一、提出问题：
获救与其他因素（性别、年龄、舱位）的关系大小

二、整理数据：
数据来源：经典的titanic数据分析，大多数人都会从这个案例做教学或者做练习，数据可从kaggle（https://www.kaggle.com/c/titanic/data）上一个机器学习的数据集获得，kaggle有三个表格，我们现在用train这个表。

工具：jupyter notebook，可以更好的展示分析思维和过程。

导入python的数据分析库

import pandas as pd import numpy as np import matplotlib.pyplot as plt %matplotlib inline #可视化在页面展示 

导入数据

讯享网df = pd.read_csv(r'C:\Users\jessie\train.csv',engine='python') 

df.shape #输出：(891, 12) 

查看数据信息

讯享网df.info() #输出： <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 

如果只想单纯查看数据的数据类型，可以用dtypes

df.dtypes #输出： PassengerId int64 Survived int64 Pclass int64 Name object Sex object Age float64 SibSp int64 Parch int64 Ticket object Fare float64 Cabin object Embarked object dtype: object 

查看列名

讯享网df.columns #输出 Index(['PassengerId', 'Survived', 'Pclass', 'Name', 'Sex', 'Age', 'SibSp', 'Parch', 'Ticket', 'Fare', 'Cabin', 'Embarked'], dtype='object') 

做到这里我们对泰坦尼克号的数据有了基本了解：
1.数据一共有891行，12列；
2.列【Age】、【Cabin】、【Embarked】有缺失值；
3.有些数据需要修改数据类型，如【PassengerId】，ID是纯文本，不应是数字类型

我们对数据作更进一步了解，可以查看数据的前N行或后N行

df.head() #输出 

讯享网
ps：如果你用的其他例子列数比较多，可以用pd.set_option(‘max_columns’, 1000)来展示所有的列
展示的前5行，列【Cabin】有三个NaN缺失值，处理缺失值的方法有删除、填充中位数或者平均数，删除会使数据量减少，如果数据量大还好，数据量小会影响整个的分析结果，填充平均数或者中位数是更常见的方法

三、数据清洗
如前面所说，有三列数据是有缺失值，选择不删除用填充的方法来解决，【Age】这一列用平均值来填充

列【Embarked】只有两个缺失值，这里我们用中位数来填充


【Cabin】这列缺失值太多，先放着

至此，我们的数据清洗已完成，下面开始数据分析+视化

四、数据分析

1.单因素分析

1.1、先计算泰坦尼克号的获救人数和获救率

讯享网total_survived = df.Survived.value_counts() #对列【Survived】进行计数 total_survived.index = total_survived.index.astype('str') #将index由数字0，1转化为字符串“0”，“1” _x = total_survived.index #赋值 _y = total_survived.values #赋值 #下面画图 plt.figure(figsize=(10, 5), dpi=80) #figsize设置画布大小，dpi设置图片的精度 plt.subplot(121) #画两个左右对称的子图，现在是画第一个 plt.bar(_x[0], _y[0],label='survived',color='#39CC6A',align='center') plt.bar(_x[1], _y[1],label='not survived',color='#FF9361',align='center') plt.xlabel('survived or not',fontsize=10) plt.ylabel('count',fontsize=10) plt.ylim(0,600) plt.title('Survival Count') plt.subplot(122) #现在是画第二个 plt.pie(total_survived, labels=total_survived.index,colors=['#FF9361','#39CC6A'], autopct='%3.0f%%', startangle=230,pctdistance = 0.6, labeldistance = 1.1) plt.title('Survival Rate') plt.axis('equal') #设置为正圆 plt.show() 

由图形可以看出，这891名乘客中，获救的占38%，没获救的占比62，死亡率很高

1.2、下面是计算Pclass和获救的关系

df['Pclass'] = df['Pclass'].astype('str') #将数字类型改为字符串 df_survived = df['Pclass'][df['Survived'] == 1] #将获救的Pclass数据取出来，右边等式返回的是索引值和Pclass值 df_not_survived = df['Pclass'][df['Survived'] == 0] plt.figure(figsize=(5, 5),dpi = 80) plt.hist([df_survived ,df_not_survived], stacked=True,color=['#39CC6A','#FF9361'],label=['Survived','not Survived']) plt.xticks(['1','2','3'],['Upper','Middle','lower']) plt.legend() plt.xlabel('Pclass',fontsize=10) plt.ylabel('count',fontsize=10) plt.title('Pclass_Survived') plt.ylim(0,600) plt.show() 

结论：第3层的船舱人数越多，获救率反而最小，船舱等级越高，获救率越大

1.3、下面是计算性别对获救的影响

讯享网df_sex1=df['Sex'][df['Survived']==1] df_sex0=df['Sex'][df['Survived']==0] plt.figure(figsize=(5, 5), dpi=80) plt.hist([df_sex1,df_sex0],stacked=True,color=['#39CC6A','#FF9361'],label=['Survived','not Survived'],rwidth=10) plt.xticks([-1,0,1,2],[-1,'F','M',2]) plt.legend() plt.xlabel('Sex',fontsize=10) plt.ylabel('count',fontsize=10) plt.title('Sex_Survived') plt.show() 

由数据可以看出，船上男性的人数比女性多，但女性的获救率远大于男性

1.4、计算年龄对获救的影响

先对年龄分层

def age_level(age): if age <= 9: return str('1') elif age <=24: return str('2') elif age <=59: return str('3') else: return str('4') df['age_level'] = df['Age'].apply(age_level) #新增一列 

这个分类标准标准是小于等于9岁的是儿童，小于等于24岁的是青年，小于等于59岁的是中年，大于59岁的是老年

讯享网plt.figure(figsize=(5, 5), dpi=80) df_age1=df['age_level'][df['Survived']==1] df_age0=df['age_level'][df['Survived']==0] plt.hist([df_age1,df_age0],stacked=True,color=['#39CC6A','#FF9361'],label=['Survived','not Survived']) plt.xticks(['1','2','3','4'],['child','youth','middle','elderly']) plt.legend() plt.xlabel('Age_level',fontsize=10) plt.ylabel('count',fontsize=10) plt.title('Age_Survived') plt.ylim(0,700) plt.show() 

可以看到中年人（24-59岁）的人数最多，获救人数也最多，儿童（0-9岁）的获救率最高

2多因素分析

2.1、Age和Pclass共同对获救的影响

先导入其他的库

from __future__ import division from scipy import stats import seaborn as sns 

定义获救人员

讯享网survives_passenger_df=df[df['Survived']==1] 

#定义几个常用的方法 #按照xx对乘客进行分组，计算每组的人数 def xx_group_all(df,xx): #按照xx对乘客进行分组后 ，每个组的人数 return df.groupby(xx)['PassengerId'].count() #计算每个组的生还率 def group_passenger_survived_rate(xx): #按xx对乘客进行分组后每个组的人数 group_all=xx_group_all(df,xx) #按xx对乘客进行分组后每个组生还者的人数 group_survived_value=xx_group_all(survives_passenger_df,xx) #按xx对乘客进行分组后，每组生还者的概率 return group_survived_value/group_all #输出饼图 def print_pie(group_data,title): group_data.plt.pie(title=title,figsize=(6,6),autopct='%.2f%%'\ ,startangle=90,legend=True) #输出柱状图 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)) 

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

可以看到，对获救率的影响Age>Pclass，其次是Pclass对获救率的影响是1>2>3等级

2.2、性别和年龄共同对获救率的影响

#按Pclass分组计算每组的人数 def Pclass_survived_all(data,Pclass): return data.groupby(Pclass)['Sex'].count() 

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

#按Pclass分组计算每组的生还率 def Pclass_survived_probability(data): #计算每组生还者的人数 groupby_survived=Pclass_survived_all(dd11,data) #计算每组的总人数 groupby_survived_all=Pclass_survived_all(dd0,data) return groupby_survived/groupby_survived_all 

讯享网print_bar(Pclass_survived_probability(['Sex','age_level']),'Sex_Sge_Survived') 

2.3、年龄和乘客等级共同对生还率的影响

print_bar(Pclass_survived_probability(['age_level','Pclass']),'age_pclass_Survivedd') 

可以看出乘客的等级对获救率的影响>乘客年龄的影响
年龄越大获救率越小，乘客等级越差获救率越差

五、结论
通过分析，可以看出对获救率影响最大的因素是乘客等级，其次是性别，最后年龄段也对生化率有影响

六、分析的局限性

七、结果的相关性
这里的数据并非通过试验得出，所以无法说自变量之间的因果性，只能说她们之间有相关性

八、参考文章：
https://www.jianshu.com/p/17fa
https://zhuanlan.zhihu.com/p/