后续更多干货资料,请关注!!!
前言
本号之前就已经有一篇文章关于探索《泰坦尼克号》的生还数据案例,文章中完全使用 Python 分析出一系列数据背后的逻辑。
但是,在探索分析中需要经常在不同维度中输出数据可视化,说实在的,我连一句代码都不想写!
今天,我使用极少量 Python 代码(就3句 pandas 相关代码) 加上 微软的商业智能分析神器 Power BI ,再次探索此数据。像侦破案件一样,一步步通过可视化动态关联图表,找到数据之间的关系。
由于文章篇幅太长,为了文章的阅读性和连贯性,因此案例分为3篇文章完成(分析,实现,思路),此文是分析篇,虽然不涉及代码和实现,但内容是3篇文章的核心。
数据说明
本文案例数据来自于一份公开的关于"泰坦尼克号遇难事件"的数据。部分记录如下图:
survived ,1:生还;2:没有生还
sex ,male:男;female:女
我很喜欢用描述来表示一份数据,这数据反应的信息, 如下,其中括号中的是对应的字段:
船上的一位乘客 jack(name)
男性(sex),20岁(age)
他拿着价值35美元(fare)船票(ticket),在 xxx 港口(embarked) 上船
他的房间在头等舱(pclass) 的305号房(cabin)
他在这次事件中被获救(survived)
来看看基本的字段信息
82 年 18 月 71号考试075分 去掉文字加我的裙
共1309条数据。一行表示一位乘客
年龄、港口都有少量数据缺失
其他有些字段有大量缺失
设立分析方向
我们这次需要探索到底谁更有可能生还,从数据中各个字段中可以知道如下信息:
类别字段有:性别、船票、港口、船舱、乘客等级、是否生还
连续值字段有:年龄、票价
其中 是否生还 是一个重要字段
我们可以使用不同的类别字段,通过对是否生还做统计,设定下列分析方向:
性别、乘客等级、港口 ,是否与生还率有关系?
年龄大小是否与生还率有关系?
注意,本文的分析不局限于上面列出的问题,接下来你会看到,在分析过程中我们会发现新的线索
环境与工具
本文需要用到以下环境
Python 的 pandas 包,强烈建议你安装 Anaconda。
Power BI Desktop(免费版)。可自行到官方网站下载
故事报告
报告的第一页,名字叫"整体状况",看看动图,我们是怎么快速发现问题
这页上的所有图表都可以交互关联
比如想看第一个年龄段(17岁以下)的生还率,只需要点击一下右上图第一个条形,左边的性别柱状图马上变化,以反映17岁以下的性别生还率情况
中间部分的人数显示也会变动
下方的数据表也会同时根据当前筛选改变
分析一下以上的过程
整体生还率不足40%
性别图中可以看到,女性的生还率高出男性很多!如果你熟悉电影《泰坦尼克号》的情节就知道,整个救援工作的核心是"lady first"!
从年龄段图看,17岁以下的孩子生还率高出其他年龄段,毕竟紧要关头还是要照顾小孩子
发现线索
当我们点击右上图第一个条状时,可以看到左边的性别生还率分布有不一样的变化。如下图:
男女的生还率差距马上缩少了许多
这可以看出,"女士得到优先救援"这一原则,在17岁以下的人士中,相对其他年龄段变得不太明显。
看到是孩子,管他是男是女,先救起来再说!
此时有人提出质疑,只是这样不能下定论啊,有可能17岁以下的男生人数很少,而又刚好他们大部分被救,也可以导致上图的结果。
来看看我们怎么用数据消除质疑。
关联跳转
此时你可能会想看看17岁以下的男女人数分布,没问题!看以下动图:
直接在17岁以下年龄段的条形图中直接跳转到年龄分布图
你可以在不同的年龄段跳转
跳转后的分布图会显示对应的年龄段分布
左上角有返回按钮,方便你退回跳转前的位置
细看一下17岁以下的分布图,如下:
可以看到,男生与女生的数量基本一致
在15到16岁这段中,男生的数量还比女生要多
其实第一页报告中的中间部分有显示男女人数
目前为止,我们得到以下分析结果:
女性比男性更可能生还
小孩子(17岁以下)更可能生还
小孩子(17岁以下)中,性别影响相对较少
对性别生还率进行探索
刚刚我们只是重点分析了每个年龄段的影响,现在试试重点看看性别,却发现了问题。看以下动图:
分别点击性别生还率图的男性和女性的柱状
下面通过静态图分析,方便读者查看。以下是女性的年龄段图:
在女性中,根本无视年龄的区别,17岁以下的女生生还率反而没有其他年龄段高!
注意图中的浅色区域,是整体的生还率。可以看出来,女性的每个年龄段的生还率都远远高于整体
看看男性的年龄段图:
在男性各年龄段中,则体现了之前的分析
男性的每个年龄段的生还率都远远低于整体
原来是男性把每个年龄段的生还率给拉下来了。
重大发现
在第一页的报告下方有显示数据,来看看17岁以下的数据,才发现一直忽略了一个重要因素!如下图:
从名字列可以看到,他们是有关系的(兄弟姐妹)
看 ticket 列,他们的票号是一样的
我们一直没有注意到,这里还有套票的情况,从"是否套票"可以看出来是否一家人或朋友,反正就是一起买票一起上船
我们把买套票的人归类为"有组织人士"(名字怪怪的??),其他人归类为"独自一人",制造出第二页报告——单身生还率。来看看动态图:
鼠标只要移到上方堆积图中的每一格,即显示对应的船舱等级人数比例饼图
右下图可以分别点击2个柱状,查看情况
下面来仔细分析。
先看看整体情况
有一名9岁的孩子,其他都是13岁以上
其中15和16岁的人数最多
暂时没能分析出他们是否一伙
其他分析
由于篇幅所限,本文没有对其他字段的分析做说明,比如:
通过 pclass 与 年龄分布可以知道,坐头等舱的大部分是上了年纪的(这是常识吧)
通过 pclass 与 生还率的分析,可以知道,头等舱的生还率非常高,这可能有一部分原因是特别照顾有名望的人士
通过 cabin 同样可以分析出,某些房间会有更高的生还率,Kaggle 上有人通过关于当年泰坦尼克号的船结构分析出每个房间的位置,更靠近甲板的房间更可能获救
以上部分的分析,在报告中是做出来了的,有兴趣的小伙伴请自行下载查看。
最后
在数据探索分析(EDA)中经常需要对不同维度进行数据分析可视化,如果全过程使用 Python 会很不方便。Power BI 正好弥补了这一点,他可以快速输出关联动态图表,并且他也支持在数据处理环节与可视化环节中使用 Python(重点是pandas),这大大提高生产效率。
网友评论