1912年4月14日，Titanic号在其处女航程中，不幸撞击冰山沉没在大西洋，超过1500名船员和乘客遇难，成为人类灾难史上沉痛的一幕，而与之相关的一系列谣言猜测也为后人津津乐道。那么我们不禁会问，船上这么多人，到底有多少人活下来了，这些活下来的又是什么人呢？下面我们从一份泰坦尼克号乘客的数据集来获取信息吧。

数据获取

本数据集是kaggle网站上面提供的，是一份包含891名船上乘客(本文将船员和乘客统称乘客)的样本数据；是一份csv格式，包含近十种乘客信息的数据集。

数据探索

用excel打开文件可以看到包含的乘客信息如下图，再通过表格形式对每个字段说明一下。

我们从给出的信息来分析乘客的存活情况，像Ticket、Name这样的字段并无太大意义，因此主要选择Pclass、Sex、Age等字段信息来分析。例如我们印象深刻的救生圈优先给女人和小孩，那么我们可以看看是否女人和小孩的存活率更高；再有，乘坐船舱的等级表示一个人的身份，那么我们可以这样猜想：是否身份越高，生存下来的机会就越大呢？

因此我们主要选取客舱等级、性别和年龄作为自变量，是否存活下来作为因变量，来对整个数据集做分析。同时，使用python这一工具来对数据进行清理分析，pandas库的read_csv方法读取数据集文件，得到DataFrame格式的数据进行操作，非常便捷。

数据处理

根据观察，以及用代码检测，发现数据集比较规整，不存在完全重复的数据项。此外，年龄是分析中的一个重要维度，但是数据集中该信息却有很多缺失值，因此我将缺失的年龄默认赋值为整个数据集年龄的平均值，这样就做到每一个乘客都有一个年龄值。

# 乘客年龄存在空值，使用整体年龄的平均值代替
titanic_data['Age']=titanic_data['Age'].fillna(titanic_data['Age'].mean())

年龄空值填充后的数据集信息：

可以知道，整个数据集有891条数据，也就是有891名乘客的信息，其中有2名乘客登船港口未知。此外我们只知道204名乘客所在的客舱号，比例不到25%，但是我们不需要从这个维度去分析，因此影响不大。

数据分析过程

1.  选取存活下来的乘客作为分析对象。

# 选取存活下来的乘客数据
survived_titanic_data = titanic_data[titanic_data['Survived']==1]

给出的数据集一共有342名乘客活下来占比38.38%。我们从以下几个维度来分析。

def surviveddata_groupby_feature(feature,list):if feature == 'Sex':_feature='乘客性别'elif feature == 'Pclass':_feature = '客舱等级'# 按feature分组计算乘客人数print survived_titanic_data.groupby([feature])['PassengerId'].count()survived_titanic_groupby_feature = survived_titanic_data.groupby([feature])['PassengerId'].count()  # 将分组得到的人数组成一个数组fig = plt.figure(figsize=(10, 5))                                                                   # 设置绘图区域大小及子图 ax_1 = fig.add_subplot(121)survived_titanic_data.groupby([feature])['PassengerId'].count().plot(kind='bar')                    # 根据feature分组，计算人数并绘制柱状图for index, feature_num in enumerate(survived_titanic_groupby_feature):ax_1.text(index, feature_num, feature_num, ha='center', va='bottom', rotation=0)                # 柱状图增加对应的数据显示，前面三个参数分别为横、纵坐标和数据ax_1.set_xticklabels(['male', 'famale'], rotation=0)                                                # 重新命名柱状图横坐标刻度ax_1.set_xlabel(_feature)ax_1.set_ylabel('乘客人数')ax_1.set_title('按'+_feature+'存活人数')ax_2 = fig.add_subplot(122)ax_2.set_title('按'+_feature+'乘客存活占比(%)')plt.pie(survived_titanic_groupby_feature, labels=list, autopct='%1.1f%%')                           # 饼图plt.show()

1）乘客性别

surviveddata_groupby_feature('Sex',['male', 'famale'])     # 根据乘客性别分析存活下来的乘客

活下来的乘客中男性233名，女性109名。通过饼图可以直观看到，存活下来的乘客中男性明显多于女性乘客。

2）乘客所在客舱等级

surviveddata_groupby_feature('Pclass',['P1','P2','P3'])    # 根据客舱等级分析存活下来的乘客

活下来的乘客中在最高级船舱的乘客136名，占比大约40%；次等船舱87名，占比约25%，最末等级船舱119名，占比约35%。同样通过饼图可以很直观看到，存活下来的乘客中在最高级船舱所占比例最大。

3）乘客年龄

def surviveddata_groupby_age():survived_titanic_data['Age'].hist(bins=12)      # 根据乘客年龄绘制直方图plt.xlabel('年龄')plt.ylabel('乘客人数')plt.title('乘客存活人数年龄分布')plt.show()

surviveddata_groupby_age()                                 # 根据乘客年龄分析存活下来的乘客

通过直方图，可以看到在活下来的乘客当中，青壮年(30岁左右的乘客)占到了绝对比例，相对来讲，上了年纪的乘客不多，可能是由于本身岁数较大的乘客就不多，乘客以中青年为主。

2.  将全部乘客作为分析对象。

同样按照下面的维度对比分析。

def data_groupby_feature(feature,dic):
    if feature == 'Sex':_feature='乘客性别'elif feature == 'Pclass':_feature = '客舱等级'titanic_data_feature = titanic_data.groupby([feature, 'Survived'])['PassengerId'].count().unstack()feature_percent = titanic_data_feature.apply(lambda x: x / x.sum() * 100, axis=1)            # 计算百分比feature_percent.rename(columns={1: 'yes', 0: 'no'}, index=dic, inplace=True)                 # 坐标刻度、图例修改#print titanic_data_feature, feature_percentfeature_percent.plot(kind='bar', stacked=True)                                               # 累计百分比柱状图plt.xticks(rotation=0)plt.xlabel(_feature)plt.ylabel('百分比(%)')plt.title(_feature+'存活率对比')plt.show()

1）乘客所在客舱等级

data_groupby_feature('Pclass',{1:'P1', 2:'P2', 3:'P3'})    # 根据客舱等级分析乘客生存情况

不难发现，通过将整体数据进行对比，在P1船舱的乘客明显活下来的机率大得多，概率超过了60%；而P3船舱的乘客活下来的机率只有大概25%。也印证了上面提出的猜想：身份越高贵，活下来的机会就越大。

2）乘客性别

data_groupby_feature('Sex',{})                             # 根据乘客性别分析乘客生存情况

同样，我们会发现，性别也是一个非常有影响因子，女性乘客活下来的概率高达75%+，而男性乘客只有区区20%。

3）乘客年龄

# 将年龄分成几组，计算各组人数和比例。新增一列，不改变原数据
bins = [0, 9, 18, 27, 36, 45, 54, 63, 72, 81, 90]
level = ['0~9', '9~18', '18~27', '27~36', '36~45', '45~54', '54~63', '63~72', '72~81', '81+']
titanic_data['Age_Group'] = pd.cut(titanic_data['Age'], bins=bins, labels=level)

def data_groupby_age():
    titanic_data_bucket = titanic_data.groupby(['Age_Group', 'Survived'])['PassengerId'].count().unstack().fillna(0)titanic_data_bucket.rename(columns={1:'yes', 0:'no'}, inplace=True)fig = plt.figure(figsize=(10, 5))ax_1 = fig.add_subplot(121)titanic_data_bucket['yes'].plot(kind='bar',alpha=0.5)              # 各年龄段乘客存活/未存活数分布，通过柱状图展示titanic_data_bucket['no'].plot(kind='bar',alpha=0.5)ax_1.set_xlabel('年龄')ax_1.set_ylabel('乘客存活数/总乘客数')ax_1.set_title('乘客存活人数年龄分布')plt.xticks(rotation=0)ax_2 = fig.add_subplot(122)titanic_data_bucket[['no_percent','yes_percent']] \= titanic_data_bucket.apply(lambda x: x / x.sum()*100, axis=1)print titanic_data_buckettitanic_data_bucket['yes_percent'].plot(kind='bar', stacked=True)  # 各年龄段乘客存活百分比ax_2.set_xlabel('年龄')ax_2.set_ylabel('存活人数百分比(%)')ax_2.set_title('乘客存活百分比分布')plt.xticks(rotation=0)plt.show()

data_groupby_age()                           # 根据乘客年龄分析乘客生存情况

通过左边累积图我们可以看到，船上确实是中青年人最多，活下来的人当中也是中青年人占了大多数，很容易就会让人得出中青年人存活率较高的结论。但是右边的存活比率分布却告诉我们并不是这样，小孩才是存活率最高的一批人，18岁以下的人活下来的概率超过了50%。此外，72~81岁这个区间存活概率50%，是因为样本数据中2人当中活了一个，并不具有代表性不多做讨论；63~72岁大概10多个人居然一个也没活下来，很异常的数据，可能是由于数据集的不全，也可能本身就是因为老人抵抗力差，在海水和恐惧中不能坚持太长时间，即使个别人有救生设备，最终也没能够抵御死亡。

到这里，我们就比较明晰了，上面两个维度的分析给了我们很深刻的印象，女人和小孩，对！就是这两个群体存活下来的机率远远高于其他群体，那么，传言了近一个世纪的言论我们就有理由相信了：在泰坦尼克撞击冰山快要沉没时，大多数船上的人自发的将救生圈留给了女人和小孩。

4）乘客性别&乘客所在船舱

我们同时从乘客的性别和所在船舱，也许更能接近一些真相。

def data_groupby_pclass_and_sex():   titanic_data_sex_and_pclass = titanic_data.groupby(['Sex', 'Survived', 'Pclass'])['PassengerId'].count().unstack('Survived')   # 根据性别和乘客所在船舱等级分组，分析对存活的影响titanic_data_sex_and_pclass.rename(columns={0:'no', 1:'yes'}, inplace=True)titanic_data_sex_and_pclass['yes_percent(%)'] = titanic_data_sex_and_pclass['yes']/\(titanic_data_sex_and_pclass['no']+titanic_data_sex_and_pclass['yes'])*100     # 计算活下来的人占各自群体的百分比print titanic_data_sex_and_pclasstitanic_data.groupby(['Pclass', 'Sex'])['Survived'].mean().unstack().plot(kind='bar')plt.xticks(rotation=0)plt.xlabel('船舱等级')plt.ylabel('比例')plt.title('存活比例对比')plt.show()

data_groupby_pclass_and_sex()                # 根据乘客性别和乘客所在船舱等级分析乘客生存情况

不出所料，活下来机会最大的是在高等船舱的女性（超过了90%），而留在大洋深处的就是那些在低等船舱的男性乘客（最高还不到20%）。更印证了身份越高贵越有机会活下来的结论。

3.  最后来看下船票票价的情况。

def fare():
    print titanic_data['Fare'].describe()                      # 船票价格描述性统计titanic_data['Fare'].hist(bins=60, normed=True, alpha=0.8)titanic_data['Fare'].plot(kind='kde')plt.show()

fare()                                       # 查看船票价格

根据第一四分位数，中位数和平均数可以看到，绝大部分票价是很低的只有极个别票价很高，最高的价格超过了500。通过直方图更直观，除了一少部分，船票价格都在200以下，而绝大多数没有超过100。

总结

根据上面的分析，可以得出：泰坦尼克撞击冰山即将沉没时，女人和小孩被安排优先使用救生圈，活下来的机会更大；并且，身份地位比较高的人更在意自己的生死，会想尽方法使自己找机会活下来，一般人在这种绝境下更可能牺牲自己，优先帮助救助弱小的人。

思考

但是，这样分析有没有什么问题呢？有，只要是基于不完全的数据进行分析都有局限性。本次分析是建立在这891个筛选出来的乘客数据基础上的，只是样本数据，而且例如像年龄这样的还有很多缺失信息，尽管我们用均值代替了空值，终究是有误差的，假如那几个年龄缺失值大部分是大于60并且都活了下来，那么我们可能得出另外相反的结论，即老人的存活率也比较高。因此只有我们得到的数据越接近总体数据，我们得到的结论才越可靠。从本次分析来看，乘客所在的船舱、年龄以及性别是乘客存活的最大影响因素，那还有那些其他因素会产生一定的影响呢，我们可以再探索一下：1、船上乘客类别，是普通乘客还是船上的工作人员，猜想船上工作人员要组织营救和自救，活下来的概率小一些；2、乘客是否有亲人在船上，这应该可以通过其中SibSp和Parch两个字段来挖掘分析，也许在面对困难时，一个家庭或者亲人间互相帮扶互相鼓励，活下来的机会也大；3、乘客所在的楼层，应该是楼层越高，自救时间越长，乘客活下来机会越大，这个因素应该与船舱等级有相关性的，从这个维度分析也许会佐证船舱等级对乘客存活率的影响。

题外话：在kaggle上面，这其实是一个入门比赛的数据集之一，目标是基于机器学习，通过测试数据集构建特征，预测乘客的生存概率，不再是单纯的简单相关性分析。所以这里先挖个坑，在之后的学习过程中学习了机器学习相关知识，一定要回来填坑！