table(values='Survived',index='Pclass',aggfunc=np.mean)

复制代码

SurvivedPclass10.62963020.47282630.242363

可视化操作

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

sns.barplot(data=data_t,x="Pclass",y="Survived",ci=None) # ci表示置信区间

plt.show()

复制代码

结论：头等舱的生还概率最大，其次是二等舱，三等舱的概率最小。

性别（Sex）与生还率关系

# 不同性别生还率

data_t.pivot_table(values='Survived',index='Sex',aggfunc=np.mean)

复制代码

SurvivedSexfemale0.742038male0.188908

可视化操作

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

sns.barplot(data=data_t,x='Sex',y='Survived',ci=None)

plt.show()

复制代码

结论：女性幸存概率远远大于男性。

综合考虑性别（Sex），舱位（Pclass）与生还率关系

#首先计算不同舱位不同性别的人的生还概率

data_t.pivot_table(values='Survived',index=['Pclass','Sex'],aggfunc=np.mean)

复制代码

SurvivedPclassSex1female0.968085male0.3688522female0.921053male0.1574073female0.500000male0.135447

可视化操作

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

sns.pointplot(data=data_t,x='Pclass',y='Survived',hue='Sex',ci=None)

plt.show()

复制代码

结论

在各个船舱中，女性的生还率都大于男性。

一二等船舱中女性生还率接近，且远大于三等舱。

一等舱的男性生还率大于二三等舱，二三等舱男性生还率接近。

年龄（Age）与生还率关系

与上面的舱位、性别这些分类变量不同，年龄是一个连续的数值变量，一般处理这样的数据类型，我们采用将连续性的变量离散化的方法。

所谓离散化，指的是将某个变量的所在区间分割为几个小区间，落在同一个区间的观测值用同一个符号表示，简单理解就是将属于统一范围类的观测值分为一组。然后分组观察。

pandas中提供了cut函数，对变量进行离散化分割。

data_t['AgeGroup'] = pd.cut(data_t['Age'],5) # 将年龄的列数值划分为五等份

data_t.AgeGroup.value_counts(sort=False)

复制代码

(-0.08, 16.0] 100

(16.0, 32.0] 525

(32.0, 48.0] 186

(48.0, 64.0] 69

(64.0, 80.0] 11

Name: AgeGroup, dtype: int64

复制代码

各个年龄段的生还率

data_t.pivot_table(values='Survived',index='AgeGroup',aggfunc=np.mean)

复制代码

SurvivedAgeGroup(-0.08, 16.0]0.550000(16.0, 32.0]0.344762(32.0, 48.0]0.403226(48.0, 64.0]0.434783(64.0, 80.0]0.090909

可视化操作

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

sns.barplot(data=data_t,x='AgeGroup',y='Survived',ci=None)

plt.xticks(rotation=60) # 设置标签刻度角度

plt.show()

复制代码

结论：儿童少年组的生还率更高。

多因素分析

以上是单独看年龄／性别／舱位和生还率的关系，下面我们综合多个因素来看生还率。

年龄（Age），性别（Sex）与生还率关系

data_t.pivot_table(values='Survived',index='AgeGroup',columns='Sex',aggfunc=np.mean)

复制代码

SexfemalemaleAgeGroup(-0.08, 16.0]0.6734690.431373(16.0, 32.0]0.7183910.159544(32.0, 48.0]0.7910450.184874(48.0, 64.0]0.9166670.177778(64.0, 80.0]NaN0.090909

可视化操作

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

sns.pointplot(data=data_t,x="AgeGroup",y="Survived",hue="Sex",ci=None,

markers=["^", "o"], linestyles=["-", "--"])

plt.xticks(rotation=60)

plt.show()

复制代码

结论：儿童少年，女性的生还率更高。男性生还的基本上都是儿童少年。

年龄（Age），性别（Sex），舱位（Pclass）与生还率关系

data_t.pivot_table(values="Survived",index="AgeGroup",columns=["Sex","Pclass"],aggfunc=np.mean)

复制代码

SexfemalemalePclass123123AgeGroup(-0.08, 16.0]0.8333331.0000000.5454551.0000000.8181820.270270(16.0, 32.0]0.9756100.9230770.5212770.3541670.0862070.138776(32.0, 48.0]1.0000000.9047620.2500000.4358970.0769230.055556(48.0, 64.0]0.9411760.8333331.0000000.2692310.0909090.000000(64.0, 80.0]NaNNaNNaN0.1666670.0000000.000000

可视化操作

sns.FacetGrid(data=data_t,row="AgeGroup",aspect=2.5)

.map(sns.pointplot,"Pclass","Survived","Sex",hue_order=["male","female"],ci=None,palette="deep",

markers=["^", "o"], linestyles=["-", "--"]).add_legend()

plt.show()

复制代码

总结

本次分析主要探寻泰坦尼克号上的生还率和各因素（客舱等级、年龄、性别、上船港口等）的关系。

样本数量为 891，海难发生后，生还者还剩 342 人，生还率为 38%。

泰坦尼克号上有一二三等舱三种船舱类型，其中头等舱的生还概率最大，其次是二等舱，三等舱的概率最小。

891人中，男性共577人，女性314人，女性生还率远远大于男性。可见女性比男性在这次事故中更容易生还，表明“女士优先”的原则在本次事故中得到了发扬。

样本的 891 人中，最小年龄为 0.42 ，最大年龄 80。按照[(0.34, 16.336]

样本的 891 人中，从 C 上船的生还率最高， Q上船的 次之， S上船生还率 最低。

最后需要说明的是，此次数据分析的数据集是从总体中抽样而来的，如果抽样无偏，样本是从总体随机选取，根据中心极限定理，分析结果具有代表性，如果不是随机选出，那么分析结果就不可靠了。