泰坦尼克号生存率分析
泰坦尼克号生存率分析
1. 数据总览
Titanic 生存模型预测,其中包含了两组数据:train.csv 和 test.csv,分别为训练集合和测试集合。
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import os
import time #导入事件模块
import warnings
warnings.filterwarnings('ignore')#不发出警告
2. 观察前几行源数据
train_data=pd.read_csv('train.csv')
test_data=pd.read_csv('test.csv')
train_data.head()
3. 绘制存活比例
sns.set_style('ticks')
plt.axis('equal')
train_data['Survived'].value_counts().plot.pie(autopct='%1.2f%%')
4. 结合性别和年龄数据,分析幸存下来的人群特征
① 年龄数据的分布情况
train_data_age = train_data[train_data['Age'].notnull()]plt.figure(figsize=(12,5))
plt.subplot(121)
train_data_age['Age'].hist(bins=70)
plt.xlabel('Age')
plt.ylabel('Num')plt.subplot(122)
train_data.boxplot(column='Age',showfliers=False)
print('总体年龄分布: 去掉缺失值后样本有714,平均年龄约为30岁,标准差14岁,最小年龄0.42,最大年龄80.')
train_data_age['Age'].describe()
总体年龄分布: 去掉缺失值后样本有714,平均年龄约为30岁,标准差14岁,最小年龄0.42,最大年龄80.
② 男性和女性存活情况
train_data[['Sex','Survived']].groupby(['Sex']).mean().plot.bar()
survive_sex = train_data.groupby(['Sex','Survived'])['Survived'].count()
print(survive_sex)print('女性存活率为%.2f%%,男性存活率为%.2f%%' % (survive_sex.loc['female',1]/survive_sex.loc['female'].sum()*100,survive_sex.loc['male',1]/survive_sex.loc['male'].sum()*100))
女性存活率较高
③ 年龄、船舱等级与存活率关系
fig,ax = plt.subplots(1,2, figsize = (18,8))sns.violinplot("Pclass","Age",hue="Survived",data=train_data_age,split=True,ax=ax[0])
ax[0].set_title('Pclass and Age vs Survived')
ax[0].set_yticks(range(0,110,10))
print('按照不同船舱等级划分 → 船舱等级越高,存活者年龄越大,船舱等级1存活年龄集中在20-40岁,船舱等级2/3中有较多低龄乘客存活')sns.violinplot("Sex","Age",hue="Survived",data=train_data_age,split=True,ax=ax[1])
ax[1].set_title('Sex and Age vs Survived')
ax[1].set_yticks(range(0,110,10))
print('按照性别划分 → 男性女性存活者年龄主要分布在20-40岁,且均有较多低龄乘客,其中女性存活更多')
按照不同船舱等级划分 → 船舱等级越高,存活者年龄越大,船舱等级1存活年龄集中在20-40岁,船舱等级2/3中有较多低龄乘客存活
按照性别划分 → 男性女性存活者年龄主要分布在20-40岁,且均有较多低龄乘客,其中女性存活更多
③ 老人和小孩存活情况
plt.figure(figsize=(18,4))
train_data_age['Age_int'] = train_data_age['Age'].astype(int)
average_age = train_data_age[["Age_int", "Survived"]].groupby(['Age_int'],as_index=False).mean()
sns.barplot(x='Age_int',y='Survived',data=average_age, palette = 'BuPu')
plt.grid(linestyle = '--',alpha = 0.5)
print('灾难中,老人和小孩存活率较高')
灾难中,老人和小孩存活率较高
5. 结合 SibSp、Parch字段,研究亲人多少与存活的关系
① 有无兄弟姐妹/父母子女和存活与否的关系
② 亲戚多少与存活与否的关系
# 有无兄弟姐妹/父母子女和存活与否的关系sibsp_df = train_data[train_data['SibSp'] != 0]
no_sibsp_df = train_data[train_data['SibSp'] == 0]
# 筛选出有无兄弟姐妹数据parch_df = train_data[train_data['Parch'] != 0]
no_parch_df = train_data[train_data['Parch'] == 0]
# 筛选出有无父母子女数据plt.figure(figsize=(12,3))
plt.subplot(141)
plt.axis('equal')
sibsp_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct= '%1.1f%%',colormap = 'Blues')
plt.xlabel('sibsp')plt.subplot(142)
plt.axis('equal')
no_sibsp_df['Survived'].value_counts().plot.pie(labels=['No Survived','Survived'],autopct= '%1.1f%%',colormap = 'Blues')
plt.xlabel('no_sibsp')plt.subplot(143)
plt.axis('equal')
parch_df['Survived'].value_counts().plot.pie(labels=['No Survived', 'Survived'], autopct= '%1.1f%%',colormap = 'Reds')
plt.xlabel('parch') plt.subplot(144)
plt.axis('equal')
no_parch_df['Survived'].value_counts().plot.pie(labels=['No Survived', 'Survived'], autopct = '%1.1f%%',colormap = 'Reds')
plt.xlabel('no_parch')print('有兄弟姐妹、父母子女的乘客存活率更大')
有兄弟姐妹、父母子女的乘客存活率更大
# 亲戚多少与存活与否的关系fig, ax=plt.subplots(1,2,figsize=(15,4))
train_data[['Parch','Survived']].groupby(['Parch']).mean().plot.bar(ax=ax[0])
ax[0].set_title('Parch and Survived')
train_data[['SibSp','Survived']].groupby(['SibSp']).mean().plot.bar(ax=ax[1])
ax[1].set_title('SibSp and Survived')
# 查看兄弟姐妹个数与存活率train_data['Family_Size'] = train_data['Parch'] + train_data['SibSp']+1
train_data[['Family_Size','Survived']].groupby(['Family_Size']).mean().plot.bar(figsize = (15,4))
# 查看父母子女个数与存活率print('若独自一人,那么其存活率比较低;但是如果亲友太多的话,存活率也会很低')
若独自一人,那么其存活率比较低;但是如果亲友太多的话,存活率也会很低。
6. 结合票的费用情况,研究票价和存活与否的关系
# 票价分布和存活与否的关系fig, ax=plt.subplots(1,2,figsize=(15,4))
train_data['Fare'].hist(bins=70, ax = ax[0])
train_data.boxplot(column='Fare', by='Pclass', showfliers=False,ax = ax[1])
# 查看票价分布情况fare_not_survived = train_data['Fare'][train_data['Survived'] == 0]
fare_survived = train_data['Fare'][train_data['Survived'] == 1]
# 基于票价,筛选出生存与否的数据
average_fare = pd.DataFrame([fare_not_survived.mean(),fare_survived.mean()])
std_fare = pd.DataFrame([fare_not_survived.std(),fare_survived.std()])
average_fare.plot(yerr=std_fare,kind='bar',legend=False,figsize = (15,4),grid = True)
# 查看票价与是否生还的关系print('生还者的平均票价要大于未生还者的平均票价')
生还者的平均票价要大于未生还者的平均票价
7. 利用KNN分类模型,对结果进行预测
① 模型训练字段:‘Survived’,‘Pclass’,‘Sex’,‘Age’,‘Fare’,‘Family_Size’
# 数据清洗,提取训练字段
knn_train = train_data[['Survived','Pclass','Sex','Age','Fare','Family_Size']].dropna()
knn_train['Sex'][knn_train['Sex'] == 'male'] = 1 #训练数据集中,性别改为数字表示 → 1代表男性,0代表女性
knn_train['Sex'][knn_train['Sex'] == 'female'] = 0test_data['Family_Size'] = test_data['Parch'] + test_data['SibSp']+1
knn_test = test_data[['Pclass','Sex','Age','Fare','Family_Size']].dropna()
knn_test['Sex'][knn_test['Sex'] == 'male'] = 1
knn_test['Sex'][knn_test['Sex'] == 'female'] = 0
print('清洗后训练集样本数据量为%i个' % len(knn_train))
knn_train.head()
清洗后训练集样本数据量为714个
print('清洗后测试集样本数据量为%i个' % len(knn_test))
knn_test.head()
清洗后测试集样本数据量为331个
# 模型预测test.csv样本数据的生还率from sklearn import neighbors
# 导入KNN分类模块knn = neighbors.KNeighborsClassifier()
knn.fit(knn_train[['Pclass','Sex','Age','Fare','Family_Size']], knn_train['Survived'])
# 构建模型knn_test['predict'] = knn.predict(knn_test)
pre_survived = knn_test[knn_test['predict'] == 1].reset_index()
del pre_survived['index']
# 预测存货情况print('finished!')pre_survived
泰坦尼克号生存率分析相关推荐
- 泰坦尼克号数据集_机器学习入门—泰坦尼克号生存率预测
项目名称:泰坦尼克号生存率预测1.导入数据 这里使用kaggle kernel编写代码 数据下载地址为:https://www.kaggle.com/c/titanic 2.数据统计分析 通过desc ...
- 数据挖掘项目1:泰坦尼克号生存率预测
泰坦尼克号生存率预测 数据来源:Kaggle数据竞赛 写这个博客的目的,之前自己做了几个数据挖掘的项目,现在整理一下,记录一下过程.也希望可以分享出来和大家交流交流. 项目的基本思路: 1.认识数据, ...
- 通俗易懂的泰坦尼克号生存分析(titanic)
作者:离散梦 欢迎大家给出宝贵的建议! 泰坦尼克号数据分析 一.前言 主要目的是整理自己的思路.本文主要是关于泰坦尼克号生存率python分析,因为很多博客做这个项目都比较深入,感觉都比较高大上,我们 ...
- Kaggle 泰坦尼克号生存分析(数据概览和缺失值处理部分)
Kaggle 泰坦尼克号生存分析 数据概览 #导入pandas库方便数据读取和预处理,导入os库方便修改工作路径 import os import pandas as pd #读取数据 os.chdi ...
- L:python的Pandas模块:实例练习(泰坦尼克号数据集分析,电影票房统计,股票基本面统计)
实例练习 泰坦尼克号数据集分析 使用Seaborn库中包含的titanic数据集进行一些数据统计. Seaborn是一个图形库,Anaconda已包含此库.数据集参见: https://github. ...
- 基于简单模型KNN——泰坦尼克号获救分析
数据来源:Kaggle数据集 → 共有1309名乘客数据,其中891是已知存活情况(train.csv),剩下418则是需要进行分析预测的(test.csv) 字段意义: PassengerId: 乘 ...
- 泰坦尼克号建模分析-你能活下来吗?
你在泰坦尼克号上你能活下来吗? 泰坦尼克号的沉没是历史上最具影响力的海难之一,在1912年4月15日,泰坦尼克号的处女航中,与冰山相撞后沉没.在当时,船上没有足够的救生艇供所有人使用,导致2224名乘 ...
- 泰坦尼克号生存率预测(持续更新中,探索性数据分析...)
import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt%matplot ...
- python 泰坦尼克号存活率分析
对泰坦尼克号的数据 进行特征分析.数据清理.数据填充.处理分类特征.将连续特征转化为离散特征.合并特征.制作模型.模型预测 import pandas as pd import numpy as np ...
最新文章
- mvc-3模型和数据(1)
- Pandas简明教程:六、Pandas条件查询
- datatables 无法 无法重新初始化datatable_伽巫塔罗:2020年9月运势占卜,摩羯没了热情,无法重新卡死...
- 智能制作,是我们改变时代的机会——阿里云视频云的理想与未来
- php url参数时间戳,AJAX GET 请求 URL 最后面缀的那个类似于时间戳的参数是什么啊?...
- 信息学奥赛一本通 1075:药房管理 | OpenJudge NOI 1.5 23:药房管理
- 基于JAVA+SpringBoot+Mybatis+MYSQL的停车场管理系统
- Python Tricks(二十一)—— 排列组合的计算
- MVC+easyui-datagrid之查看详情
- Windows Server 2003 计划任务创建说明
- 一阶逻辑形式推理系统
- PDF怎么编辑?如何设置页面?
- 【管理学视频课程】关键链的本质--…
- SystemUI添加第三方快捷开关时灰显问题分析
- 2023年电工杯数学建模AB题思路分析
- Lintcode 4 Ugly Number II
- Bia布刷题日记 2022/2/16
- 转载天涯一高人:理解黑话
- 原型工具 Axure 都有哪些好用的技巧
- 百度apollo 7.0 感知代码分析