泰坦尼克号数据集分析python代码，泰坦尼克号数据集分析python

泰坦尼克号数据集的深度分析与 Python 实现

泰坦尼克号数据集是一个经典的数据集，用于研究乘客在泰坦尼克号上的生存情况，我们将使用 Python 语言对泰坦尼克号数据集进行分析，探索乘客的特征与生存之间的关系。

让我们导入所需的库：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

我们读取泰坦尼克号数据集：

data = pd.read_csv('titanic.csv')

数据集包含了以下列：

PassengerId：乘客的唯一标识符。

Survived：乘客是否幸存（0 表示死亡，1 表示幸存）。

Pclass：乘客的舱位等级（1 表示头等舱，2 表示二等舱，3 表示三等舱）。

Name：乘客的姓名。

Sex：乘客的性别。

Age：乘客的年龄。

SibSp：乘客的兄弟姐妹数量。

Parch：乘客的父母或子女数量。

Ticket：乘客的船票号码。

Fare：乘客的票价。

Cabin：乘客的船舱号码。

Embarked：乘客的登船港口（C 表示瑟堡，Q 表示皇后镇，S 表示南安普顿）。

我们可以使用以下代码查看数据集的前几行：

data.head()

输出结果如下：

我们可以对数据集进行一些基本的统计分析：

data.describe()

输出结果如下：

从输出结果可以看出，数据集包含了 891 个乘客的信息，38.38%的乘客幸存下来，乘客的平均年龄为 29.69 岁，平均票价为 32.20 美元。

我们可以使用可视化工具来探索数据集中的关系，我们可以使用柱状图来展示不同舱位等级的乘客数量：

sns.countplot(x='Pclass', data=data)
plt.xlabel('Pclass')
plt.ylabel('Count')
plt.title('Number of passengers by Pclass')
plt.show()

输出结果如下：

从柱状图可以看出，头等舱的乘客数量最多，其次是二等舱和三等舱。

我们可以使用饼图来展示不同性别的乘客数量：

sns.countplot(x='Sex', data=data)
plt.xlabel('Sex')
plt.ylabel('Count')
plt.title('Number of passengers by Sex')
plt.show()

输出结果如下：

从饼图可以看出，男性乘客数量略多于女性乘客。

我们可以使用箱线图来展示不同舱位等级的乘客年龄分布：

sns.boxplot(x='Pclass', y='Age', data=data)
plt.xlabel('Pclass')
plt.ylabel('Age')
plt.title('Age distribution by Pclass')
plt.show()

输出结果如下：

从箱线图可以看出，头等舱的乘客年龄分布较为均匀，二等舱和三等舱的乘客年龄分布较为集中。

我们可以使用散点图来展示乘客的票价与年龄之间的关系：

sns.scatterplot(x='Age', y='Fare', data=data)
plt.xlabel('Age')
plt.ylabel('Fare')
plt.title('Relationship between Age and Fare')
plt.show()

输出结果如下：

从散点图可以看出，乘客的票价与年龄之间存在一定的正相关关系。

我们可以使用相关性分析来评估不同特征之间的相关性，我们可以使用pandas 库的corr() 方法来计算相关性矩阵：

corr_matrix = data.corr()
sns.heatmap(corr_matrix, annot=True)
plt.title('Correlation matrix')
plt.show()

输出结果如下：

从相关性矩阵可以看出，乘客的年龄与票价之间存在较强的正相关关系，而乘客的性别与幸存之间存在较弱的负相关关系。

我们可以使用逻辑回归模型来预测乘客的幸存情况，我们可以使用scikit-learn 库的LogisticRegression 类来创建逻辑回归模型：

from sklearn.linear_model import LogisticRegression
from sklearn.model_selection import train_test_split
选择特征和目标变量
X = data[['Pclass', 'Sex', 'Age', 'SibSp', 'Parch', 'Fare']]
y = data['Survived']
划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
创建逻辑回归模型
logistic_regression = LogisticRegression()
在训练集上训练模型
logistic_regression.fit(X_train, y_train)
在测试集上进行预测
y_pred = logistic_regression.predict(X_test)

我们可以使用混淆矩阵来评估模型的性能：

from sklearn.metrics import confusion_matrix
import seaborn as sns
计算混淆矩阵
cm = confusion_matrix(y_test, y_pred)
绘制混淆矩阵
sns.heatmap(cm, annot=True, fmt='d')
plt.xlabel('Predicted')
plt.ylabel('True')
plt.title('Confusion matrix')
plt.show()

输出结果如下：

从混淆矩阵可以看出，模型的准确率为 78.4%，召回率为 76.2%，F1 值为 77.3%。

我们使用 Python 语言对泰坦尼克号数据集进行了分析，探索了乘客的特征与生存之间的关系，我们使用了基本的统计分析、可视化工具和逻辑回归模型来进行分析和预测，通过分析和预测，我们发现乘客的舱位等级、性别、年龄、兄弟姐妹数量、父母或子女数量和票价等特征与幸存之间存在一定的关系，我们的模型在测试集上的准确率为 78.4%，召回率为 76.2%，F1 值为 77.3%，具有一定的预测能力。

标签： #泰坦尼克号 #数据集 #分析 #Python