????????1912年4月14日，Titanic號在其處女航程中，不幸撞擊冰山沉沒在大西洋，超過1500名船員和乘客遇難，成為人類災難史上沉痛的一幕，而與之相關的一系列謠言猜測也為后人津津樂道。那么我們不禁會問，船上這么多人，到底有多少人活下來了，這些活下來的又是什么人呢？下面我們從一份泰坦尼克號乘客的數據集來獲取信息吧。

數據獲取

????????本數據集是kaggle網站上面提供的，是一份包含891名船上乘客(本文將船員和乘客統稱乘客)的樣本數據；是一份csv格式，包含近十種乘客信息的數據集。

數據探索

????????用excel打開文件可以看到包含的乘客信息如下圖，再通過表格形式對每個字段說明一下。

? ? ? ? ????

??????????

? ? ? ? 我們從給出的信息來分析乘客的存活情況，像Ticket、Name這樣的字段并無太大意義，因此主要選擇Pclass、Sex、Age等字段信息來分析。例如我們印象深刻的救生圈優先給女人和小孩，那么我們可以看看是否女人和小孩的存活率更高；再有，乘坐船艙的等級表示一個人的身份，那么我們可以這樣猜想：是否身份越高，生存下來的機會就越大呢？? ? ? ?

????????因此我們主要選取客艙等級、性別和年齡作為自變量，是否存活下來作為因變量，來對整個數據集做分析。同時，使用python這一工具來對數據進行清理分析，pandas庫的read_csv方法讀取數據集文件，得到DataFrame格式的數據進行操作，非常便捷。????? ?

數據處理

????????根據觀察，以及用代碼檢測，發現數據集比較規整，不存在完全重復的數據項。此外，年齡是分析中的一個重要維度，但是數據集中該信息卻有很多缺失值，因此我將缺失的年齡默認賦值為整個數據集年齡的平均值，這樣就做到每一個乘客都有一個年齡值。

# 乘客年齡存在空值，使用整體年齡的平均值代替 titanic_data['Age']=titanic_data['Age'].fillna(titanic_data['Age'].mean())

????????年齡空值填充后的數據集信息：

????????????

????????可以知道，整個數據集有891條數據，也就是有891名乘客的信息，其中有2名乘客登船港口未知。此外我們只知道204名乘客所在的客艙號，比例不到25%，但是我們不需要從這個維度去分析，因此影響不大。

數據分析過程

1.? 選取存活下來的乘客作為分析對象。

# 選取存活下來的乘客數據 survived_titanic_data = titanic_data[titanic_data['Survived']==1]

給出的數據集一共有342名乘客活下來占比38.38%。我們從以下幾個維度來分析。

def surviveddata_groupby_feature(feature,list):if feature == 'Sex':_feature='乘客性別'elif feature == 'Pclass':_feature = '客艙等級'# 按feature分組計算乘客人數print survived_titanic_data.groupby([feature])['PassengerId'].count()survived_titanic_groupby_feature = survived_titanic_data.groupby([feature])['PassengerId'].count() # 將分組得到的人數組成一個數組fig = plt.figure(figsize=(10, 5)) # 設置繪圖區域大小及子圖 ax_1 = fig.add_subplot(121)survived_titanic_data.groupby([feature])['PassengerId'].count().plot(kind='bar') # 根據feature分組，計算人數并繪制柱狀圖for index, feature_num in enumerate(survived_titanic_groupby_feature):ax_1.text(index, feature_num, feature_num, ha='center', va='bottom', rotation=0) # 柱狀圖增加對應的數據顯示，前面三個參數分別為橫、縱坐標和數據ax_1.set_xticklabels(['male', 'famale'], rotation=0) # 重新命名柱狀圖橫坐標刻度ax_1.set_xlabel(_feature)ax_1.set_ylabel('乘客人數')ax_1.set_title('按'+_feature+'存活人數')ax_2 = fig.add_subplot(122)ax_2.set_title('按'+_feature+'乘客存活占比(%)')plt.pie(survived_titanic_groupby_feature, labels=list, autopct='%1.1f%%') # 餅圖plt.show()

1）乘客性別

surviveddata_groupby_feature('Sex',['male', 'famale']) # 根據乘客性別分析存活下來的乘客

????????

????????活下來的乘客中男性233名，女性109名。通過餅圖可以直觀看到，存活下來的乘客中男性明顯多于女性乘客。

2）乘客所在客艙等級

surviveddata_groupby_feature('Pclass',['P1','P2','P3']) # 根據客艙等級分析存活下來的乘客

?????

????????活下來的乘客中在最高級船艙的乘客136名，占比大約40%；次等船艙87名，占比約25%，最末等級船艙119名，占比約35%。同樣通過餅圖可以很直觀看到，存活下來的乘客中在最高級船艙所占比例最大。

3）乘客年齡

def surviveddata_groupby_age():survived_titanic_data['Age'].hist(bins=12) # 根據乘客年齡繪制直方圖plt.xlabel('年齡')plt.ylabel('乘客人數')plt.title('乘客存活人數年齡分布')plt.show() surviveddata_groupby_age() # 根據乘客年齡分析存活下來的乘客

????????

????????通過直方圖，可以看到在活下來的乘客當中，青壯年(30歲左右的乘客)占到了絕對比例，相對來講，上了年紀的乘客不多，可能是由于本身歲數較大的乘客就不多，乘客以中青年為主。

2.? 將全部乘客作為分析對象。

?????同樣按照下面的維度對比分析。

def data_groupby_feature(feature,dic): if feature == 'Sex':_feature='乘客性別'elif feature == 'Pclass':_feature = '客艙等級'titanic_data_feature = titanic_data.groupby([feature, 'Survived'])['PassengerId'].count().unstack()feature_percent = titanic_data_feature.apply(lambda x: x / x.sum() * 100, axis=1) # 計算百分比feature_percent.rename(columns={1: 'yes', 0: 'no'}, index=dic, inplace=True) # 坐標刻度、圖例修改#print titanic_data_feature, feature_percentfeature_percent.plot(kind='bar', stacked=True) # 累計百分比柱狀圖plt.xticks(rotation=0)plt.xlabel(_feature)plt.ylabel('百分比(%)')plt.title(_feature+'存活率對比')plt.show()

1）乘客所在客艙等級

data_groupby_feature('Pclass',{1:'P1', 2:'P2', 3:'P3'}) # 根據客艙等級分析乘客生存情況

????????

???????不難發現，通過將整體數據進行對比，在P1船艙的乘客明顯活下來的機率大得多，概率超過了60%；而P3船艙的乘客活下來的機率只有大概25%。也印證了上面提出的猜想：身份越高貴，活下來的機會就越大。

2）乘客性別

data_groupby_feature('Sex',{}) # 根據乘客性別分析乘客生存情況

????????

????????同樣，我們會發現，性別也是一個非常有影響因子，女性乘客活下來的概率高達75%+，而男性乘客只有區區20%。

3）乘客年齡

# 將年齡分成幾組，計算各組人數和比例。新增一列，不改變原數據 bins = [0, 9, 18, 27, 36, 45, 54, 63, 72, 81, 90] level = ['0~9', '9~18', '18~27', '27~36', '36~45', '45~54', '54~63', '63~72', '72~81', '81+'] titanic_data['Age_Group'] = pd.cut(titanic_data['Age'], bins=bins, labels=level) def data_groupby_age(): titanic_data_bucket = titanic_data.groupby(['Age_Group', 'Survived'])['PassengerId'].count().unstack().fillna(0)titanic_data_bucket.rename(columns={1:'yes', 0:'no'}, inplace=True)fig = plt.figure(figsize=(10, 5))ax_1 = fig.add_subplot(121)titanic_data_bucket['yes'].plot(kind='bar',alpha=0.5) # 各年齡段乘客存活/未存活數分布，通過柱狀圖展示titanic_data_bucket['no'].plot(kind='bar',alpha=0.5)ax_1.set_xlabel('年齡')ax_1.set_ylabel('乘客存活數/總乘客數')ax_1.set_title('乘客存活人數年齡分布')plt.xticks(rotation=0)ax_2 = fig.add_subplot(122)titanic_data_bucket[['no_percent','yes_percent']] \= titanic_data_bucket.apply(lambda x: x / x.sum()*100, axis=1)print titanic_data_buckettitanic_data_bucket['yes_percent'].plot(kind='bar', stacked=True) # 各年齡段乘客存活百分比ax_2.set_xlabel('年齡')ax_2.set_ylabel('存活人數百分比(%)')ax_2.set_title('乘客存活百分比分布')plt.xticks(rotation=0)plt.show() data_groupby_age() # 根據乘客年齡分析乘客生存情況

????????

????????通過左邊累積圖我們可以看到，船上確實是中青年人最多，活下來的人當中也是中青年人占了大多數，很容易就會讓人得出中青年人存活率較高的結論。但是右邊的存活比率分布卻告訴我們并不是這樣，小孩才是存活率最高的一批人，18歲以下的人活下來的概率超過了50%。此外，72~81歲這個區間存活概率50%，是因為樣本數據中2人當中活了一個，并不具有代表性不多做討論；63~72歲大概10多個人居然一個也沒活下來，很異常的數據，可能是由于數據集的不全，也可能本身就是因為老人抵抗力差，在海水和恐懼中不能堅持太長時間，即使個別人有救生設備，最終也沒能夠抵御死亡。

????????到這里，我們就比較明晰了，上面兩個維度的分析給了我們很深刻的印象，女人和小孩，對！就是這兩個群體存活下來的機率遠遠高于其他群體，那么，傳言了近一個世紀的言論我們就有理由相信了：在泰坦尼克撞擊冰山快要沉沒時，大多數船上的人自發的將救生圈留給了女人和小孩。

4）乘客性別&乘客所在船艙

????????我們同時從乘客的性別和所在船艙，也許更能接近一些真相。

def data_groupby_pclass_and_sex(): titanic_data_sex_and_pclass = titanic_data.groupby(['Sex', 'Survived', 'Pclass'])['PassengerId'].count().unstack('Survived') # 根據性別和乘客所在船艙等級分組，分析對存活的影響titanic_data_sex_and_pclass.rename(columns={0:'no', 1:'yes'}, inplace=True)titanic_data_sex_and_pclass['yes_percent(%)'] = titanic_data_sex_and_pclass['yes']/\(titanic_data_sex_and_pclass['no']+titanic_data_sex_and_pclass['yes'])*100 # 計算活下來的人占各自群體的百分比print titanic_data_sex_and_pclasstitanic_data.groupby(['Pclass', 'Sex'])['Survived'].mean().unstack().plot(kind='bar')plt.xticks(rotation=0)plt.xlabel('船艙等級')plt.ylabel('比例')plt.title('存活比例對比')plt.show() data_groupby_pclass_and_sex() # 根據乘客性別和乘客所在船艙等級分析乘客生存情況

????????

????

????????不出所料，活下來機會最大的是在高等船艙的女性（超過了90%），而留在大洋深處的就是那些在低等船艙的男性乘客（最高還不到20%）。更印證了身份越高貴越有機會活下來的結論。

3.? 最后來看下船票票價的情況。

def fare(): print titanic_data['Fare'].describe() # 船票價格描述性統計titanic_data['Fare'].hist(bins=60, normed=True, alpha=0.8)titanic_data['Fare'].plot(kind='kde')plt.show() fare() # 查看船票價格

????????????

????

????????根據第一四分位數，中位數和平均數可以看到，絕大部分票價是很低的只有極個別票價很高，最高的價格超過了500。通過直方圖更直觀，除了一少部分，船票價格都在200以下，而絕大多數沒有超過100。

總結

????????根據上面的分析，可以得出：泰坦尼克撞擊冰山即將沉沒時，女人和小孩被安排優先使用救生圈，活下來的機會更大；并且，身份地位比較高的人更在意自己的生死，會想盡方法使自己找機會活下來，一般人在這種絕境下更可能犧牲自己，優先幫助救助弱小的人。

思考

????????但是，這樣分析有沒有什么問題呢？有，只要是基于不完全的數據進行分析都有局限性。本次分析是建立在這891個篩選出來的乘客數據基礎上的，只是樣本數據，而且例如像年齡這樣的還有很多缺失信息，盡管我們用均值代替了空值，終究是有誤差的，假如那幾個年齡缺失值大部分是大于60并且都活了下來，那么我們可能得出另外相反的結論，即老人的存活率也比較高。因此只有我們得到的數據越接近總體數據，我們得到的結論才越可靠。從本次分析來看，乘客所在的船艙、年齡以及性別是乘客存活的最大影響因素，那還有那些其他因素會產生一定的影響呢，我們可以再探索一下：1、船上乘客類別，是普通乘客還是船上的工作人員，猜想船上工作人員要組織營救和自救，活下來的概率小一些；2、乘客是否有親人在船上，這應該可以通過其中SibSp和Parch兩個字段來挖掘分析，也許在面對困難時，一個家庭或者親人間互相幫扶互相鼓勵，活下來的機會也大；3、乘客所在的樓層，應該是樓層越高，自救時間越長，乘客活下來機會越大，這個因素應該與船艙等級有相關性的，從這個維度分析也許會佐證船艙等級對乘客存活率的影響。

????? ? 題外話：在kaggle上面，這其實是一個入門比賽的數據集之一，目標是基于機器學習，通過測試數據集構建特征，預測乘客的生存概率，不再是單純的簡單相關性分析。所以這里先挖個坑，在之后的學習過程中學習了機器學習相關知識，一定要回來填坑！

轉載于:https://my.oschina.net/nekyo/blog/1545133

總結

以上是生活随笔為你收集整理的数据分析学习之路——(三)从泰坦尼克号撞击冰山后开始说起的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。