数据挖掘 泰坦尼克号数据集分析

一、分析目的：

（1） 可视化数据集中的Pclass属性，Sex属性，Age属性，SibSp属性，Fare属性和Embarked属性；

（2）考虑以下问题 , 可使用中心趋势度量和离散度度量进行分析：

1）年龄与生存情况之间的关系是什么？

2）性别与生存情况之间的关系是什么？

3）社会地位与生存情况之间的关系是什么？

4）为什么有些票的价格很高？票价的高低与哪些属性有关？

二、导入数据集

使用pd.read_csv()读入数据集，使用print(data_train.info())打印数据集基本信息，结果如下图所示：

 

从中可以看出Age, Cabin, Embarked属性存在缺失值。但本次实验只是为了数据分析，故不进行缺失值处理。

其中，PassengerId, Name, Ticket, Cabin, Embarked为标称属性；Survived, Sex为 二元属性；Pclass为序数属性；Age, SibSp, Parch, Fare为数值属性。

 三、可视化相关属性

1. 可视化Pclass属性

Pclass一共有三个可能取值，分别为1, 2, 3。使用柱状图进行可视化。

2. 可视化Sex属性

Sex一共有两个可能取值，分别为male和female。使用柱状图进行可视化。

3. 可视化Age属性

Age属于连续型属性，使用直方图进行可视化。

4. 可视化SibSp属性

SibSp属于连续型属性，使用直方图进行可视化。

5. 可视化Fare属性

Fare属性最大值最小值差别很大，怀疑存在异常值，使用箱线图进行可视化。

6. 可视化Embarked属性

Embarked一共有三个可能取值，分别为C, P, Q。使用柱状图进行可视化。

对六个属性可视化结果如下图所示：

 

由图可知，1）乘客中来自3阶级的人数大于来自1阶级的人数大于来自2阶级的人数，2）乘客中男性人数明显高于女性人数，3）大部分乘客为年轻人，4）绝大多数乘客只有0或1位的兄弟姐妹或配偶在船上，5）船票平均价格在50以下，但仍有500左右的船票价格存在，6）上船地点人数S>C>Q。

实现可视化的代码如下：

1.	plt.figure(constrained_layout=True)  
2.	  
3.	plt.subplot2grid((2, 3), (0, 0))  
4.	data_train['Pclass'].value_counts().plot(kind='bar')  
5.	  
6.	plt.subplot2grid((2, 3), (0, 1))  
7.	data_train['Sex'].value_counts().plot(kind='bar')  
8.	  
9.	plt.subplot2grid((2, 3), (0, 2))  
10.	data_train['Age'].hist()  
11.	plt.xlabel('Age')  
12.	  
13.	plt.subplot2grid((2, 3), (1, 0))  
14.	data_train['SibSp'].hist()  
15.	plt.xlabel('SibSp')  
16.	  
17.	plt.subplot2grid((2, 3), (1, 1))  
18.	data_train['Fare'].plot(kind='box')  
19.	  
20.	plt.subplot2grid((2, 3), (1, 2))  
21.	data_train['Embarked'].value_counts().plot(kind='bar')  
22.	  
23.	plt.show()  

四、相关性分析

1. 年龄与生存情况

计算年龄的均值、中位数和众数并打印，发现年龄均值约为30，中位数为28，众数为24。

由于年龄均值为30，所以根据年龄划分为10岁以下、10-30岁、30-50岁、大于50岁四组，使用柱状图展示各年龄段中获救与未获救人数之间的关系，可视化结果如下图所示：

计算各年龄层生存率并打印结果：

由此可以发现，10岁以下的乘客存活率最高，50岁以上的乘客存活率最低；小于平均年龄的乘客存活率高于大于平均年龄乘客的存活率。

实现可视化及相关数据打印的代码如下：

1.	bins = [min(data_train['Age']), 10, 30, 50, max(data_train['Age'])]  
2.	bins_label = ['Under 10', '10-30', '30-50', 'Above 50']  
3.	#bins = [min(data_train['Age']), mean_age, max(data_train['Age'])]  
4.	#bins_label = ['Under mean_age', 'Above mean_age']  
5.	data_train['Age_cut'] = pd.cut(data_train['Age'], bins=bins, labels=bins_label)  
6.	# print(data_train['Age_cut'].value_counts())  
7.	  
8.	Age_0 = data_train.loc[data_train['Survived'] == 0, 'Age_cut'].value_counts()  
9.	Age_1 = data_train.loc[data_train['Survived'] == 1, 'Age_cut'].value_counts()  
10.	df_age = pd.DataFrame({'Survived':Age_1, 'Not Survived':Age_0})  
11.	df_age.plot(kind='bar')  
12.	for index, row in df_age.iterrows():  
13.	    survived = row['Survived']  
14.	    not_survived = row['Not Survived']  
15.	    survival_rate = survived / (survived + not_survived)  
16.	    print(f"Age group {index}: {survival_rate}")  
17.	  
18.	plt.tight_layout()  
19.	plt.show()  

 2. 性别与生存情况

使用柱状图绘制存活/非存活乘客中男性和女性的数量，可视化结果如下图所示：

由此可看出，未获救乘客中男性占比较大，而获救乘客中女性占比较大。

实现可视化的代码如下：

1.	Survived_m = data_train.loc[data_train['Sex'] == 'male', 'Survived'].value_counts()  
2.	Survived_f = data_train.loc[data_train['Sex'] == 'female', 'Survived'].value_counts()  
3.	df_sex = pd.DataFrame({'Male':Survived_m, 'Female':Survived_f})  
4.	df_sex.plot(kind='bar', stacked=True)  
5.	plt.show()  

 3. 社会地位与生存情况

使用柱状图绘制不同阶级中存活/非存活乘客的数量，可视化结果如下图所示：

由此可看出，阶级1乘客获救率最高，甚至获救人数超过了未获救人数；阶级2乘客中未获救人数略高于获救人数；阶级3乘客中未获救人数远高于获救人数。

实现可视化的代码如下：

1.	Pclass_0 = data_train.loc[data_train['Survived'] == 0, 'Pclass'].value_counts()  
2.	Pclass_1 = data_train.loc[data_train['Survived'] == 1, 'Pclass'].value_counts()  
3.	df_pclass = pd.DataFrame({'Survived':Pclass_1,'Not survived':Pclass_0})  
4.	df_pclass.plot(kind='bar')  
5.	plt.show()  

 4. 票价高低

由2.中箱线图结果发现，票价有高达500的异常值，也有低到0的值存在。推测极端值中，0可能是员工票或优惠票，极大值可能是最上等船舱的票价。

计算各属性之间的相关系数并使用热力图显示各属性之间的相关性。其中，PassengerId, Name, Ticket唯一确定，不进行相关性分析；Cabin属性缺失过多，不作考虑；在进行计算之前需要对Sex和Embarked属性进行One-Hot编码。

热力图结果如下：

打印相关系数矩阵，结果如下：

 关察热力图最后一列及矩阵最后一列可发现，是否存活与性别相关性最大，其次与社会地位相关性也较大。

观察热力图倒数第二列及矩阵倒数第二列可发现，船票价格与社会地位相关性最大，与年龄相关性最小，与其他属性相关性都不算大。

实现可视化相关代码如下：

1.	import seaborn as sns  
2.	  
3.	df_encoded = pd.get_dummies(data_train, columns=['Sex', 'Embarked'], drop_first=False)  
4.	print(df_encoded)  
5.	df_encoded = df_encoded[['Pclass', 'Age', 'SibSp', 'Parch', 'Sex_male', 'Embarked_C', 'Embarked_Q', 'Embarked_S', 'Fare', 'Survived']]  
6.	# 属性间相关系数  
7.	cor = df_encoded.corr()  
8.	print(cor)  
9.	# 属性间相关系数热力图  
10.	sns.heatmap(cor)  
11.	plt.show()  

五、总结与结论

1. 乘客中来自3阶级的人数大于来自1阶级的人数大于来自2阶级的人数；乘客中男性人数明显高于女性人数；大部分乘客为年轻人，平均年龄为30；绝大多数乘客只有0或1位的兄弟姐妹或配偶在船上；船票平均价格在50以下，但仍有500左右的船票价格存在；上船地点人数S>C>Q。
2. 10岁以下的乘客存活率最高，50岁以上的乘客存活率最低；小于平均年龄的乘客存活率高于大于平均年龄乘客的存活率。
3. 未获救乘客中男性占比较大，而获救乘客中女性占比较大。
4. 阶级1乘客获救率最高，甚至获救人数超过了未获救人数；阶级2乘客中未获救人数略高于获救人数；阶级3乘客中未获救人数远高于获救人数。
5. 船票价格极端值中，0可能是员工票或优惠票，极大值可能是最上等船舱的票价。
6. 是否存活与性别相关性最大，其次与社会地位相关性也较大。
7. 船票价格与社会地位相关性最大，与年龄相关性最小，与其他属性相关性都不算大。