一，分析背景和目的

分析背景：在上一篇里做過泰坦尼克號項目的數據清洗，模型訓練，預估，鏈接如下https://zhuanlan.zhihu.com/p/157763714

本篇著重于該項目的可視化

分析目的：什么樣的人在泰坦尼克號事件中的存活率較高？

二，分析維度

三，導入數據

# Step1:導入數據處理包

四，理解數據

1）理解字段

2）查看信息

#查看數據類型的信息 full.info()

五，數據清洗

• 缺失值填充

#年齡 # 用平均值填充年齡這一列的缺失數據 full["Age"].fillna(full["Age"].mean())#股票價格 # 用平均值填充股票價格這一列的缺失數據 full["Fare"].fillna(full["Fare"].mean())#登船港口 # 用最常見類別取代Embarked這一列中缺失數據 # 查看Embarked這一列的最常見類別 full["Embarked"].head() full["Embarked"].value_counts(） # 用最常見類別進行填充 full["Embarked"].fillna("S")#船艙號 # 查看船艙號這一列的信息 full["Cabin"].head() # 發現有大量未知信息，于是用未知信息填充 full["Cabin"].fillna("U")

六，數據可視化

1.泰坦尼克號存活數

train["Survived"].value_counts()

2.總體生還概率

# 總體生還幾率 import matplotlib.pyplot as plt plt.pie(n,labels=["死亡","生存"],labeldistance=0.6,autopct="%.2f%%",pctdistance=0.4) plt.title("總體生還率")

3.不同性別的人的存活率

Sex=full.groupby("Sex").Survived.mean() SexDF=pd.DataFrame(Sex) SexDF # 繪制直方圖 SexDF.plot(kind="bar") #添加文本 plt.xlabel("性別") plt.ylabel("存活率") #添加標題 plt.title("不同性別的人的存活率")

可以看出，女性的存活率高于男性

4.不同登陸港口的人的存活率

#獲取數據并轉換數據類型 Embarked=full.groupby("Embarked").Survived.mean() Embarked_df=pd.DataFrame(Embarked) # 繪制柱狀圖 Embarked_df.plot(kind="bar",color="g") plt.xlabel("登陸港口") plt.ylabel("存活率") plt.title("不同登陸港口的人的存活率") plt.show()

5.不同船艙的人的存活率

#獲取數據并轉換數據類型

可以看出，船艙1的存活率是最高的

6.不同頭銜的人的存活率

'''

可以看出已婚婦女的存活率最高

7.不同客艙號的人的存活率

full

可以看出，客艙號D的存活率最高

8.不同家庭大小的人的存活率

#描述家庭大小 familyDf[ 'FamilySize' ] = full[ 'Parch' ] + full[ 'SibSp' ] + 1 full_df=pd.concat([full,familyDf],axis=1) #獲取并存放家庭大小及其存活率數據 familydf=full_df.groupby("FamilySize").Survived.mean() Family_df=pd.DataFrame(familydf) #繪制柱形圖 Family_df.plot(kind="bar",color="g") plt.xlabel("家庭大小") plt.ylabel("存活率") plt.title("不同家庭大小的人的存活率") plt.show()

可以看出家庭成員規模為4的存活率最高

總結：

1.女性比男性存活率高

2.從法國 瑟堡市登錄的人存活率比在其他兩地登錄的人存活率高

3.在船艙1的乘客存活率較高

4.已婚婦女的存活率最高

5.客艙號D的乘客存活率最高

6.家庭成員規模為4的存活率最高

總結

以上是生活随笔為你收集整理的泰坦尼克号数据集_泰坦尼克号项目可视化的全部內容，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。