泰坦尼克数据分析与预处理

泰坦尼克数据分析与预处理

数据预览

import pandas
import numpy as np
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
#from __future__ import division
from scipy import stats
import seaborn as sns
###首先导入各种模块
###让图片在ipython notebook上直接显示
#matplotlib inline

df=pandas.read_csv("train.csv") 
print(df.describe()) #数据描述

       PassengerId    Survived      Pclass         Age       SibSp  \
count   892.000000  892.000000  892.000000  715.000000  892.000000   
mean    445.547085    0.383408    2.308296   30.249189    0.523543   
std     257.564835    0.486489    0.835666   20.038824    1.102240   
min       1.000000    0.000000    1.000000    0.420000    0.000000   
25%     222.750000    0.000000    2.000000   20.750000    0.000000   
50%     445.500000    0.000000    3.000000   28.000000    0.000000   
75%     668.250000    1.000000    3.000000   38.000000    1.000000   
max     891.000000    1.000000    3.000000  400.000000    8.000000   

            Parch           Fare  
count  892.000000     892.000000  
mean     0.381166     195.705100  
std      0.805706    4887.636304  
min      0.000000       0.000000  
25%      0.000000       7.917700  
50%      0.000000      14.454200  
75%      0.000000      31.000000  
max      6.000000  146000.520800  

#查看数据类型

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 892 entries, 0 to 891
Data columns (total 13 columns):
PassengerId    892 non-null int64
Survived       892 non-null int64
Pclass         892 non-null int64
Name           892 non-null object
Sex            892 non-null object
Age            715 non-null float64
SibSp          892 non-null int64
Parch          892 non-null int64
Ticket         892 non-null object
Fare           892 non-null float64
Ethnicity      892 non-null object
Cabin          204 non-null object
Embarked       890 non-null object
dtypes: float64(2), int64(5), object(6)
memory usage: 90.7+ KB

数据与处理

可以看出Age（年龄有缺失值）尝试填充（填充策略为平均值填充）；同时Embarked有非常少的两个缺失值，这里用’S’填充，S为众数

#Embarked有非常少的两个缺失值，这里用'S'填充
df['Embarked']=df['Embarked'].fillna('S')

#处理Age的缺失值，Age是连续数据，这里用平均值填充缺失值
age_mean=df['Age'].mean()
df['Age']=df['Age'].fillna(age_mean)

将性别数据数值化

#这里把性别数据值字符串不便于计算换成数值，
#用1代表男性，用0代表女性，将性别数值化
def sex_value(Sex):
    if Sex=='male':
        return 1
    else:
        return 0

df['Sex']=df['Sex'].apply(lambda x:sex_value(x))

数据的描述性分析

#获取生还乘客的数据
survives_passenger_df=df[df['Survived']==1]

#定义几个常用的方法

#按照xx对乘客进行分组，计算每组的人数
def xx_group_all(df,xx):
    #按照xx对乘客进行分组后 ，每个组的人数
    return df.groupby(xx)['PassengerId'].count()

#计算每个组的生还率
def group_passenger_survived_rate(xx):
    #按xx对乘客进行分组后每个组的人数
    group_all=xx_group_all(df,xx)
    #按xx对乘客进行分组后每个组生还者的人数
    group_survived_value=xx_group_all(survives_passenger_df,xx)
    #按xx对乘客进行分组后，每组生还者的概率
    return group_survived_value/group_all

#输出饼图
def print_pie(group_data,title):
    group_data.plt.pie(title=title,figsize=(6,6),autopct='%.2f%%'\
                      ,startangle=90,legend=True)
    
    
    

#输出柱状图
def print_bar(data,title):
    bar=data.plot.bar(title=title)
    for p in bar.patches:
        bar.annotate('%.2f%%'%(p.get_height()*100),(p.get_x()*1.005\
                     ,p.get_height()*1.005))

探索性别对生还率的影响

#不同性别对生还率的影响
df_sex1=df['Sex'][df['Survived']==1]
df_sex0=df['Sex'][df['Survived']==0]
plt.hist([df_sex1,df_sex0],
        stacked=True,
        label=['Rescued','not saved'])
plt.xticks([-1,0,1,2],[-1,'F','M',2])
plt.legend()
plt.title('Sex_Survived')

Text(0.5, 1.0, 'Sex_Survived')

看出全体乘客中男性占了大部分，但是生还乘客中女性占了大部分；

• 不难得出结论：女性的生还概率比男性的更高

乘客等级与生还率的关系

#不同等级对生还率的影响
df_sex1=df['Pclass'][df['Survived']==1]
df_sex0=df['Pclass'][df['Survived']==0]
plt.hist([df_sex1,df_sex0],
        stacked=True,
        label=['Rescued','not saved'])
plt.xticks([1,2,3],['Upper','Middle','lower'])
plt.legend()
plt.title('Pclass_Survived')

Text(0.5, 1.0, 'Pclass_Survived')

全体乘客中lower等级的乘客超过了一半，生还乘客中upper等级的人最多，
对比各个等级的死亡人数和生还人数：

• 结论：Upper等级生还概率大于Middle、lower的生存概率，等级越好生还概率越好

#不同年龄段对生还率的影响elderly，child,youth
#年龄数据进行处理，0-18为child(少年)，18-40为youth（青年），40-80为elderly（老年）
def age_duan(age):
    if age<=18:
        return 1
    elif age<=40:
        return 2
    else:
        return 3
    
df['Age']=df['Age'].apply(lambda x:age_duan(x))

df_sex1=df['Age'][df['Survived']==1]
df_sex0=df['Age'][df['Survived']==0]
plt.hist([df_sex1,df_sex0],
        stacked=True,
        label=['Rescued','not saved'])
plt.xticks([1,2,3],['child','youth','elderly'])
plt.legend()
plt.title('Age_Survived')

Text(0.5, 1.0, 'Age_Survived')

全部乘客中大部分人否在30岁左右，而0-10的生还率比其他年龄段都要高

• 结论：0-10岁的生还率率最高，20-40之间的生还人数最多

多因素分析

#性别和乘客等级共同对生还率的影响
print_bar(group_passenger_survived_rate(['Sex','Pclass']),'Sex_Pclass_Survived')

不难看出，生还率的影响主要有性别和乘客等级，其中乘客等级影响因素大小依次为1>2>3

逻辑回归尝试

#暂无

参考

数据分析泰坦尼克号