数据分析--探索泰坦尼克灾难数据

影响乘客生还的因素很多，这里只对乘客的性别、年龄、乘客等级这三个因素感兴趣，看看这三个因素是否会影响乘客的生还率。

1. 性别是否会影响生还率
2. 年龄是否会影响生还率
3. 乘客等级会否会影响乘客率
4. 性别和等级共同对生还率的影响
5. 年纪和性别共同对生还率的影响
6. 年纪和等级共同对生还率的影响

这里：乘客的性别、年龄、等级是三个自变量，生还率是因变量

1、导入数据

import pandas as pd
from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif'] = [u'SimHei'] # SimHei就是中文字体
# 因为设置了中文后，负号就乱码了，所以还要设置负号的编码
plt.rcParams['axes.unicode_minus'] = False # 修改坐标轴中符号的编码

df  = pd.read_csv('train.csv')

2、查看基本信息

df.info()

可以看到，一共有 891 条数据，其中 Age 、 Carbin、Embarked 字段有缺失值或为NaN

熟悉数据

PassengerId:乘客ID Survived:是否获救，用1和Rescued表示获救,用0或者not saved表示没有获救 Pclass:乘客等级，“1”表示Upper，“2”表示Middle，“3”表示Lower Name:乘客姓名 Sex:性别 Age:年龄 SibSp:乘客在船上的配偶数量或兄弟姐妹数量） Parch:乘客在船上的父母或子女数量 Ticket:船票信息 Fare:票价 Cabin:是否住在独立的房间，“1”表示是，“0”为否 embarked:表示乘客上船的码头距离泰坦尼克出发码头的距离，数值越大表示距离越远

查看前5条数据

df.head()

查看数据的摘要信息

df.describe()

从数据摘要中可以看出。乘客的生还率大约在38%，超过50%的乘客在3等级，乘客的平均年龄在30岁左右，普遍比较年轻。

3、数据清洗和处理缺失值

因为这里只研究年龄、性别、等级对乘客生还率的影响，所以只对年龄的缺失值进行处理。处理Age的缺失值2种方案

1. 删除缺失行dropna
2. 填充 fillna() ，填充中位数或平均数

因为Age是连续的，所以可以使用其平均数来填充缺失值

age_mean = df['Age'].mean()
# 重新赋值给 Age字段，修改源数据
df['Age'] = df['Age'].fillna(age_mean)

再次查看数据信息可以发现Age已经被填充

处理性别数据原数据中性别数据值是字符串类型，不便于计算和绘图，需要换成数值，用1代表男性，用0代表女性，将性别数值化。

使用apply函数

def sex_value(Sex):
    if Sex=='male':
        return 1
    else:
        return 0

df['Sex'] .apply(sex_value)

使用map函数

df['Sex'] = df['Sex'].map({'male':1,'female':0})
df.head()

4、

获取生还乘客的DataFrame，即 Survived 为1

survives_passenger_df = df[df['Survived']==1]
survives_passenger_df.head()

计算生还者中男性和女性的人数

# 按性别分组，再统计其数量
survives_passenger_df.groupby('Sex', as_index=False)['Sex'].count()

获取到具体数值，并绘制饼状图

male = survives_passenger_df.groupby('Sex', as_index=False)['Sex'].count().iloc[1][0]

female = survives_passenger_df.groupby('Sex', as_index=False)['Sex'].count().iloc[0][0]

plt.pie([male, female], labels=['男','女'], autopct='%1.1f%%')
plt.show()

可以直观看到，生还者中，女性人数是男性人数的两倍还多。但是还不能说明性别是否会影响生还率。需要看占比情况

分别获取乘客中男性、女性人数

male_count = df[df['Sex']==1]['Sex'].count()

female_count = df[df['Sex']==0]['Sex'].count()

分别计算男、女性生还者占总人数的比值

a = male/male_count*100

b = female/female_count*100

使用表格形式呈现

survives_df = pd.DataFrame({'生还人数':[male,female], '总人数':[male_count,female_count], '生还率':['%.3f%%'%a,'%.3f%%'%b]},index=['男','女'])
survives_df

这样，就可以发现，女性生还率远远高于男性生还率，说明性别会影响生还率。