python 分析泰坦尼克號生還率

泰坦尼克號資料集，是kaggle（Titanic: Machine Learning from Disaster）上入門機器學習（ML）的一個好的可選資料集，當然，也是不錯的練習資料分析的資料集。對 python ，在資料分析方面，作為一柄利器，涵蓋了「資料獲取→資料處理→資料分析→資料視覺化」這個流程中每個環節， 這風騷的操作，也是沒誰了。

這個專案做下來，除了沒有涉及到資料抓取（python爬蟲）外，基本上把python 資料處理分析的各個版塊都做了一個完整的貫穿。對此進行歸納總結，算是倒逼自己對所接觸到的知識，進行結構化的梳理和輸出。

探索的問題

主要探尋坦尼克號上的生還率和各因素（客艙等級、年齡、性別、上船港口等）的關係。

獲取資料

我把原始資料 titanic-data.csv 放在和 notebook 檔案同一目錄下，然後通過read_csv 來載入檔案，當然在開始載入資料前，我必須按照需求將需要用到的 Python 包匯入進來。

# 用於資料分析
import pandas as pd
import numpy as np

# 用於繪圖
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

# 讀取前五行資料
data_t = pd.read_csv(`titanic-data.csv`)
data_t.head()
複製程式碼

# 資料集資訊，包含資料集大小，列名，型別
data_t.info()
data_t.columns.values
複製程式碼

<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)
複製程式碼

資料觀察

• 載入 titanic-data.csv 到一個 DataFrame ，然後用 head() 函式列印出前5行資料（p.s 用 tail() 函式可以列印出後5行）。

• 通過對資料的初步觀測，這個資料樣本一共有 891 行 * 12 列資料,欄位包含：
  `PassengerId（乘客id）`, `Survived（是否活下來）`, `Pclass（船艙等級）`, `Name（姓名）`, `Sex（性別）`, `Age（年齡）`, `SibSp（兄弟姐妹同行數量）`,`Parch（父母配偶同行數量）`, `Ticket（票）`, `Fare（費）`, `Cabin（船艙）`, `Embarked（上船站）`

• 其中， 定類變數 包括 Survived，Sex，Embarked， 定序變數 包括 Pclass， 數字變數 包括 PassengerId，Age，SibSp，Parch，Fare

• 通過觀測發現，Age、Cabin、Embarked 包含了有空值

# 欄位分析
def y(x):
    return data_t[x].unique()
print(`=`*20 + `Survived欄位內容` + `=`*20)
print(y(`Survived`))
print(`=`*20 + `Sex欄位內容` + `=`*20)
print(y(`Sex`))
print(`=`*20 + `Pclass欄位內容` + `=`*20)
print(y(`Pclass`))
print(`=`*20 + `Embarked欄位內容` + `=`*20)
print(y(`Embarked`))
複製程式碼

====================Survived欄位內容====================
[0 1]
====================Sex欄位內容====================
[`male` `female`]
====================Pclass欄位內容====================
[3 1 2]
====================Embarked欄位內容====================
[`S` `C` `Q` nan]
複製程式碼

變數的值

• 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`

# 顯示重複的資料數量

data_t.duplicated().value_counts()
複製程式碼

False    891
dtype: int64
複製程式碼

重複資料

資料集一共有 891 行資料，不重複。

# 顯示有空值的列
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)
複製程式碼

False    714
True     177
Name: Age, dtype: int64
--------------------------------------------------
True     687
False    204
Name: Cabin, dtype: int64
--------------------------------------------------
False    889
True       2
Name: Embarked, dtype: int64
--------------------------------------------------
複製程式碼

空值情況

• Age 一共有 714 行空資料
• Cabin（船艙）一共有 204 行空資料
• Embarked（上船站）一共有 2 行空資料。

# 描述性分析
data_t.describe()
複製程式碼

描述性統計

• 在這次旅行的 891 名乘客中，有 38% 的人活了下來，幸運兒。
• 所有旅客中，年齡最小的只有 0.4 歲，最大的有 80 歲，平均年齡在 28 歲左右。
• 平均每個乘客有 0.52 個兄弟姐妹陪同，有 0.38 個父母配偶陪同。
• 有些乘客居然有 8 名同行的人。
• 旅客為這趟旅行平均花費 32 美元，最高花費 512 美元（貴族吧）

資料清洗（cleanse the data）

題外話
據說資料清洗這一塊在實際業務中大概佔有 80% 的時間，可真是苦逼。

缺失值處理中，我們一般會刪除缺失值。pandas模組中，提供了將包含NaN值的行刪除的方法dropna()，但其實處理缺失值最好的思路是用最接近的資料替換

首先，清洗資料就是處理空值，讓這些空值參與到之後的資料分析中去。其次，我將刪除那些對於資料分析本身並沒有相關性的資料列，比如Cabin（因為一個船艙號對於是否能夠逃生確實沒有任何影響）。最後，我會觀察資料集，看看是否可以創造出一些新的特性，讓我們的分析能夠更直觀快捷。

# 處理空值
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)
# 刪除無關的列
data_t = data_t.drop([`Ticket`,`Cabin`],axis=`columns`)
data_t.info()
複製程式碼

<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
複製程式碼

處理空值和多餘的值

上面用年齡的平均數來代替空值，因為 `S` 出現的頻數最多，咖位最高，所以用 `S` 代替空值。

我刪除掉了 `Ticket`,`Cabin` 兩列資料，實際上這兩列資料對於我們分析資料並沒有太多用處。

資料視覺化分析

資料透視表是 Excel 中最常用的資料彙總分析工具，它可以根據一個或多個制定的維度對資料進行聚合，探索資料內深層次的資訊。

在 pandas 中，同樣提供了pandas.pivot_table 函式來實現這些功能。在接下來的分析中，我們會多次用到這個函式，所以先來熟悉下下這個函式：

pandas.pivot_table 函式中包含四個主要的變數，以及一些可選擇使用的引數。四個主要的變數分別是資料來源 data，行索引 index，列 columns，和數值 values。可選擇使用的引數包括數值的彙總方式，NaN值的處理方式，以及是否顯示彙總行資料等。

基本情況分析

我們先來看下基本情況：891人當中，生還比率與未生還比率是多少？

total_survived = data_t[`Survived`].sum()
total_no_survived = 891 - total_survived

plt.figure(figsize = (10,5)) # 建立畫布
plt.subplot(121) # 新增第一個子圖
sns.countplot(x=`Survived`,data=data_t)
plt.title(`Survived count`)

plt.subplot(122) # 新增第二個子圖
plt.pie([total_survived,total_no_survived],labels=[`Survived`,`No survived`],autopct=`%1.0f%%`)
plt.title(`Survived rate`)

plt.show()
複製程式碼

結論：這891名乘客中，生還和未生還的比率分別為 38% 和 62%。

分別探索下 Pclass、Sex、Age 和 Embarked 等與“生還率”的關係.

艙位（Pclass）與生還率關係

把 pivot_table 派上場。

# 不同船艙人數分佈
data_t.pivot_table(values=`Name`,index=`Pclass`,aggfunc=`count`)
複製程式碼

傳幾個引數就出來了，是不是很方便。

如果不使用 pivot_table 函式，我們一般用 group_by 來分組聚合。

data_t[[`Pclass`,`Name`]].groupby([`Pclass`]).count()
複製程式碼

比較來說，pivot_table 函式可讀性更高。

視覺化操作

plt.figure(figsize = (10,5)) # 建立畫布
sns.countplot(x=`Pclass`,data=data_t)
plt.title(`Person Count Across on Pclass`)

plt.show()
複製程式碼

還可以用餅圖。

plt.figure(figsize = (10,5)) # 建立畫布
plt.pie(data_t[[`Pclass`,`Name`]].groupby([`Pclass`]).count(),labels=[`1`,`2`,`3`],autopct=`%1.0f%%`)
plt.axis("equal") #繪製標準的圓形圖

plt.show()
複製程式碼

好了，這是不同艙位的人數分佈情況，我們需要求出的是艙位與生還率的關係。

艙位與生還率的關係

data_t.pivot_table(values=`Survived`,index=`Pclass`,aggfunc=np.mean)
複製程式碼

視覺化操作

plt.figure(figsize= (10 ,5))
sns.barplot(data=data_t,x="Pclass",y="Survived",ci=None) # ci表示置信區間

plt.show()
複製程式碼

結論：頭等艙的生還概率最大，其次是二等艙，三等艙的概率最小。

性別（Sex）與生還率關係

# 不同性別生還率
data_t.pivot_table(values=`Survived`,index=`Sex`,aggfunc=np.mean)
複製程式碼

視覺化操作

plt.figure(figsize=(10,5))
sns.barplot(data=data_t,x=`Sex`,y=`Survived`,ci=None) 

plt.show()
複製程式碼

結論：女性倖存概率遠遠大於男性。

綜合考慮性別（Sex），艙位（Pclass）與生還率關係

#首先計算不同艙位不同性別的人的生還概率
data_t.pivot_table(values=`Survived`,index=[`Pclass`,`Sex`],aggfunc=np.mean)
複製程式碼

視覺化操作

plt.figure(figsize=(10,5))
sns.pointplot(data=data_t,x=`Pclass`,y=`Survived`,hue=`Sex`,ci=None)

plt.show()
複製程式碼

結論

• 在各個船艙中，女性的生還率都大於男性。
• 一二等船艙中女性生還率接近，且遠大於三等艙。
• 一等艙的男性生還率大於二三等艙，二三等艙男性生還率接近。

年齡（Age）與生還率關係

與上面的艙位、性別這些分類變數不同，年齡是一個連續的數值變數，一般處理這樣的資料型別，我們採用將連續性的變數離散化的方法。

所謂離散化，指的是將某個變數的所在區間分割為幾個小區間，落在同一個區間的觀測值用同一個符號表示，簡單理解就是將屬於統一範圍類的觀測值分為一組。然後分組觀察。

pandas中提供了cut函式，對變數進行離散化分割。

data_t[`AgeGroup`] = pd.cut(data_t[`Age`],5) # 將年齡的列數值劃分為五等份
data_t.AgeGroup.value_counts(sort=False)
複製程式碼

(-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
複製程式碼

各個年齡段的生還率

data_t.pivot_table(values=`Survived`,index=`AgeGroup`,aggfunc=np.mean)

複製程式碼

視覺化操作

plt.figure(figsize=(10,5))
sns.barplot(data=data_t,x=`AgeGroup`,y=`Survived`,ci=None)
plt.xticks(rotation=60) # 設定標籤刻度角度

plt.show()
複製程式碼

結論：兒童少年組的生還率更高。

多因素分析

以上是單獨看年齡／性別／艙位和生還率的關係，下面我們綜合多個因素來看生還率。

年齡（Age），性別（Sex）與生還率關係

data_t.pivot_table(values=`Survived`,index=`AgeGroup`,columns=`Sex`,aggfunc=np.mean)
複製程式碼

視覺化操作

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()
複製程式碼

結論：兒童少年，女性的生還率更高。男性生還的基本上都是兒童少年。

年齡（Age），性別（Sex），艙位（Pclass）與生還率關係

data_t.pivot_table(values="Survived",index="AgeGroup",columns=["Sex","Pclass"],aggfunc=np.mean)

複製程式碼

視覺化操作

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()
複製程式碼

總結

本次分析主要探尋泰坦尼克號上的生還率和各因素（客艙等級、年齡、性別、上船港口等）的關係。

樣本數量為 891，海難發生後，生還者還剩 342 人，生還率為 38%。

泰坦尼克號上有一二三等艙三種船艙型別，其中頭等艙的生還概率最大，其次是二等艙，三等艙的概率最小。

891人中，男性共577人，女性314人，女性生還率遠遠大於男性。可見女性比男性在這次事故中更容易生還，表明“女士優先”的原則在本次事故中得到了發揚。

樣本的 891 人中，最小年齡為 0.42 ，最大年齡 80。按照[(0.34, 16.336] < (16.336, 32.252] < (32.252, 48.168] < (48.168, 64.084] < (64.084, 80.0]]劃分原則，劃分為5組，兒童少年組的生還率最高，年齡越大，生還率越低。“尊老愛幼”的原則在本次事故中沒有很好體現。

樣本的 891 人中，從 C 上船的生還率最高， Q上船的 次之， S上船生還率 最低。

最後需要說明的是，此次資料分析的資料集是從總體中抽樣而來的，如果抽樣無偏，樣本是從總體隨機選取，根據中心極限定理，分析結果具有代表性，如果不是隨機選出，那麼分析結果就不可靠了。