第八課：案例分析 - 泰坦尼克數(shù)據(jù)
本節(jié)課將重點分析泰坦尼克號沉船事故田轧，我們將探索是什么因素決定了最后是否生還暴匠。
我們將前面課程所學過的知識點融會貫通，舉一反三傻粘。
新增知識點：
? ?
? 缺失值處理：pandas中的fillna()方法? ? ?數(shù)據(jù)透視表：pandas中的pivot_table函數(shù)
上篇文章的作業(yè)疑惑每窖，其實用下圖是可以簡潔說明的，此圖截屏于 新生大學-解密大數(shù)據(jù)《Python編程&數(shù)據(jù)科學入門》線上課程（說明來處弦悉，應該沒侵權啊窒典。。）稽莉。
對啦瀑志，我上的就是這個課，有讀者問到這課程講得那么詳細是什么課污秆，這個介紹一下劈猪，就是 新生大學-解密大數(shù)據(jù)《Python編程&數(shù)據(jù)科學入門》，感興趣的讀者可以去了解一下良拼。
為什么前面聽了那么久战得，我都不知道index是行索引，columns是列索引呢将饺？贡避？痛黎！
好吧予弧，接下來是正文內(nèi)容：
3-4 年齡與生還情況
與上面的艙位刮吧、性別這些分類變量不同，年齡是一個連續(xù)的變量掖蛤。
生還組和罹難組的年齡分布直方圖
分類變量可以繪制條形圖杀捻，連續(xù)變量可以繪制直方圖。將泰坦尼克號的數(shù)據(jù)映射到 hist 函數(shù)中蚓庭，來繪制 Age 這一列的直方圖致讥，并且把區(qū)間設成 20，輸出得到年齡分布的直方圖器赞。
這張圖并沒能明顯顯示 FacetGrid 圖表的優(yōu)勢垢袱，由于我們需要的是罹難和生還兩個組的年齡分布，所以這時候可以加一個語句：
這個 col='Survived' 充滿了魔力案酃瘛Ｇ肫酢！夏醉！一變二爽锥！這里就能顯示生還組（Survived=1）和罹難組( Survived=0 )兩個圖表中年齡的分布了析珊。col代表的是列的屬性将谊，這時把0和1分布在兩個圖表中穗椅，為了一致起見朵逝，把兩個圖表歸一化柿顶，使用normed=True 這個參數(shù)监徘，我們能夠看到縱坐標的值改變了忘巧，并不是頻數(shù)等統(tǒng)計曲横，歸一化的意思就是下面陰影區(qū)域的面積為1玄捕。
在這個圖可以看到秸仙，相對來說，生還組中兒童占比比較大桩盲。
結論：兒童有更高的生還可能寂纪。
作業(yè) 8-3：
考慮艙位因素后，繪制生還組和罹難組的年齡分布直方圖提示：FacetGrid參數(shù)中同時設置col和row
年齡是一個連續(xù)的值赌结，要是用直方圖來觀察捞蛋，不是太方便。這里就需要將連續(xù)性的變量離散化了：
連續(xù)型變量離散化是建模中一種常用的方法
離散化指的是將某個變量的所在區(qū)間分割為幾個小區(qū)間柬姚，落在同一個區(qū)間的觀測值用同一個符號表示
以年齡為例拟杉，最小值是0.42（嬰兒），最大值是80量承，如果我們想產(chǎn)生一個五個級（levels）搬设，我們可使用cut或者qcut函數(shù)
cut函數(shù)將年齡的區(qū)間均勻分割為5分穴店，而qcut則選取區(qū)間以至于每個區(qū)間里的觀察值個數(shù)都是一樣的（五等分）， 這里演示中使用cut函數(shù)拿穴。
我們上面的圖中可以看到年齡是0-80歲泣洞，我們可以嘗試將它劃分為五等分，等于就是把一個連續(xù)的值變成離散的值了默色，將數(shù)值變量變成一個分類變量球凰。
此處離散化的方法是使用 pandas 里面的 cut 函數(shù)，首先傳遞給這個函數(shù)將要離散化的數(shù)據(jù)：年齡腿宰，后面的5呕诉，表示將數(shù)據(jù)分割成五等分。這里將原本數(shù)據(jù)的每一行對應到一個區(qū)間數(shù)據(jù)吃度。
然后把這個輸出添加到原來的數(shù)據(jù)中甩挫，通過添加一個新的列，賦值給 AgeBand椿每，代表了年齡區(qū)間伊者。
查看落在不同年齡區(qū)間里的人數(shù)
sort=False 表示不需要將結果排序，上圖是沒有加上這句話的輸出拖刃，可以看到區(qū)間是按照區(qū)間數(shù)量的多少進行從大到小的排序的删壮，要是想要把區(qū)間捋一捋，將區(qū)間從小到大無縫連接地排序兑牡，就可以加上 sort=False 這個語句了央碟，下圖是輸出效果：
這里的結果輸出可以看到年齡最小的區(qū)間人數(shù)有100人，按年齡區(qū)間分布最多的是16-32歲之間均函，老年人最少亿虽。
同樣的，得出這樣結果的方法不止一個苞也，我們用 pivot_table 方法進行操作：
因為這里統(tǒng)計的是頻數(shù)洛勉，values 對應的是非空數(shù)值就可以了。這里的主語是年齡區(qū)間如迟，所以索引引導的是 AgeBand收毫。也因為這里統(tǒng)計的是頻數(shù)，所以聚合函數(shù) aggfunc 的值是 count殷勘。
方法一和方法二不同的是此再，方法一是Series格式，方法二是DataFrame格式玲销。
查看各個年齡區(qū)間的生還率
上面表格可以看到不同年齡區(qū)間的生還率输拇，年齡最小區(qū)間的生還率是最高的，有55.5%贤斜，中堅力量三個區(qū)間的生還率不相上下策吠，老年人最低逛裤，只有9%，從上面看到老年人只有11人猴抹，應該就是只有個別老人成功逃離了带族。。洽糟。
按照套路炉菲，我們下面到了繪制圖表的時間啦堕战！
這個圖標的橫坐標每個數(shù)據(jù)有點長坤溃，相互打架了。所以我們進行設置：
plt.xticks 這個函數(shù)我們之前提到過的嘱丢，一般是用來調(diào)整坐標軸薪介，可以通過旋轉角度，對圖表進行調(diào)整越驻。這里 rotation=60汁政，表示旋轉的度數(shù)為 60 度，然后可以看到輸出缀旁。
結論：兒童的生還率更高记劈。
以上是單獨看年齡／性別／艙位和生還率的關系，下面我們綜合不止一個因素來看生還率并巍。
3-5 年齡目木、性別 與生還概率
這里設置行索引 index 是年齡區(qū)間 AgeBand ，列索引 columns 是性別 Sex懊渡，聚合函數(shù) aggfunc 是 numpy 的平均值刽射。
第八課講到挺多這樣結構的案例的，前面我搞得挺迷糊剃执，昨天在地鐵上忍不住打開電腦敲代碼的時候誓禁，真的發(fā)現(xiàn)這東西因為太簡潔了，所以邏輯性特別強肾档。比如這里需要看年齡和性別兩個因素同時與生還概率的關系摹恰，所以是用了二重索引來作為分支，數(shù)字是生還率怒见，所以 values 是等于生還率的俗慈，我的理解就是主語是這些數(shù)字，主要就是為了展示主語速种。然后有分支分類的從句姜盈，對句子進行補充，行索引 是年齡區(qū)間配阵，列索引 是性別馏颂，我的理解就是 行索引 和 列索引 的關系是并列的示血，然后同時從屬于主句，為生還率這個主語服務救拉。得出來的輸出就是 在某年齡區(qū)間难审，男性的生還率和女性的生還率分別是多少。這段話是文科生說給文科生聽的??
接下來是繪制圖表：
這里會自動幫你把Y軸 survived 這個數(shù)據(jù)求平均亿絮。不過這張圖只有一條折線告喊，因為這里還沒有進行按性別來分組。折線圖的分組句型記得芭擅痢黔姜！是hue！加上要修改距離打架的X軸蒂萎，下面兩處改動：
這張折線圖可以看到，綠色代表的女性生還率無論在哪個年齡區(qū)間都是大于男性的五慈，而且女性的生還率隨年齡的增加也在遞增纳寂。對于男性來說，也就是藍色那條線的代表值泻拦，幼者生還率最大毙芜，年長的生還率都低于20%。老師說争拐，從這幅圖可以看出營救的策略應該是兒童優(yōu)先腋粥，然后女性優(yōu)先。
3-6 年齡陆错、艙位灯抛、性別 與生還概率
我覺得要是前面說給文科生的那段話理解清楚对嚼，或者知道那段話代表的內(nèi)容能理解清楚，這里加多一個因素的時候绳慎，不會那么慌纵竖。這里加了一個艙位的分支⌒臃撸看到最后一行輸出靡砌，老年組女性的值是NaN，這一區(qū)間珊楼，無人生還通殃。
看數(shù)據(jù)會有點懵，接下來繪制折線圖厕宗，直觀點吧画舌！
上圖并沒有年齡區(qū)間的劃分，這個函數(shù)不合適有三重索引地表達吧曲聂。所以下面要引進另一個函數(shù)霹购，正確表達年齡，艙位朋腋，性別和生還概率的關系齐疙。
把年齡區(qū)間放在row上轻专，按照年齡區(qū)間來分圖忆矛，老師說到第二句代碼map的時候察蹲，說把sns.pointplot请垛，也就是上面運行的結果，映射到新賦值的函數(shù)中洽议，我就想宗收，反正都把結果弄上去了，為什么后面還要加上橫縱坐標以及分類的參數(shù)呢亚兄，所以就試了一下不放其他參數(shù)的結果：
結果就是混稽，五個空圖，有年齡區(qū)間审胚，有頻數(shù)匈勋，就是沒有參數(shù)的內(nèi)容。不能偷懶啊不能偷懶～～????
因為上面正確輸出的圖不是太完美膳叨，所以要進行調(diào)整：
aspect是長寬比等于1.5倍洽洁，還是胖一點好看??????
palette是調(diào)色板，用內(nèi)置的色板進行調(diào)整菲嘴，然后那條幾乎隱形的白線終于顯示出來了饿自，變成綠色了。綠色代表女性數(shù)據(jù)龄坪，藍色代表男性數(shù)據(jù)昭雌。
然而。健田。烛卧。這還沒完，看上面五張圖妓局，幾乎都是綠色在上面总放，也就是女性生還率高于男性雳旅，但是在第三個圖，也就是年齡區(qū)間在32到48歲之間的綠色線是在藍色線下面的＜淞摹Ｔ苡！不可能啊哎榴，翻看前面的數(shù)據(jù)表格型豁，也是女性生還率高啊尚蝌！然后老師說迎变，這里藍色和綠色代表的數(shù)值調(diào)換了，也就是這張圖中的藍色代表女性飘言，綠色代表男性衣形。為什么呢？老師沒說??
這里的設置是加一句 hue_order=[ 'male' , 'female' ] 姿鸿，此處用的是列表形式擴住參數(shù)谆吴。然后就正常了：
老師說，對上圖的色板配色感興趣的苛预，可以去這個鏈接：palette 配色參考?https://seaborn.pydata.org/tutorial/color_palettes.html?highlight=palette
哈我就沒多大要求了句狼，默認隱藏的夠用就行，你們拿去收藏吧热某！??
作業(yè)8-4:
綜合考慮性別腻菇，艙位和登船碼頭三個因素，計算其生還概率昔馋，并在一副圖中探索它們和生還概率的關系筹吐。
來來來總結一下第八課的內(nèi)容，我們一開篇就提出一個問題：生還率和什么因素有關秘遏，然后拿到了原始數(shù)據(jù)丘薛，數(shù)據(jù)通過清洗填充了缺失值，然后看單個因素和生還率的關系垄提，再看多個因素和生還率的關系榔袋，進行可視化圖表的繪制更容易得出結論，看下圖（我又侵權了嗎铡俐。凰兑。。??外框綠色蝴蝶是新生大學Logo审丘，內(nèi)框那只老虎是解密大數(shù)據(jù)團隊Logo）
第八課終于結束了吏够，老淚縱橫。。锅知。寫不完的第八課??????今晚上第九課啦２ゼ薄！售睹！預習資料還沒看??抓緊時間
