泰坦尼克（Titanic）生存因素可视化

• 数据来源： kaggle
• 分析工具：Python 3.6 & jupyter notebook
• 附上数据：链接: https://pan.baidu.com/s/1D7JNvHmqTIw0OoPXBWzWHA 提取码: hdtt
• 本篇分析比较基础，集中于清洗和可视化，欢迎各路大神指正

#设置jupyter可以打印多条结果
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"

#导入包
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

#导入数据
df=pd.read_csv('titanic_data.csv')
df.head()

# passengerId：旅客 id；survived：0 代表遇难，1 代表存活；pclass：舱位，1-3 分别代表一二三等舱；
# name：旅客姓名；sex：旅客性别；age：年龄；
# sibsp：船上的同代亲属人数，如兄弟姐妹；parch：船上的非同代亲属人数，如父母子女；
# ticket：船票编号；fare：船票价格；cabin：客舱号；embarked：登船港口

猜测生存率跟以下因素有关

1.pclass：客舱等级，一等舱可能有大部分权贵

2.sex：性别，lady first

3.age：年龄，尊老爱幼，通用的道德规范

4.sibsp：同代亲属，可能亲属多的获救概率更大

5.parch：非同代亲属，可能会让父母子女先得救

6.fare：船票价格，反应经济能力和社会地位，跟客舱等级存在关联

# 数据量以及大小，缺失值
df.info()
df.shape

• 结论：数据总量 891 条，12 列，age 列缺失 177 条数据，因为尊老爱幼也是一个通用的道德规范，因此考虑 age 对生存率会有影响，后续可能需要填充; cabin 舱号对生存考虑无影响，缺失影响不大

# 数据汇总统计
df.describe()

# 整体生存情况
survived=df['Survived'].value_counts()
survived

# 可以看到，891 人中，只有342人存活
# 计算生存比例
survived_perc=survived / survived.sum()
survived_perc

# 绘制饼图
plt.rc('font',family='Arial Unicode MS',size=15)    #设置字体
fig=plt.figure(1,figsize=(7,7))      #设置画布
ax1=fig.add_subplot(1,1,1)       #生成子图
label=['遇难','存活']
color=['#C0C0C0','#F5DEB3']
explode=0.05,0.05      #扇区间隔
ax1.pie(survived_perc,labels=label,colors=color,startangle=90,autopct='%3.2f%%',explode=explode,shadow=True)
ax1.set_title('整体生存情况')

# 性别与生存情况
sex=df.groupby(['Survived','Sex']).size()
sex

# 转换为 dataframe
sex=sex.unstack('Sex')
sex=sex.rename(index={0:'遇难',1:'存活'})
sex

# 计算生存比例
sex_perc=sex / sex.sum()
sex_perc

• 从结果看，女性遇难 81 人，存活率约 75%，男性存活 109人，存活率不到 20%

# 绘制条形堆叠图
plt.rc('font',family='Arial Unicode MS',size=15)    #设置字体
fig=plt.figure(1,figsize=(7,7))      #设置画布
ax1=fig.add_subplot(1,1,1)       #生成子图
x=range(2)
a=sex_perc.loc['遇难',:]
b=sex_perc.loc['存活',:]
ax1.bar(x,a,label='遇难',color='#C0C0C0')
ax1.bar(x,b,bottom=a,label='存活',color='#F5DEB3')   #通过bottom参数绘制堆积柱状图
ax1.set_xticks(range(3))       #设置x轴刻度，之所以设置为3，是为了让图例显示在空白处
ax1.set_xticklabels(['女性','男性'])         #设置x轴刻度标签名称
ax1.set_yticks([])
ax1.legend(['遇难','存活'],loc='center right')     #设置图例名称及位置
ax1.set_title('性别生存分布')    #设置标题
#添加数据标签
for x,y,z in zip(range(2),a,b):
    ax1.text(x,y/2,'{:.2%}'.format(y))
    ax1.text(x,y+z/2,'{:.2%}'.format(z))

# 年龄分布
age_df=df.loc[:,['Survived','Age']]
age_df.head()

#对年龄分组,从前面的描述性统计可以看到，年龄的最小值是0.42岁，最大值是80岁
bins=[0,20,40,60,100]
labels=['20岁及以下','21-40岁','41-60岁','60岁以上']
age_df['levels']=pd.cut(age_df['Age'],bins=bins,labels=labels)
age_df.head()

# 遇难/存活人员的年龄分布
age_level=age_df.groupby(['Survived','levels']).size()
age_level

# 可以看到在遇难和存活的人中，都是21-40岁的人巨多
# 转为 dataframe
age_level=age_level.unstack()
age_level=age_level.rename(index={0:'遇难',1:'存活'})
age_level

# 计算比例
age_perc=age_level/age_level.sum()
age_perc

• 可以看到随着年龄的增加，存活比例逐渐降低，在天灾面前，大家还是会把生的希望更多的让给年轻人

plt.rc('font',family='Arial Unicode MS',size=15)    #设置字体
fig=plt.figure(1,figsize=(11,7))      #设置画布
ax1=fig.add_subplot(1,1,1)        #添加子图
x=range(4)
a=age_perc.loc['遇难',:]
b=age_perc.loc['存活',:]
ax1.bar(x,a,label='遇难',width=0.5,color='#C0C0C0')
ax1.bar(x,b,bottom=a,label='存活',width=0.5,color='#F5DEB3')
ax1.set_xticks(range(5))     # x轴刻度
ax1.set_xticklabels(['20岁及以下','21-40岁','41-60岁','60岁以上'])
ax1.set_yticks([])
ax1.legend(['遇难','存活'],loc='upper right')
ax1.set_title('存活年龄分布')
for x,y,z in zip(range(4),a,b):
    ax1.text(x-0.1,y/2,'{:,.1%}'.format(y))
    ax1.text(x-0.1,y+z/2,'{:,.1%}'.format(z))

# 家庭人数分布
df['familysize']=df['SibSp']+df['Parch']+1
family_df=df.loc[:,['Survived','familysize']]
family_df.head()

# 按人数分箱
bins=[0,1,3,12]
labels=['small','medium','large']
family_df['family_level']=pd.cut(family_df['familysize'],bins=bins,labels=labels)      #左开右闭
family_df.head()

family_df=family_df.groupby(['Survived','family_level']).size()
family_df

family_df=family_df.unstack()
family_df=family_df.rename(index={0:'遇难',1:'存活'})
family_df

family_perc=family_df/family_df.sum()
family_perc

plt.rc('font',family='Arial Unicode MS',size=15)
fig=plt.figure(figsize=(8,5))
ax1=fig.add_subplot(1,1,1)
y=range(3)
a=family_perc.loc['遇难',:]
b=family_perc.loc['存活',:]
ax1.barh(y,a,label='遇难',height=0.5,color='#C0C0C0')
ax1.barh(y,b,left=a,label='存活',height=0.5,color='#F5DEB3')
ax1.set_yticks(range(4))
ax1.set_yticklabels(['small','medium','large'])
ax1.set_xticks([])
ax1.legend(['遇难','存活'],loc='upper right')
ax1.set_title('不同家庭规模存活分布')
for x,y,z in zip(range(4),a,b):
    ax1.text(y/2,x,'{:.1%}'.format(y))
    ax1.text(y+z/2,x,'{:.1%}'.format(x))

• 可以看到，船上亲属只有一个人，无其他亲属时，存活率最高，将近 70%

# 舱位等级分布
pclass_df=df.loc[:,['Survived','Pclass']]
pclass_df.head()

pclass_df=pclass_df.groupby(['Survived','Pclass']).size()
pclass_df

pclass_df=pclass_df.unstack()
pclass_df=pclass_df.rename({0:'遇难',1:'存活'},columns={1:'一等舱',2:'二等舱',3:'三等舱'})
pclass_df

pclass_perc=pclass_df/pclass_df.sum()
pclass_perc

plt.rc('font',family='Arial Unicode MS',size=15)
fig=plt.figure(figsize=(8,5))
ax1=fig.add_subplot(1,1,1)
y=range(3)
a=pclass_perc.loc['遇难',:]
b=pclass_perc.loc['存活',:]
ax1.barh(y,a,label='遇难',height=0.5,color='#C0C0C0')
ax1.barh(y,b,left=a,label='存活',height=0.5,color='#F5DEB3')
ax1.set_yticks(range(4))
ax1.set_yticklabels(['一等舱','二等舱','三等舱'])
ax1.set_xticks([])
ax1.legend(['遇难','存活'],loc='upper right')
ax1.set_title('不同舱位等级存活分布')
for x,y,z in zip(range(4),a,b):
    ax1.text(y/2,x,'{:.1%}'.format(y))
    ax1.text(y+z/2,x,'{:.1%}'.format(z))

• 可以看到，舱位等级与存活率还是有很显著的关系，一等舱存活率63%，远大于三等舱存活率

# 船票价格存活分布，预计与舱位等级结果相似，不过注意到描述性统计里，价格最大为 512，最小为 0，存在很明显的异常值，还是做一下异常值处理
# 提取价格不为 0 的记录
fare_df=df.loc[df['Fare']>0,['Survived','Fare']]
fare_df.head()

# 平均票价
fare_df.groupby('Survived')['Fare'].mean()

# 票价分箱
bins=[0,10,30,50,100,513]
labels=['≤10','10-30','30-50','50-100','100以上']
fare_df['level']=pd.cut(fare_df['Fare'],bins=bins,labels=labels)
fare_df.head()

# 存活与否与票价分组
fare_df=fare_df.groupby(['Survived','level']).size()
fare_df

# 转 dataframe
fare_df=fare_df.unstack()
fare_df=fare_df.rename(index={0:'遇难',1:'存活'})
fare_df

# 计算比例
fare_perc=fare_df/fare_df.sum()
fare_perc

plt.rc('font',family='Arial Unicode MS',size=15)
fig=plt.figure(figsize=(11,8))    #画布大小
ax1=fig.add_subplot(1,1,1)     #添加子图
y=range(5)
a=fare_perc.loc['遇难',:]
b=fare_perc.loc['存活',:]
ax1.barh(y,a,label='遇难',height=0.5,color='#C0C0C0')
ax1.barh(y,b,left=a,label='存活',height=0.5,color='#F5DEB3')          #left:柱状堆积图
ax1.set_yticks(range(6))
ax1.set_yticklabels(['≤10','10-30','30-50','50-100','100以上'])          #y轴刻度标签
ax1.set_xticks([])                #x轴刻度为空
ax1.legend(['遇难','存活'],loc='upper right')                  #图例名称及位置（upper/center/lower,left/center/right）
ax1.set_title('不同票价等级存活分布')
#添加标签
for x,y,z in zip(range(5),a,b):
    ax1.text(y/2,x,'{:.1%}'.format(y))
    ax1.text(y+z/2,x,'{:.1%}'.format(z))

• 可以看到，票价在 50 以上存活率超过65%，与前面舱位等级结果基本一致

# 从各个舱位等级的平均票价来看，一等舱存活率最高，其平均票价也是最高的，为 84
df.groupby('Pclass')['Fare'].mean()