【原】泰坦尼克号数据分析

这是一个很经典的案例，很多博主都写过，对，就是它：泰坦尼克号生存率的分析，它是kaggle上的一道题，通过船上乘客的信息分析和建模，预测哪些乘客得以生还。

我们就非常粗暴地拿这个数据集做一个简单的分析好了。

使用工具：Excel
（对，就是这么简单粗暴）

数据源的获取可后台回复：泰坦尼克

一、明确目的

1912年泰坦尼克号撞上冰山沉没，船上2224名乘客和机组人员中有1502人遇难，幸存下来的人是出于运气还是存在一定的规律？这是我们比较关心的，所以就要提出问题：

那些人士生还的可能性大？

其次了解数据，数据集总共有以下的字段，其中name、sex、cabin、embarked、ticket是字符串类型，pclass和survived虽然是数值型，但其含义是标签，我们分别从舱位、乘客、船票和地域的维度出发来分析。

二、数据处理

通过查看，发现Age、fare、embarked、cabin字段都是有缺失的，下面我们一个一个来看。

1、age缺失值处理

筛选age一列为空的有263条数据，缺失率为20%，可以全部填充为年龄的均值或众数，也可以进一步地分析，发现年龄缺失的数据里三等舱的最多，占总缺失值的79%，而三等舱里的未生还的男性占比最多，因此也可以用三等舱年龄的平均值来填充。

这里为了保持数据的真实性，就不做填充处理了。

2、fare缺失值处理

筛选发现fare（票价）只缺失了一个值，我们把它找出来，发现可以用同类型的均值填充掉。

因此我们筛选三等舱、年龄大于60岁的，登船港口为S的男性的均值票价7来填充这个缺失值。

3、embarked缺失值处理

embarked登船港口字段也有2个缺失值，筛选出来看下。

进一步观察到，这两个旅客都是单独出行，没有家人（从sibsp和parch列均为0得知），延续对fare缺失值处理的思路，寻找同类型的进行填充。对第一个旅客，筛选出头等舱的年龄在35~40岁的女性中，港口最多的值填充进去，结果是S。

同样的方法，对第二个旅客，筛选头等舱年龄在60~65岁的女性中，登陆港口最多的值，结果也为S。

4、cabin缺失值处理

对于cabin（客舱）字段缺失值达到了77%，缺失太多了，就不做填充处理了，直接保留或删除，这里先保留着吧。

三、数据分析

1、舱位维度

pclass
对舱位和生还情况分析，插入数据透视表

生还的人里，头等舱的占比达到了40%。

对每个舱位的生存死亡情况做百分比堆积柱形图，可以看到，头等舱生还的人数占比最多，达到61.92%，三等舱的生还人数占比最少，仅25.33%，所以还是那句老话，钱虽然不是万能的，但没钱@#%&^…

carbin
对carbin（客舱号）做透视，可以看到有295个唯一值，基本上是一个客舱只住一个人。

但是也发现了有1个客舱对应2个人以上的情况，进一步地把舱位拉进去对比一下，发现三等舱的数值很少，说明carbin缺失值大部分是三等舱缺失的，意思是三等舱的人没有客舱？大通铺？这个有待进一步查证。

另外发现三等舱有客舱的都是E/F/G开头的客舱号，而头等舱A/B/C就较多，猜测客舱号是随着舱位的降低按字母升序排列的。

2、乘客维度

name
name姓名列没有什么有价值的信息，不过可以进一步思考的是，姓名里其实是对应了头衔的，比如Mr是已婚男士，Mrs是已婚女士等，但是这里就先删除了。

sex
对性别和生还情况进行分析

生还的人中女性占比67.8%，远高于男性的32.2%。

女性生还人数占女性总数的72.75%，远远大于男性生还人数占男性总数的19.10%。

性别&舱位
可以顺便看一下舱位和性别的关系，因为男性人口基数大，所以不管是哪个舱位，男性人数都是多于女性的，同理，各个舱位都是女性获救的人数最多。

但是呢，头等舱女性的生还比例为97%，远高于其他两个舱位，且三等舱女性的生还比例只有49%。

age
对年龄和生还情况进行分析，这里因为年龄有缺失，仅对有数值的进行分析。

首先对年龄做一个简单的描述统计，用【数据分析】里的【描述统计】功能，可以看到年龄最大值为80岁，最小值为0.17岁，平均值为29.88岁，年龄中位数为28岁，众数为24岁。

进一步地，可以观察一下年龄的分布情况，做直方图，5岁为一组，可以看到，乘客的年龄主要集中在15-30岁，其中20-25岁的年轻人最多。

了解了年龄大致的分布后，就要来看特定人群的生还情况了，我们将年龄分为：

• 少年（0~15岁）

• 青年（15~40岁）

• 中年（41~65岁）

• 老年（66岁以上）

先做一个分组的表，用vlookup的模糊匹配实现分组

在age旁新建一列age分组的辅助列，输入公式=VLOOKUP(E2,Sheet2!$B$18:$C$21,2,1)


Sheet2!18:21这个区域就是上图预先设置好的分组区域。

再对age分组和survived进行透视

可以看到生还的人中青年、少年的占比最多，老年占比最少。

对各年龄段分组的死亡、生存情况做百分比堆积柱形图，得到结果，少年获救的人数比例最高。

sibsp
对sibsp字段（兄弟姐妹妹/配偶的个数）分析，透视后可以看到标签为0，也就是说没有亲戚的人是船上乘客的大多数。

同样因为基数大的缘故，生存下来的人中，亲戚数为0的占比最多达到了61.8%。

对各标签做百分比堆积柱形图，这才是比较有意义的结果，可以看到，有1个亲戚数的人群获救的比例最高。

parch
对parch字段分析（父母/小孩个数），同样可以看到，没有父母/小孩的人数是船上总人数的76%，同样，这部分人群获救的数量也最多。

做百分比堆积柱形图，可以看到有3个父母/小孩的人群获救的比例最大，达到了62.5%。

3、船票维度

fare
对Fare（票价）字段分析，首先比较关注的是票价和舱位是否存在相关性，正常的逻辑是舱位越高，票价越高，这里算出pclass和fare的相关系数是-0.56，还是比较相关。

还记得上面我们用vlookup的模糊匹配分组，还可以直接用数据透视表分组。透视以后组合，选择50步长一组，可以再对票价和舱位透视看看，看到100以上的高票价全都是头等舱，二等舱和三等舱的票价大部分为0~50。

性别&票价
女性的票价均价要高于男性

性别&舱位&票价
头等舱的均价远高于其他两个舱，每个舱女性的均价都要高于男性，其中票价的最大值512出自头等舱的女性。另外一个比较有意思的现象是，票价为0的居然都是男性。

都写到这儿了，可以再引申出一个问题，票价到底和什么有关？性别？登陆港口？舱位？客舱？有兴趣的小伙伴可以自己再深入探讨一下，这里我们就不探索下去了。

接下来，50一组看一下fare的分布情况，可以看到票价为0~50的占了船上乘客的82%。

同时存活数量最多的还是0~50票价的人群，因为它的基数本身就很大。

从各票价分组的角度来看，做百分比堆积柱形图，可以看到，500-550票价的人群存活比例为100%，而0-50票价的存活比例只有32%。

ticket
ticket字段是船票信息/代号，没有特别大的分析意义，这里也就直接删除了。

4、地域维度

embarked
对embarked（登船港口）字段分析，透视后发现S港口登船的人数最多，从堆积柱形图中可以看到，C扣登船的生成比例最高。

四、生还率同什么有关

生还率同什么相关？这个是我们最关心的，这个问题其实就是survived字段同其他字段的相关系数。

sex列是字符型数据，要映射成数值，我们添加一列命名为性别的辅助列，male为1，female为0.

再添加一列f_num字段，是sibsp和parch的和，意思是家庭成员数。

embarked字段分解为3个辅助列，港口-S，港口-C，港口-Q，同时输入公式：=IF(N2="S",1,0)


如果embarked这个字段是S，那么港口-S列为1，港口-C、港口-Q为0，以此类推。

同理对舱位pclass也做同样的处理

用【数据分析】里的【相关系数】功能，可以看到每个字段的相关系数

降序排列一下，就可以看出生还率同什么相关了

所以回到我们最初的问题：

哪些人生还的可能性大？

总结一下:

• 虽然三等舱的人数最多（54%），但头等舱生还的比例最高（62%）

• 虽然男性的人数（64%）多于女性，但女性的生还率（72%）远高于男性（19%）

• 头等舱女性的生还比例（97%）远高于三等舱女性的生还比例（49%）

• 15-40岁的青年人数最多（53%），生还率最高的是0~15岁的少年（56%）

• 亲戚的个数为0的人数最多（68%），为1的生还率最高（51%）

• 父母/孩子个数为0的人数最多（76%），为3的生还率最高（63%）

• 票价在0-50范围内的人数最多（82%），但500~550范围内票价的人生还率为100%

• S港口登船的人数最多（70%），但是C港口生还率最高（56%）