泰坦尼克号数据探索

本文旨在探索泰坦尼克号乘客的生存率的影响因素，全文分为三大部分：

一、数据概况；

二、数据探索；

三、结论；

一、数据概况；

# 引入必要的库
import numpy  as  np
import pandas  as  pd
import matplotlib.pyplot  as  plt
import seaborn  as  sns

%pylab inline

# 导入csv文件的数据，并查看
titanic_df = pd.read_csv('titanic-data.csv')
titanic_df.head()

Populating the interactive namespace from numpy and matplotlib

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th…	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S

# 查看数据的基本信息
titanic_df.info()

<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

# 先简单看下数据的基本统计学信息；
titanic_df.describe()

	PassengerId	Survived	Pclass	Age	SibSp	Parch	Fare
count	891.000000	891.000000	891.000000	714.000000	891.000000	891.000000	891.000000
mean	446.000000	0.383838	2.308642	29.699118	0.523008	0.381594	32.204208
std	257.353842	0.486592	0.836071	14.526497	1.102743	0.806057	49.693429
min	1.000000	0.000000	1.000000	0.420000	0.000000	0.000000	0.000000
25%	223.500000	0.000000	2.000000	20.125000	0.000000	0.000000	7.910400
50%	446.000000	0.000000	3.000000	28.000000	0.000000	0.000000	14.454200
75%	668.500000	1.000000	3.000000	38.000000	1.000000	0.000000	31.000000
max	891.000000	1.000000	3.000000	80.000000	8.000000	6.000000	512.329200

titanic_df.describe(include=['O'])

	Name	Sex	Ticket	Cabin	Embarked
count	891	891	891	204	889
unique	891	2	681	147	3
top	Graham, Mr. George Edward	male	CA. 2343	C23 C25 C27	S
freq	1	577	7	4	644

可以找出几个有用的信息：

1. 乘客平均的生存率为0.38；
2. 大部分数据有891个，较为齐全；
3. 年龄 和 登船港口 信息缺失，如需研究需要补齐；

二、数据探索

有4个初步的想法，文章从4个方面探索：

1. 妇女更有可能生存；
2. 儿童更有可能生存；
3. 上层乘客更有可能生存；
4. 一些新想法

1.性别对生存率的影响

（1）左图：不同性别（男 or 女）人口数量分布图:

男女比例大概为2:1，有统计意义；

（2）右图：不同性别的存活率图；

plt.figure(figsize = (14, 5))
f, (ax1, ax2) = plt.subplots(1, 2)
ax1.set_title('Survival  Count  VS  Sex')
ax1.set_ylabel('Number of Passenger')
ax2.set_title('Survival  rage  VS  Sex')
ax2.set_ylabel('Survival Rate')
f.set_size_inches((20, 8))
titanic_df.groupby('Sex', as_index=False)['Survived'].count().plot(kind = 'bar', ax = ax1)
titanic_df.groupby('Sex', as_index=False)['Survived'].mean().plot(kind = 'bar', ax = ax2)

<matplotlib.axes._subplots.AxesSubplot at 0x10e29eb8>




<matplotlib.figure.Figure at 0x117058d0>

女人的生存率为0.74，男人生存率为0.18，差别非常大；

小结：

女士更有可能生还

2. 年龄对生存率的影响

（1）缺失值填充：

年龄age有714个，正常有891个，需要处理缺失值，这里采用的方法是用平均值填充；

# 计算平均年龄 
titanic_age_mean = titanic_df['Age'].mean()

# 填充缺失值nan为平均值
titanic_df["Age"] = titanic_df["Age"].fillna(titanic_age_mean)

# 转换年龄的格式从float 到 int
titanic_df['Age']  =  titanic_df['Age'].astype(int)

（2）各年龄段生还率研究：

• 为了方便分析，将年龄这种连续变量转化为分类变量；
• 创建一个年龄段变量，比如(0, 10], (10, 20]……然后对乘客根据年龄分组；
• 查看每个年龄段的乘客数量、生还率；

# 生成一个年龄段list
bins = np.arange(0, 90, 10)

# 新建Age_group变量为年龄段
titanic_df['Age_group'] = pd.cut(titanic_df['Age'], bins)

plt.figure(figsize = (14, 5))
f, (ax1, ax2) = plt.subplots(1, 2)
ax1.set_title('Survival  Count  VS  Age')
ax1.set_ylabel('Number of Passenger')
ax2.set_title('Survival  rage  VS  Age')
ax2.set_ylabel('Survival Rate')
f.set_size_inches((20, 8))
titanic_df.groupby('Age_group')['Survived'].count().plot(kind = 'bar', ax = ax1)
titanic_df.groupby('Age_group')['Survived'].mean().plot(kind = 'bar', ax = ax2)

<matplotlib.axes._subplots.AxesSubplot at 0x11cfa208>




<matplotlib.figure.Figure at 0x11597b38>

从上图可以看出，在大概0-10岁的儿童，其生还的概率超过50%，超过其他年龄段；

小结：

儿童更有可能生还；

3.乘客所在船层对生存率的影响

（1）左图：不同船层乘客数量柱状图；

（2）右图：不同船层乘客生存率柱状图；

plt.figure(figsize = (14, 5))
f, (ax1, ax2) = plt.subplots(1, 2)
ax1.set_title('Survival  Count  VS  Pclass')
ax1.set_ylabel('Number of Passenger')
ax2.set_title('Survival  rage  VS  Pclass')
ax2.set_ylabel('Survival Rate')
f.set_size_inches((20, 8))
titanic_df.groupby('Pclass')['Survived'].count().plot(kind = 'bar', ax = ax1)
titanic_df.groupby('Pclass')['Survived'].mean().plot(kind = 'bar', ax = ax2)

<matplotlib.axes._subplots.AxesSubplot at 0x12e392b0>




<matplotlib.figure.Figure at 0x12ca9518>

不同船层的乘客生存率有显著差异：

• Pclass为1，即在 船上层 的乘客生存率为0.63；
• Pclass为2，即在 船中层 的乘客生存率为0.47；
• Pclass为3，即在 船底层 的乘客生存率为0.24；

小结：

上层乘客更有可能生存

4.一些新想法

既然性别，船层对生还率都有影响，那么她们的组合因素有没有影响呢，
所以做了以下探究：

左图：不同性别、船层 的乘客数量图形

右图：不同性别，船层 的乘客生还率图形

plt.figure(figsize(14, 5))
f, (ax1, ax2) = plt.subplots(1,2)
ax1.set_title('Sex VS Pclass  Count')
ax1.set_ylabel('Number of Passenger')
ax2.set_title('Sex VS Pclass  VS Survival  rage')
ax2.set_ylabel('Survival Rate')
f.set_size_inches((20, 8))
titanic_df.groupby(['Pclass', 'Sex'])['Survived'].count().unstack().plot(kind = 'bar', ax = ax1)
titanic_df.groupby(['Pclass', 'Sex'])['Survived'].mean().unstack().plot(kind = 'bar', ax = ax2)

<matplotlib.axes._subplots.AxesSubplot at 0x1102fa90>




<matplotlib.figure.Figure at 0x114c1550>

可以看出，船上层 和 中层的女生绝大多数都存活下来，

且整体看 存活率由高到低依次是：

(1.female) > (2,female) > (3,female) > (1,male) > (2,male) > (3,male)

小结：

无论是男性还是女性，存活率都随着pclass的增加而降低；

三、结论：

1. 本报告所用乘客数据集为891名，实际乘客为2224名，样本占总量的40.1%，可以代表整个整体，结论仍有可能有偏差，但是分析结果在统计学上可以认为是正确的；
2. 对年龄缺失值采用平均值替代的处理可能会造成偏差，关于年龄部分的结论还需要再探究寻找更加合理的方式；
3. 个人认为还有其他影响存活率的因素，比如：职业，地区，收入等；
4. 真实的影响因素是多样且互相关联的，本文得出的所有结论只是很简单的分析某些变量与生存率的关系，一家之言，欢迎交流；