Python进行泰坦尼克生存预测——数据探索分析！

1 数据预览

1.1 head()

预览数据集的前面几条数据可以大致看看每个字段的值究竟长什么样。

1.2 info()

可以看每个字段有多少非空值，字段的类型是什么样的

1.3 describe()

可以大致描述每个整数或者浮点型的数值分布，看最小值，最大值和四分位数，可以大致了解数据的偏移情况。

年龄字段也存在缺失，一般来说，老弱病残幼是要受到特殊照顾的，因此年龄应该会是一个比较重要的特征，并且因为它是连续值，这里采用算法预测的方式来进行填充。

最后我们来看一下填充后的数据情况

3. 数据探索

3.1 各个字段值的分布情况

先看代码：

以上是画布相关设置

subplots_adjust()是用来调整画布内子图的间隔大小的。

以上是在画布相应位置画各个子图的代码。图形如下：

3.2 探索各字段与是否生存的关系，寻找对模型有用的特征

3.2.1 不同乘客等级与是否生存的关系

舱位越高级的，生存的比例越大。3等舱里面未获救的比例明显增大。说明舱位与是否生存有关系。

3.2.2 性别与是否生存的关系

从图中可以发现大部分都是集中在20-50岁之间的，从箱线图看平均年龄接近30岁。

因为年龄是连续值，因此我们考虑把年龄分段后，进行分段统计展示看年龄与是否生存的关系。

从数据上年纪小的生存的几率要大些。不同年龄段的生存率明显有差别，说明年龄与是否生存是有关系的。

3.2.4 有无兄弟姐妹与是否生存的关系

从数据上看兄弟姐妹在1-2个的生存率最高

3.2.5是否有父母子女与是否生存的关系

数据显示父母子女个数在1-3个的生存率最高，个数越多反倒生存率下降。

3.2.6 港口与是否生存的关系

数据显示有港口的生存率明显高很多。可能是船中间有停靠到一些港口，有部分乘客下船了。

本文参考：大树先生的博客

欢迎大家关注我的博客：https://home.cnblogs.com/u/Python1234/

欢迎大家加入我的千人交流学习答疑群：125240963