一.材料准备

https://www.kaggle.com/c/titanic-gettingStarted/

二.提出问题

  生存率和哪些因素有关(性别,年龄,是否有伴侣,票价,舱位等级,包间,出发地点)

  1.乘客的年龄和票价的分布

  2.样本生存的几率是多少

  3.乘客的性别比例

  4.乘客的舱位分布

  5.性别和生还有没有关系

  6.舱位等级和生还有没有关系

  7.年龄和生还有没有关系

  8.出发地点和生存率有没有关系

  9.票价和生还有没有关系

  10.有陪伴的乘客的生还几率是否更高

三.编写代码和做出图形来验证所提出的的问题

1.加载数据

1 %pylab inline
2 %matplotlib inline
3 import seaborn as sns
4 import numpy as np
5 import pandas as pd
6 import matplotlib.pyplot as plt
7 titanic_data = pd.read_csv('titanic-data.csv')
8 titanic_data.info()

View Code

结论:Age,Embarked这两列需要进行数据清洗,因为Cabin列缺失的数据太多所以不能作为分析的依据

2.自定义函数分析数据

1 #统计变量和生存率的关系,如果需要使用堆栈图更清晰的展示数据,stacked的值设置为True,为False默认展示该变量下的生存率
2 def visualize_survival(feature,stacked=False):
3     if stacked:
4         survived_rate = titanic_data.groupby([feature,'Survived'])['Survived'].count().unstack().plot(kind='bar',stacked='True')
5     else:
6         survived_rate = (titanic_data.groupby([feature]).sum()/titanic_data.groupby([feature]).count())['Survived']
7         survived_rate.plot(kind='bar')
8     plt.title(feature + ' V.S. Survival') 

View Code

1 #比较单个变量之间的关系,feature表示要分析的列,args表示x轴的名称
2 def visualize_column(feature,*args):
3     fig,ax=plt.subplots(figsize=(7,5))
4     titanic_data[feature].value_counts().plot(kind='bar')
5     for i in range(len(args)):
6         ax.set_xticklabels((args[i]),rotation='horizontal')
7     ax.set_title('bar of ' + feature)

View Code

3.分析乘客年龄和票价分布

1 fig,axes=plt.subplots(2,1,figsize=(15,5))
2 titanic_data['Age'].hist(ax=axes[0])  #年龄分布
3 axes[0].set_title('plot of age')
4 titanic_data['Fare'].hist(ax=axes[1])  #票价分布
5 axes[1].set_title('plot of fare')

View Code

结论:

  1.大部分乘客的年龄在20到40岁之间

  2.票价在主要分布在(0,100)美元之间

4.样本的生存几率

1 survived_rate = float(titanic_data['Survived'].sum())/titanic_data['Survived'].count()
2 print survived_rate
3 by_survived = titanic_data.groupby(['Survived'])['Survived'].count()
4 plt.pie(by_survived,labels=['Non-Survived','Survived'],autopct='%1.0f%%')
5 plt.title('Pie Chart Of Surviveness for Surviveness of Passengers')

View Code

结论:整体的存活率约等于0.384,不超过40%的存活率

5.乘客的性别比例

1 visualize_column('Sex',('Male','Female'))

View Code

结论:大部分的乘客是男性,男性比女性多50%

6.乘客的舱位分布

1 visualize_column('Pclass',('Class 3','Class 2','Class 1')) 

View Code

结论:三等舱的工人和奴隶占绝大多数,大约是一二等舱的总和

7.性别和生还的关系

1 visualize_survival('Sex',True)

View Code

结论:女性的生还人数远远超过男性

8.舱位等级和生还的关系

1 visualize_survival('Pclass',True)

View Code

结论:1等舱生还的几率超过50%,2等舱的生还几率接近50%,而三等舱获救的可能性最低,证实了事故发生时三等舱被第一时间锁死

9.年龄和生还的关系

首先年龄这一列存在多个空值,要进行数据的清洗,利用非空的年龄字段计算出平均年龄来填充到空值字段,其次分段是在(0,80]之间,所以以10年作为分段点可以更直观的看出年龄和生存率的关联

1 titanic_data.Age.fillna(titanic_data.Age.mean(),inplace=True)   #使用均值来填充Age中的空值
2 ages = np.arange(0,90,10) #年龄分段
3 titanic_data['age_cut'] = pd.cut(titanic_data.Age,ages)
4 visualize_survival('age_cut',True)

View Code

结论:婴儿的生存比例较高,其次(20,40)岁之间的成年人生存所占比例较高,50岁以上老人和10岁左右的儿童少年生存率偏低

10.出发地点和生存率的关系

发现有个上船地点是空值,要进行数据的清洗,因为空值的票价接近于瑟堡的中位数,所以以C填充空值

1 titanic_data.Embarked[titanic_data.Embarked.isnull()]
2 print titanic_data[titanic_data['Embarked'].isin(['S','C','Q'])==False]
3 titanic1 = titanic_data[titanic_data['Pclass']==1]
4 ax=sns.boxplot(titanic1.Embarked,titanic1.Fare)
5 plt.plot((-100,100),(80,80),'r-')

View Code

做出结论图形

1 titanic_data.Embarked=titanic_data.Embarked.fillna('C')
2 visualize_survival('Embarked')

View Code

结论:从瑟堡,皇后镇,南安普顿的上船的生存率依次下降

11.票价和生存率的关系

根据问题1的分析可得出票价的分段在(0,500]美金之间,但是根据数据分组来看票价有异常值,如果票价大于100美金则为异常值,需要舍弃否则会影响统计结果的表达,

1 fares = np.arange(0,600,50) #划分票价区间
2 fares_cut = pd.cut(titanic_data.Fare,fares)
3 fares_cut_group = titanic_data.groupby(fares_cut)
4 fares_cut_group.count().PassengerId #获取异常数据
5 titanic_data.Fare.sort_values(ascending=False).head() #查看异常数据
6 #进行IQR运算找出异常数据
7 q75,q25 = np.percentile(titanic_data.Fare,[75,25])
8 iqr = q75-q25
9 print q75+iqr*3  #确定异常数据的值

View Code

结论:超过100.27美金的票价都是异常值,在接下来的分析中要舍弃

重新进行票价的统计分区,做出图形

1 fares_count = titanic_data.Fare[titanic_data.Fare<100.27] #舍弃异常数据
2 fares_count_range = np.arange(0,110,10) #重新计算票价区间
3 titanic_data['new_fare'] = pd.cut(titanic_data.Fare,fares_count_range)
4 visualize_survival('new_fare')

View Code

结论:总体来说票价越高生还的几率越大

12.有陪伴的乘客的生还几率是否更高

1 #通过SibSp+Parch总体计算出陪伴的生还率
2 titanic_data['family_member'] = titanic_data.SibSp+titanic_data.Parch
3 visualize_survival('family_member')

View Code

结论:当有1,2个家庭成员结伴出行的时候,生存率较高,但不是主要提高生存的途径

四.总结:

由上述一系列图表可知

  1.样本整体的存活率大约为39%

  2.性别是影响生存率的最主要的因素

  3.票价和舱位是影响生存率的第二要因

  4.年龄和生存率没有太大的关系

  5.上船地点和是否家人结伴略微地影响了生存率

五.分析限制讨论:

  1.此样本并非是泰坦尼克号全部乘客的数据,据了解,泰坦尼克号一共有2224名乘客,本数据一共是891名乘客,如果是891名乘客根据是从2224名乘客中随机选出,根据中心极限定理,该样本足够大,分析结论具有代表性,如果不是随机抽取,那么分析的结果就不可靠

  2.可能还有其他影响生存的情况,比如国籍是否影响生存率,是否会游泳会不会影响生存率,不同的职业会不会影响生存率

转载于:https://www.cnblogs.com/luhuajun/p/7682641.html

Titanic数据分析相关推荐

  1. Titanic数据分析与可视化

    前言:跟Kaggle上大师们做的第一个项目,记录下目前的心得体会,便于后续查阅. 同步转载至个人公众号:R语言学习 同步转载至个人知乎专栏:R语言可视化进阶 泰坦尼克沉船事故已经过去多年,但是关于它的 ...

  2. Kaggle 入门级题目titanic数据分析(EDA)尝试

    Titanic: ML from disaster deal with csv trainning data using pandas etc. Titanic是kaggle的一个toy级别的入门问题 ...

  3. 泰坦尼克号—数据分析(单因素、多因素分析)

    一.提出问题: 获救与其他因素(性别.年龄.舱位)的关系大小 二.整理数据: 数据来源:经典的titanic数据分析,大多数人都会从这个案例做教学或者做练习,数据可从kaggle(https://ww ...

  4. 熊猫的python小课账号_学习python中的pandas有没有好的教程推荐?

    之前好多人私信我python数据分析怎么快速入门,我在这里直接介绍一下自己的心得经验吧. 要学习pandas,我并不建议看大量的教程,等看完教程,天都黑了,一觉醒来热情都凉了. 我的建议是,首先放平心 ...

  5. 基于titanic数据集介绍数据分析处理流程

    对大树先生titanic数据集处理的总结: 本文对大数先生所做的titanic数据集进行进一步整理: 精确到解说每一步需要做什么掌握什么. 原代码链接 原文中数据处理主要分为8大类: 1.数据总览(教 ...

  6. Titanic:Machine Learning from Disaster 人工智能,大数据分析常用入门kaggle项目

    索引 0.了解Kaggle: 1.观察大局: 2.获得数据: 3.从数据探索和可视化中获得洞见: 4.机器学习算法的数据准备: 5.选择和训练模型: 6.微调模型: 0.了解Kaggle: Kaggl ...

  7. 基于Titanic数据集的数据分析处理及乘客生还率预测全流程教程

    基于Titanic数据集的数据分析处理及乘客生还率预测全流程教程 0.项目介绍 1.使用数据集 2.数据的基本统计分析 3.数据的属性探查 4.数据预处理 5.数据的相关性分析 6.特征工程 7.数据 ...

  8. 数据分析入门项目之 :Titanic: Machine Learning from Disaster

    1.摘要: 本文详述了新手如何通过数据预览,探索式数据分析,缺失数据填补,删除关联特征以及派生新特征等数据处理方法,完成Kaggle的Titanic幸存预测要求的内容和目标. 2.背景介绍: Tita ...

  9. Python数据分析与机器学习实战<九>titanic数据集分析实例

    目录 sklearn中文文档 1.17. 神经网络模型(有监督) - sklearnhttps://www.scikitlearn.com.cn/0.21.3/18/#sklearn%E4%B8%AD ...

最新文章

  1. jni java共享变量_JNI/NDK开发指南(七)——C/C++访问Java实例变量和静态变量 .
  2. Java HttpSessionListener监听器的使用
  3. 防盗链技术底层实现原理分析
  4. vue --- vue中的几个钩子属性
  5. [博客..配置?]博客园美化
  6. java面向对象程序设计编程题,已拿到offer
  7. RS-485总线和Modbus通信协议的关系
  8. Leetcode122. 买卖股票的最佳时机 II(贪心)
  9. 小米--万物互联实现原理
  10. 自定义 View 之圆形、圆角、爱心、动态旗帜等图片效果
  11. 夜光带你走进Jquery(十三)擅长的领域
  12. 2021/10/9正睿7测Day.6
  13. Windows搭建Nginx直播推流服务器
  14. 从0使用keil5软件仿真调试GD32F305
  15. Ubuntu系统的内核架构介绍
  16. 如何在网页中调用百度地图API
  17. ubuntu14.04编译安装strongswan
  18. Cognos 配置启动错误
  19. 12864与24C04的原理和使用方法——以电子密码锁为例(下篇)
  20. 谷胱甘肽过氧化物酶(GSH-Px)4种不同的GSH-Px介绍

热门文章

  1. MDK5.29,5.30,5.31,5.32,5.33和各种pack软件包镜像下载
  2. 为什么每个程序员都要学C语言的五个理由
  3. yum安装mysql及启动_linux下使用yum安装mysql以及启动、登录和远程访问
  4. 短时能量法代码c语言,[蓝桥杯][算法提高]能量项链 (Python代码)
  5. 为什么有的项目不能打断点_《街霸:对决》:有效利用“打断”机制,让玩家在战斗中越级战斗...
  6. idea快速写出for循环
  7. 04_resultMap配置
  8. android培训内容明细,记录Android开发学习
  9. python box2d_win10+Anaconda3成功使用pip安装Box2d
  10. c++ 获取当前时间_【Python】日期和时间