泰坦尼克号幸存者数据分析
泰坦尼克号幸存者数据分析
- 1、泰坦尼克号数据集
- 2、数据集加载与概览
- 3、泰坦尼克号幸存者数据分析
- 4、哪些人可能成为幸存者？
1、泰坦尼克号数据集
泰坦尼克号的沉没是世界上最严重的海难事故之一，造成了大量的人员伤亡。这是一艘号称当时世界上最大的邮轮，船上的人年龄各异，背景不同，有贵族豪门，也有平民旅人，邮轮撞击冰山后，船上的人马上采取措施安排救生艇转移人员，从本次海难中存活下来的，也就是幸存者
泰坦尼克号数据集为1912年泰坦尼克号沉船事件中相关人员的个人信息以及存活状况。包含了2224名乘客和船员的姓名、性别、年龄、船票等级、船票价格、船舱号、登船港口、生存情况等信息。这些历史数据已经被分为训练集和测试集，我们可以根据训练集训练出合适的模型并预测测试集中的存活状况
数据集来源：https://www.kaggle.com/c/titanic
数据集下载：传送门
数据集各文件介绍：
gender_submission.csv：乘客编号与是否幸存记录train.csv：训练集test.csv：测试集
数据集（训练集和测试集）的属性信息（11特征+1标签）如下：
| 特征/标签 | 说明 |
|---|---|
| PassengerId | 乘客编号 |
| Survived | 是否幸存，1是0否 |
| Pclass | 船舱等级，1（一等）、2（二等）、3（三等） |
| Name | 乘客姓名 |
| Sex | 乘客性别 |
| Age | 乘客年龄 |
| SibSp | 与乘客同行的兄弟姐妹及配偶人数 |
| Parch | 与乘客同行的父母及子女人数 |
| Ticket | 船票编号 |
| Fare | 船票价格 |
| Cabin | 乘客座位号 |
| Embarked | 乘客登船码头，C（Cherbourg）、Q（Queenstown）、S（Southampton） |
2、数据集加载与概览
1）加载数据集
import pandas as pd
import numpy as nppath = r"C:\Users\cc\Desktop\titanic_dataset\train.csv"
# 加载数据集
data = pd.read_csv(path, encoding='utf-8')
# 数据集前5行
print(data.head().to_string())
'''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 Thayer) 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
'''
2）数据集大小
# 数据集的大小
print(data.shape) # (891, 12)
泰坦尼克号数据集（训练集）有891个样本，12个特征和标签
3）特征和标签
# 数据集的特征和标签
data.info()
结果如图所示：
泰坦尼克号数据集的特征和标签及对应数据类型如上图所示
4）数据缺失情况
# 数据集的缺失情况
print(data.isnull().sum())
结果如图所示：
从结果可见，泰坦尼克号数据集中的乘客年龄和乘客座位号有大量缺失
3、泰坦尼克号幸存者数据分析
问题提出： 哪些人可能成为幸存者？
在回答这个问题之前，我们先来看一下泰坦尼克号全员整体的获救比例
1）获救比例
# 获救人数占比
survive_ratio = data['Survived'].value_counts(normalize=True).reset_index()
print(survive_ratio)
# 幸存者占比：38.4%；遇难者占比：61.6%
结果如图所示：
结论1：泰坦尼克号幸存者仅占全员人数的38.4%
2）性别特征对获救率的影响
a、 男性乘客与女性乘客占比
# 男性乘客与女性乘客占比
mf_count = data['Sex'].value_counts().reset_index()
print(mf_count)
# 男性乘客：577人，女性乘客：314人
结果如图所示：
b、 男性乘客与女性乘客的获救率
# 男性乘客与女性乘客的获救率
mf_ratio = data['Survived'].groupby(data['Sex']).value_counts().reset_index()
# 合并
mf_data = pd.merge(mf_ratio, mf_count, how='left', on='Sex')
mf_data['rescue_ratio'] = mf_data['count_x'] / mf_data['count_y']
print(mf_data)
# 男性乘客获救比例：18.9%，女性乘客获救比例：74.2%
结果如图所示：
结论2：女性乘客总人数比男性少，但是获救人数却比男性乘客要多。性别特征对获救概率影响较大
3）船舱等级特征对获救率的影响
a、 各船舱等级乘客占比
# 各船舱等级乘客占比
pc_count = data['Pclass'].value_counts().reset_index()
print(pc_count)
# 一等：216人，二等：184人，三等：491人
结果如图所示：
b、 各船舱等级乘客的获救率
# 各船舱等级乘客的获救率
pc_ratio = data['Survived'].groupby(data['Pclass']).value_counts().reset_index()
# 合并
pc_data = pd.merge(pc_ratio, pc_count, how='left', on='Pclass')
pc_data['rescue_ratio'] = pc_data['count_x'] / pc_data['count_y']
print(pc_data)
# 一等获救比例：62.9%，二等获救比例：47.3%，三等获救比例：24.2%
结果如图所示：
结论3：一等船舱获救比例最高，三等船舱获救比例最低。船舱等级对于乘客的获救率存在较大的影响
4）各船舱等级中的性别特征对获救率的影响
a、 不同船舱等级的男女乘客人数
# 不同船舱等级的男女乘客人数
ps_count = data['Sex'].groupby(data['Pclass']).value_counts().reset_index()
print(ps_count)
# 一等：男122人，女94人，二等：男108人，女76人，三等：男347人，女144人
结果如图所示：
b、 不同等级船舱的男性乘客与女性乘客的获救率
# 不同等级船舱的男性乘客与女性乘客的获救率
ps_ratio = data['Survived'].groupby([data['Pclass'], data['Sex']]).value_counts().reset_index()
# 合并
ps_data = pd.merge(ps_ratio, ps_count, how='left', on=['Pclass', 'Sex'])
ps_data['rescue_ratio'] = ps_data['count_x'] / ps_data['count_y']
print(ps_data)
# 一等获救比例：男39.9%，女96.8%，二等获救比例：男 15.7%，女92.1%，三等获救比例：男13.5%，女50.0%
结果如图所示：
结论4：各等级船舱中男性乘客多于女性乘客，但是女性乘客的获救比例都高于男性乘客。不同等级船舱的女性乘客的获救率高于男性，这可能是女士优先的原因
4、哪些人可能成为幸存者？
根据上述分析结果，我们可以得到以下两个关于乘客获救率的结论：
- 在泰坦尼克号上，女性的获救率高于男性
- 高等级船舱的乘客获救率高于低等级船舱
另外，我们也可以从年龄等其他角度进行分析，有兴趣的小伙伴可以自行尝试
参考文章：https://zhuanlan.zhihu.com/p/129247887