一.数据描述
1.1 数据加载
加载所需数据与所需的python库。
import statsmodels.api as sm
import statsmodels.formula.api as smf
import statsmodels.graphics.api as smg
import patsy
%matplotlib inline
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from pandas import Series,DataFrame
from scipy import stats
import seaborn as sns
获取数据
train = pd.read_csv("D:/Titanic/train.csv")
1.2 数据解释
数据集中共有12个字段：
PassengerId：乘客编号，Survived：乘客是否存活，Pclass：乘客所在的船舱等级；Name：乘客姓名，Sex：乘客性别，Age：乘客年龄，SibSp：乘客的兄弟姐妹和配偶数量，
Parch：乘客的父母与子女数量，Ticket：票的编号，Fare：票价，Cabin：座位号，Embarked：乘客登船码头。
共有891位乘客的数据信息。其中277位乘客的年龄数据缺失，2位乘客的登船码头数据缺失，687位乘客的船舱数据缺失。
1.3导入数据
train.head()
train.info()
<class ‘pandas.core.frame.DataFrame‘>
Int64Index: 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: 90.5+ KB
1.4描述性统计
结果显示，
共有38.3%的乘客存活，乘客船舱等级的平均值介于2和3之间，大部分乘客等级较低。乘客年龄的平均值为29.7岁，最小值为0.42岁，最大值为80岁。
乘客的兄弟姐妹和配偶数目平均值为0.52，最小值为0，最大值为8个。乘客的父母和子女数目平均值为0.38，最小值为0，最大值为6个。乘客票价的
平均值为32，最小值为0，最大值为512，75%分位数为31，表明大部分乘客的消费能力较低。
train.describe()
二.提出问题
1.座位的等级是否影响存活率
2.票价是否影响存活率
3.存活率是否受登船港口影响
4.乘客的年龄是否影响存活率
5.性别是否会影响存活率
三.数据清洗与预处理
3.1缺失值处理
用年龄的均值填充年龄的缺失值，用出发港口的众数填补出发港口的缺失值。
实现代码如下：
train.Age.mean()
train.Age.fillna(29.7,inplace=True)
train.Embarked.fillna("S",inplace=True)
3.2数据分箱
将年龄数据分段为0-5岁、5-15岁、15-20岁、20-35岁、35-50岁、50-60岁、60-100岁7段。
将Parch变量分成数目为0、数目为1或2、数目为大于2三段。
将SibSp变量分成数目为0、数目为1或2、数目为大于2三段。
将Cabin变量分为缺失和没有缺失两段。
实现代码如下：
train.age=pd.cut(train.Age,[0,5,15,20,35,50,60,100])
pd.crosstab(train.age,train.Survived).plot(kind="bar")
<matplotlib.axes._subplots.AxesSubplot at 0x7674657e48>
train.Parch[(train.Parch>0) & (train.Parch<=2)]=1
train.Parch[train.Parch>2]=2
train.SibSp[(train.SibSp>0) & (train.SibSp<=2)]=1
train.SibSp[train.SibSp>2]=2
train.Cabin[train.Cabin!="U"]="K"
D:\software\新建文件夹 (4)\lib\site-packages\ipykernel\__main__.py:1: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
if __name__ == ‘__main__‘:
D:\software\新建文件夹 (4)\lib\site-packages\ipykernel\__main__.py:2: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
from ipykernel import kernelapp as app
D:\software\新建文件夹 (4)\lib\site-packages\ipykernel\__main__.py:3: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
app.launch_new_instance()
D:\software\新建文件夹 (4)\lib\site-packages\ipykernel\__main__.py:4: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
D:\software\新建文件夹 (4)\lib\site-packages\ipykernel\__main__.py:5: SettingWithCopyWarning:
A value is trying to be set on a copy of a slice from a DataFrame
See the caveats in the documentation: http://pandas.pydata.org/pandas-docs/stable/indexing.html#indexing-view-versus-copy
四.数据可视化
4.1座位的等级是否影响存活率
画出船舱等级与是否获救的交叉表与条形图，如下所示。
可以发现，第一等级的乘客获救的可能性更高，超过50%，第二等级的乘客获救可能性在50%左右，而第三等级的乘客获救可能性很低。
pd.crosstab(train["Pclass"],train["Survived"])
pd.crosstab(train["Pclass"],train["Survived"]).plot(kind="bar")
<matplotlib.axes._subplots.AxesSubplot at 0x76741cbf98>
4.2票价是否影响存活率
画出乘客是否获救与票价的箱线图，如下所示。可以发现，总体而言，获救的乘客票价更高。
实现代码如下：
fig,ay = plt.subplots()
Fare1 = train.Fare[train.Survived == 1]
Fare0 = train.Fare[train.Survived == 0]
plt.boxplot((Fare1,Fare0),labels=(‘Survived‘,‘Not Survived‘))
ay.set_ylim([-10,150])
ay.set_title("Boxplot of Fare")
<matplotlib.text.Text at 0x76745e5470>
4.3存活率是否受登船港口的影响
画出登船港口与是否获救的交叉表与条形图，如下所示。可以发现，从Cherburge出发的乘客获救的人数比例更高。
pd.crosstab(train["Embarked"],train["Survived"])
pd.crosstab(train["Embarked"],train["Survived"]).plot(kind="bar")
<matplotlib.axes._subplots.AxesSubplot at 0x767436f4e0>
4.4乘客的年龄是否会影响存活率
画出乘客是否获救与年龄的箱线图，如下所示。从箱线图上来看，两者关系并不明显。
fig,ay = plt.subplots()
Age1 = train.Age[train.Survived == 1].dropna()
Age0 = train.Age[train.Survived == 0].dropna()
plt.boxplot((Age1,Age0),labels=(‘Survived‘,‘Not Survived‘))
ay.set_ylim([-5,70])
ay.set_title("Boxplot of Age")
<matplotlib.text.Text at 0x7674557a20>
4.5性别是否会影响存活率
画出性别与是否获救的交叉表和条形图，如下所示。可以发现，女性获救的可能性更高，而男性获救的比例很低。
pd.crosstab(train["Sex"],train["Survived"])
pd.crosstab(train["Sex"],train["Survived"]).plot(kind="bar")
<matplotlib.axes._subplots.AxesSubplot at 0x76714d0d68>
五.总结
1.座位的等级越高，票价越高，获得生存的可能性越高。
2.乘客的年龄对于存活率没什么影响。
3.性别对存活率有些影响，女士比男人更容易获救。
4.数据的可视化对于Titanic号的乘客的存活率研究更加直观。
原文：https://www.cnblogs.com/zqc2021/p/14901697.html