其他分享
首页 > 其他分享> > 案例分析 - 泰坦尼克数据

案例分析 - 泰坦尼克数据

作者:互联网

这里记录一下通过这个案例掌握的之前不会的api(pandas)

 

1.数据的统计描述

往往都df.decsribe()

但是可以分数值型和对象型变量

# describe函数查看部分变量的分布
# 因为Survived是0-1变量,所以均值就是幸存人数的百分比,这个用法非常有用
titanic_df[["Survived","Age", "SibSp", "Parch"]].describe()
# 使用include=[np.object]来查看分类变量
# count: 非缺失值的个数
# unique: 非重复值得个数
# top: 最高频值
# freq: 最高频值出现次数
titanic_df.describe(include=[np.object])

 

2.填补(年龄数据中)的缺失值

# 计算所有人年龄的均值
age_median1 = titanic_df.Age.median()

# 使用fillna填充缺失值,inplace=True表示在原数据titanic_df上直接进行修改
titanic_df.Age.fillna(age_median1, inplace=True)

 

3.处理多个维度的特征办法(舱位与生还概率)  分组 或 透视表

两个维度:

# 方法1:使用经典的分组-聚合-计算(第六节课核心内容)
# 注意:因为Survived是0-1函数,所以均值即表示生还百分比
titanic_df[['Pclass', 'Survived']].groupby('Pclass').mean() \
    .sort_values(by='Survived', ascending=False)
# 方法2:我们还可以使用pivot_table函数来实现同样的功能(本次课新内容)
# pivot table中文为数据透视表
# values: 聚合后被施加计算的值,这里我们施加mean函数
# index: 分组用的变量
# aggfunc: 定义施加的函数
titanic_df.pivot_table(values='Survived', index='Pclass', aggfunc=np.mean)
# 方法1:groupby
titanic_df[["Sex", "Survived"]].groupby('Sex').mean() \
    .sort_values(by='Survived', ascending=False)
# 方法2:pivot_table
titanic_df.pivot_table(values='Survived', index='Sex', aggfunc=np.mean)

 

三个维度:

# 方法1:groupby
titanic_df[['Pclass','Sex', 'Survived']].groupby(['Pclass', 'Sex']).mean() 
# 方法2:pivot_table
titanic_df.pivot_table(values='Survived', index=['Pclass', 'Sex'], aggfunc=np.mean)
# 方法3:pivot_talbe
# columns指定另一个分类变量,只不过我们将它列在列里而不是行里,这也是为什么这个变量称为columns
titanic_df.pivot_table(values='Survived', index='Pclass', columns="Sex", aggfunc=np.mean)

练习:

分别使用groupby和pivot_table, 计算在不同舱位中男女乘客的人数。

# 1.groupby
titanic_df.groupby(['Pclass', 'Sex']).agg({"Sex": "size"})
titanic_df.groupby(['Pclass', 'Sex']).agg({"Sex": "count"})
titanic_df.groupby(['Pclass', 'Sex']).Sex.count()
# 2.透视表pivot_table
titanic_df.columns
# titanic_df.pivot_table(values='Survived', index=['Pclass', 'Sex'], aggfunc=np.mean)
titanic_df.pivot_table(values='Name', index=['Pclass', 'Sex'], aggfunc="count")  # 这里的aggfunc作用于values,values可以取除了index中的其余值

 

4.将连续型变量离散化

# 我们使用cut函数
# 我们可以看到每个区间的大小是固定的,大约是16岁
titanic_df['AgeBand'] = pd.cut(titanic_df['Age'], 5)
titanic_df.head()
# 方法1:value_counts(), sort=False表示不需要将结果排序
titanic_df.AgeBand.value_counts(sort=False)
# 方法2:pivot_table
titanic_df.pivot_table(values='Survived',index='AgeBand', aggfunc='count')
titanic_df.pivot_table(values='Name',index='AgeBand', aggfunc='count')

 

练习:综合考虑性别,舱位和登船码头三个因素,计算其生还概率,并在一副图中探索它们和生还概率的关系。

# 方法1.这个方法这里是最好的,这样可以一下讨论4个维度(变量)的关系
# 默认点图
sns.factorplot(x="Pclass", y="Survived", hue="Sex", col="Embarked", data=titanic_df)
# 柱状图
sns.factorplot(x="Pclass", y="Survived", hue="Sex", col="Embarked", data=titanic_df, kind="bar")
# 方法2. 'Embarked', 'Pclass', 'Sex', 'Survived'
# 这种方式最大可以分析三个变量之间的关系,
# 1、这里讨论 关系,舱位 和 性别三者的关系
sns.barplot(x="Pclass", y="Survived", hue="Sex", data=titanic_df, ci=None)


# 2、使用FacetGrid函数 进行分类讨论
sns.FacetGrid(data = titanic_df, row='Embarked', aspect=1.5) \
   .map(sns.pointplot, 'Sex', 'Survived', 'Pclass',hueorder=['male','female'], palette='deep', ci=None)
# 方法3.
sns.pairplot(titanic_df.loc[:, ['Embarked', 'Pclass', 'Sex', 'Survived']], hue="Embarked")
# sns.pairplot(titanic_df.loc[:, ['Embarked', 'Pclass', 'Sex', 'Survived']], hue_order=["Embarked", "Sex"])

sns.pairplot(titanic_df[['Pclass', 'Sex', 'PassengerId', 'Survived', 'Embarked', 'AgeBand']], hue='AgeBand')
sns.pairplot(titanic_df, hue='AgeBand')

 

标签:分析,df,titanic,Pclass,Sex,案例,泰坦尼克,Survived,pivot
来源: https://www.cnblogs.com/kongweisi/p/11231111.html