01 倖存者

泰坦尼克號的沉沒，是人為的悲劇，1800人罹難者近70%，讓我們一起來看看泰坦尼克號的倖存者都有哪些特徵吧。

先給出分析框架

1. 一切的分析都建立在資料清洗之後
2. 倖存率的分析非常重要，下面將按性別、年齡、倉位、登船碼頭4個維度分別觀察與倖存率的關係
3. 然後按照倉位+性別、倉位+年齡段、年齡段+性別3個二維組合維度觀察與倖存率的關係
4. 最後按倉位+性別+年齡段這個三維組合維度觀察與倖存率關係

想知道在泰坦尼克號事故中活下來的人的特徵麼？

一起來看看吧。

02 資料清洗

一切分析的前提，都是乾淨可靠的資料，所以我們先來觀察一下資料情況，進行資料清洗。

檢視資料三步走

1. 資料大小 df.shape
2. 欄位型別及缺失值
3. 資料頭尾行

使用df.shape檢視資料大小，使用df.info()檢視資料欄位型別和缺失值情況。

• 891行，12列，佔據空間84kB
• Age欄位有20%的缺失，年齡是乘客的重要引數，後續會補全
• Cabin欄位有70%的缺失，船艙號碼不是重要引數，考慮暫不分析該欄位

df.head(), df.tail()檢視資料頭尾行情況

各欄位解釋如下：

• PassengerId: 乘客的id
• Survival: 是否倖存 0 = No, 1 = Yes
• Pclass: 艙位 class 1 = 1st, 2 = 2nd, 3 = 3rd
• Name: 姓名
• Sex: 性別
• Age: 年齡
• SibSp: 船上兄弟姐妹以及配偶的個數
• Parch: 船上父母以及子女的個數
• Ticket: 船票號碼
• Fare: 票價
• Cabin: 船艙號碼
• Embarked: 登船碼頭 C = Cherbourg, Q = Queenstown, S = Southampton

補全缺失值

Age欄位是乘客的重要引數，需要補全。

可不能直接填充0，或者某個數去補全整個資料哦，這樣做很危險，資料來源會失去客觀性！

那怎麼辦呢？考慮到不同性別的年齡層不同，不同倉位（可以理解為社會等級）的年齡層也不同，我們可以這樣做：

以性別+倉位將資料分組，用每組的中位數去補全各組的空值

#讀取原始資料
titanic=pd.read_csv(r'D:\DataScience\python\python_course\titanic.csv',sep=';')

# 分組計算不同倉位、性別的年齡中位數，得到一個Series資料，索引為Pclass、Sex
age_median3=titanic.groupby(["Pclass","Sex"]).Age.median()
titanic.set_index(["Pclass","Sex"],inplace=True)

# 使用fillna補全空值，將根據索引進行補全
titanic.Age.fillna(age_median3,inplace=True)
titanic.reset_index(inplace=True)

titanic.Age.describe()
 

這樣一波操作之後，Age欄位有891個非空值，已經被補全。

03 資料探勘

現在我們已經得到一分乾淨的資料集了，可以開動啦！

是什麼因素影響了乘客的倖存率呢？

3.1 按性別、年齡段、倉位、登船碼頭4個維度分別觀察與倖存率的關係

• 倉位-倖存率

# 資料透視表
titanic.pivot_table(values="Survived",index="Pclass",aggfunc="mean")

#視覺化呈現
sns.barplot(data=titanic,x="Pclass",y="Survived",ci=None)

果然，倉位等級越高，倖存率也越大，可能是由於高等倉位更遠離水面，乘客也更少，有更多的逃生機會吧。

• 性別-倖存率

titanic.pivot_table(values="Survived",index="Sex",aggfunc="mean")

sns.barplot(data=titanic,x="Sex",y="Survived",ci=None)

女性倖存率明顯高於男性，紳士風度在死亡面前依然存在，讓人感動。

• 年齡段-倖存率

Age欄位是一個連續變數而不是分類變數，我們需要將Age欄位離散化之後再進行分析。

# 連續變數離散化：將某個變數的所在區間分割為幾個小區間，落在同一個區間的觀測值用同一個符號表示
titanic["Ageband"]=pd.cut(titanic["Age"],5)

現在我們給titanic這個dataframe新增了一列“Ageband”，它代表Age欄位所在的年齡段

# 視覺化
sns.barplot(data=titanic,x="Ageband",y="Survived",ci=None)
plt.xticks(rotation=60)

低年齡段生存率最高，64歲以上老人生存率最低，青壯年次之，看來大家還是很有愛的——小朋友先救，青壯年讓位，老人可能體力不支或自動放棄。

• 登船碼頭-倖存率

# 用groupby也可實現資料透視表
titanic[["Embarked","Survived"]].groupby("Embarked").mean()

sns.barplot(data=titanic,x="Embarked",y="Survived",ci=None)

C碼頭登船的倖存率最高，為什麼呢？我們來看看各碼頭登船乘客的倉位情況

# 資料透視表
titanic.pivot_table(values="Name",index="Pclass",columns="Embarked",aggfunc="count")

• S碼頭登船人數最多，大部分是3等倉位
• Q碼頭登船的人90%以上是3等倉位
• C碼頭登船的人半數是1等倉位，資料來看1等倉位的倖存率較高，因此C碼頭登船的人倖存率較高可解釋
• 看來C碼頭主要是有錢人登船，S碼頭就主要是窮人了

3.2 按照倉位+性別、倉位+年齡段、年齡段+性別觀察與倖存率的關係

• 倉位+性別-倖存率

# 資料透視表走起，以數字形式觀察結果
titanic.pivot_table(values="Survived",index="Pclass",columns="Sex",aggfunc="mean")

# seaborn作圖走起，以影象形式觀察結果
sns.barplot(data=titanic,x="Pclass",y="Survived",hue="Sex",ci=None)

男性倖存率普遍低於女性，這難道是傳說中的紳士風度在起作用？

高等倉位倖存率高於低等倉位，一方面可能是因為高等倉位在上層，淹水較慢，逃生時間夠長，另一方面可能是人為因素，高等倉位更受照顧；

一二等倉的女性倖存率很高啊，二三等倉的男性倖存率極低。

• 倉位+年齡段-倖存率

sns.pointplot(data=titanic,x="Ageband",y="Survived",hue="Pclass",ci=None)
plt.xticks(rotation=60)

各年齡段1等倉位的生存率最高，3等倉位生存率最低；

低年齡段的生存率逐次高於高年齡段；

在考慮各分組生存率的同時，要考慮各分組人數，比如該分組並沒有人，那麼生存率自然是0，但我們並不能說該分組生存率最低。

• 性別+年齡段-倖存率

titanic.pivot_table(values="Survived",index="Ageband",columns="Sex",aggfunc="mean")

sns.barplot(data=titanic,x="Ageband",y="Survived",hue="Sex",ci=None)

# 設定橫軸標籤位置
plt.xticks(rotation=60)

男性生存率明顯偏低與女性，女性高年齡段的生存率逐次高於低年齡段的。

3.3 三維分析

前面的分析從一維、二維角度分析了因素與倖存率的關係，下面我們直接從三維因素來分析。

• 年齡段+性別+倉位

titanic.pivot_table(values="Survived",index="Ageband",columns=["Sex","Pclass"],aggfunc="mean")

輸出結果展示了各年齡段下，各性別分別在123等倉位的倖存率。這張表各可能會讓你暈暈的，那麼我們就視覺化呈現吧。

"""各性別下，倉位+年齡段與倖存率關係"""

# aspect設定畫布長寬比
# palette設定hue分組的顏色
sns.FacetGrid(data=titanic,row="Sex",aspect=1.5)\
.map(sns.pointplot,"Ageband","Survived","Pclass",palette="deep",ci=None)\
.add_legend()

plt.xticks(rotation=60)

男性低年齡段倖存率最高，高等倉位倖存率更高；

中老年女性倖存率最高，1、2等倉位的女性倖存率幾乎達到100%，3等倉位女性比較慘一點。

• 倉位+登船碼頭+性別

# 直接視覺化呈現吧
sns.FacetGrid(data=titanic,col="Pclass",row="Embarked")\
.map(sns.barplot,"Pclass","Survived","Sex",hue_order=["male","female"],palette="deep",ci=None)\
.add_legend()

不論從登船碼頭還是倉位來看，女性倖存率普遍高於男性；

按性別來看，高等倉位倖存率高於低等倉位；

Q碼頭登船的男乘客生存率最低，我們來看看是不是Q碼頭男乘客數量較少？

titanic.pivot_table(values="Survived",index="Embarked",columns="Sex",aggfunc="count")

Q碼頭登船男乘客多於女乘客，但幾乎都罹難了，為什麼呢？我們來看看男乘客的倉位、年齡段分佈情況，是不是這些情況導致了男乘客生存率較低.

titanic.pivot_table(values="Survived",index=["Embarked","Pclass"],columns=["Sex","Ageband"],aggfunc="count")

Q碼頭登船的男乘客，絕大部分處於16-32歲，3等倉位，這個分段的乘客倖存率是最低的，解釋了為什麼Q碼頭登船的男乘客倖存率趨於0的現象。

04 總結

本次分析針對泰坦尼克號乘客資料，我們分析了倖存者的特徵畫像：

女性，兒童，頭等艙，紳士風度

本次未對資料的直系、旁系親屬個數進行分析，下期考慮加入。

本次主要使用了資料透視表和seaborn包繪圖呈現結果，下期考慮加入特徵工程對資料進一步分析。