Kaggle獲得了一份泰坦尼克號乘客的數(shù)據(jù)，來進(jìn)行分析蓉冈，哪些因素，會讓乘客的生還率更高

提出問題

影響乘客生還的因素很多轩触，這里只對乘客的性別寞酿、年齡、乘客等級脱柱、這三個因素感興趣伐弹，
看看這四個因素是否會影響乘客的生還率。

• 1.性別是否會影響生還率
• 2.年齡是否會影響生還率
• 3.乘客等級會否會影響乘客率
• 4.性別和艙位共同對生還率的影響
• 5.年紀(jì)和性別共同對生還率的影響
• 6.年紀(jì)和等級共同對生還率的影響

這里榨为。乘客的性別惨好、年齡、等級随闺、是三個自變量日川，生還率是因變量

數(shù)據(jù)加工

導(dǎo)入包

import numpy as np
import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
from __future__ import division
from scipy import stats
import seaborn as sns
###首先導(dǎo)入各種模塊
###讓圖片在ipython notebook上直接顯示
%matplotlib inline

加載數(shù)據(jù)

path='/Users/zhongyaode/Desktop/udacity—data/'
df=pd.read_csv(path+'titanic-data.csv')

熟悉數(shù)據(jù)

先看看數(shù)據(jù)里有哪些信息，這些信息是怎樣的格式

• PassengerId:乘客ID
• Survived:是否獲救矩乐，用1和Rescued表示獲救,用0或者not saved表示沒有獲救
• Pclass:乘客等級龄句，“1”表示Upper，“2”表示Middle散罕，“3”表示Lower
• Name:乘客姓名
• Sex:性別
• Age:年齡
• SibSp:乘客在船上的配偶數(shù)量或兄弟姐妹數(shù)量）
• Parch:乘客在船上的父母或子女?dāng)?shù)量
• Ticket:船票信息
• Fare:票價
  Cabin:是否住在獨(dú)立的房間分歇，“1”表示是，“0”為否
  embarked:表示乘客上船的碼頭距離泰坦尼克出發(fā)碼頭的距離欧漱，數(shù)值越大表示距離越遠(yuǎn)

#查看前五行數(shù)據(jù)卿樱。了解數(shù)據(jù)包含的信息，
df.head()

屏幕快照 2017-05-22 下午10.45.35.png

#查看各字段的數(shù)據(jù)類型
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
PassengerId    891 non-null int64
Survived       891 non-null int64
Pclass         891 non-null int64
Name           891 non-null object
Sex            891 non-null object
Age            714 non-null float64
SibSp          891 non-null int64
Parch          891 non-null int64
Ticket         891 non-null object
Fare           891 non-null float64
Cabin          204 non-null object
Embarked       889 non-null object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.6+ KB

#查看數(shù)據(jù)的摘要信息
df.describe()

屏幕快照 2017-05-22 下午10.45.47.png

從數(shù)據(jù)摘要中可以看出硫椰。乘客的生還率大約在38%，超越50的乘客在3等級萨蚕，乘客的平均年齡在30歲左右靶草，普遍比較年輕

數(shù)據(jù)清洗

處理缺失值

#Embarked有非常少的兩個缺失值，這里用'S'填充
df['Embarked']=df['Embarked'].fillna('S')

#處理Age的缺失值岳遥，Age是連續(xù)數(shù)據(jù)奕翔，這里用平均值填充缺失值
age_mean=df['Age'].mean()
df['Age']=df['Age'].fillna(age_mean)

處理性別數(shù)據(jù)

#這里把性別數(shù)據(jù)值字符串不便于計算換成數(shù)值，
#用1代表男性浩蓉，用0代表女性派继，將性別數(shù)值化
def sex_value(Sex):
    if Sex=='male':
        return 1
    else:
        return 0

df['Sex']=df['Sex'].apply(lambda x:sex_value(x))

數(shù)據(jù)探索

#獲取生還乘客的數(shù)據(jù)
survives_passenger_df=df[df['Survived']==1]

#定義幾個常用的方法

#按照xx對乘客進(jìn)行分組宾袜，計算每組的人數(shù)
def xx_group_all(df,xx):
    #按照xx對乘客進(jìn)行分組后 ，每個組的人數(shù)
    return df.groupby(xx)['PassengerId'].count()

#計算每個組的生還率
def group_passenger_survived_rate(xx):
    #按xx對乘客進(jìn)行分組后每個組的人數(shù)
    group_all=xx_group_all(df,xx)
    #按xx對乘客進(jìn)行分組后每個組生還者的人數(shù)
    group_survived_value=xx_group_all(survives_passenger_df,xx)
    #按xx對乘客進(jìn)行分組后驾窟，每組生還者的概率
    return group_survived_value/group_all

#輸出餅圖
def print_pie(group_data,title):
    group_data.plt.pie(title=title,figsize=(6,6),autopct='%.2f%%'\
                      ,startangle=90,legend=True)
    
    
    

#輸出柱狀圖
def print_bar(data,title):
    bar=data.plot.bar(title=title)
    for p in bar.patches:
        bar.annotate('%.2f%%'%(p.get_height()*100),(p.get_x()*1.005\
                     ,p.get_height()*1.005))

性別對生還率的影響

#不同性別對生還率的影響
df_sex1=df['Sex'][df['Survived']==1]
df_sex0=df['Sex'][df['Survived']==0]
plt.hist([df_sex1,df_sex0],
        stacked=True,
        label=['Rescued','not saved'])
plt.xticks([-1,0,1,2],[-1,'F','M',2])
plt.legend()
plt.title('Sex_Survived')

<matplotlib.text.Text at 0x118427d90>

output_18_1.png

看出全體乘客中男性占了大部分庆猫，但是生還乘客中女性占了大部分；

• 得出結(jié)論：女性的生還概率比男性的更高

乘客等級對生還率的影響

#不同等級對生還率的影響
df_sex1=df['Pclass'][df['Survived']==1]
df_sex0=df['Pclass'][df['Survived']==0]
plt.hist([df_sex1,df_sex0],
        stacked=True,
        label=['Rescued','not saved'])
plt.xticks([1,2,3],['Upper','Middle','lower'])
plt.legend()
plt.title('Pclass_Survived')

<matplotlib.text.Text at 0x11807edd0>

output_21_1.png

全體乘客中l(wèi)ower等級的乘客超過了一半绅络，生還乘客中upper等級的人最多月培，
對比各個等級的死亡人數(shù)和生還人數(shù)：

• **可以得出結(jié)論：Upper等級生還概率大于Middle、lower的生存概率恩急，等級越好生還概率越好

年齡對生還率的影響

#不同年齡對生還率的影響
df_sex1=df['Age'][df['Survived']==1]
df_sex0=df['Age'][df['Survived']==0]
plt.hist([df_sex1,df_sex0],
        stacked=True,
        label=['Rescued','not saved'])
#plt.xticks([1,2,3],['Upper','Middle','lower'])
plt.legend()
plt.title('title')
plt.title('Age_Survived')

<matplotlib.text.Text at 0x118698690>

output_24_1.png

#不同年齡段對生還率的影響elderly杉畜，child,youth
#年齡數(shù)據(jù)進(jìn)行處理，0-18為child(少年)衷恭，18-40為youth（青年）此叠，40-80為elderly（老年）
def age_duan(age):
    if age<=18:
        return 1
    elif age<=40:
        return 2
    else:
        return 3
    
df['Age']=df['Age'].apply(lambda x:age_duan(x))

df_sex1=df['Age'][df['Survived']==1]
df_sex0=df['Age'][df['Survived']==0]
plt.hist([df_sex1,df_sex0],
        stacked=True,
        label=['Rescued','not saved'])
plt.xticks([1,2,3],['child','youth','elderly'])
plt.legend()
plt.title('Age_Survived')

<matplotlib.text.Text at 0x11854e410>

output_26_1.png

全部乘客中大部分人否在30歲左右，而0-10的生還率比其他年齡段都要高

• 結(jié)論：0-10歲的生還率率最高随珠，20-40之間的生還人數(shù)最多

多因素分析

性別和乘客等級共同對生還率的影響

print_bar(group_passenger_survived_rate(['Sex','Pclass']),'Sex_Pclass_Survived')

output_30_0.png

可以看到灭袁，對生還率的影響性別>乘客等級，其次是乘客等及對生還率的影響是1>2>3等姐

性別和年紀(jì)對生還率的影響

dd0=df[['Age','Sex','Pclass']]
dd11=df[['Age','Sex','Pclass']][df['Survived']==1]
c=Pclass_survived_all(dd11,['Age','Sex','Pclass'])
dd0['Sex'].count()

891

#按Pclass分組計算每組的人數(shù)
def Pclass_survived_all(data,Pclass):
    return data.groupby(Pclass)['Sex'].count()

#按Pclass分組計算每組的生還率
def Pclass_survived_probability(data):
    #計算每組生還者的人數(shù)
    groupby_survived=Pclass_survived_all(dd11,data)
    #計算每組的總?cè)藬?shù)
    groupby_survived_all=Pclass_survived_all(dd0,data)
    return groupby_survived/groupby_survived_all

print_bar(Pclass_survived_probability(['Sex','Age']),'Sex_Sge_Survived')

output_36_0.png

可以看出牙丽，對生還率影響大的是性別简卧，女性>男性

其次少年的生還率大于青年和老年，青年跟老年的對生還率差不多

年齡和乘客等級共同對生還率的影響

#Age中用1表示少年,用2表示青年,用3表示老年
print_bar(Pclass_survived_probability(['Age','Pclass']),'age_pclass_Survivedd')

output_39_0.png

可以看出乘客的等級對生還率的影響>乘客年齡的影響

年齡越大生還率越小烤芦，乘客等級越差生還率越差

結(jié)論

通過分析举娩，可以看出對生還率影響最大的因素是乘客等級，其次是性別构罗，最后年齡段也對生化率有影響

分析的局限性

• 這里并沒有從統(tǒng)計上分析得出這些結(jié)果的偶然性铜涉，所以并不知道這里的結(jié)果是真正的差異造成的還是噪音造成的
• 年齡字段有一些缺失值，因?yàn)槭沁B續(xù)數(shù)據(jù)這里用的是全體乘客年齡的均值填充缺失值遂唧，這樣會縮小年齡之間的差異芙代，也會影響分析結(jié)果

結(jié)果的相關(guān)性

這里的數(shù)據(jù)并非通過試驗(yàn)得出，所以無法說自變量之間的因果性盖彭，只能說她們之間有相關(guān)性

參考文章![Microsoft Dynamics AX 技術(shù)博
]http://www.cnblogs.com/msdynax/p/6099814.html
[審閱參考意見]https://review.udacity.com/#!/reviews/521378