python 分析泰坦尼克号生还率

泰坦尼克号数据集，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。

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()
data_t.columns.values
复制代码

<class 'pandas.core.frame.DataFrame'>
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)
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]
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
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
--------------------------------------------------
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()
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）
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
<class 'pandas.core.frame.DataFrame'>
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
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()
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')
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()
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()
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()
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)
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()
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)
可视化操作
plt.figure(figsize=(10,5))
sns.barplot(data=data_t,x='Sex',y='Survived',ci=None) 
plt.show()
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)
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()
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
各个年龄段的生还率
data_t.pivot_table(values='Survived',index='AgeGroup',aggfunc=np.mean)
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()
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)
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()
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)
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()
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] < (16.336, 32.252] < (32.252, 48.168] < (48.168, 64.084] < (64.084, 80.0]]划分原则，划分为5组，儿童少年组的生还率最高，年龄越大，生还率越低。“尊老爱幼”的原则在本次事故中没有很好体现。
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。