Python|使用 Seaborn 的泰坦尼克号数据 EDA

什么是 EDA？
探索性数据分析 (EDA) 是一种用于分析和汇总数据集的方法。大多数 EDA 技术都涉及到图形的使用。

泰坦尼克号数据集 –
它是用于理解机器学习基础的最流行的数据集之一。它包含了 RMS Titanic 上所有乘客的信息，但不幸的是，这艘船遇难了。该数据集可用于预测给定乘客是否幸存。

csv 文件可以从 Kaggle 下载。

代码：使用 Pandas 加载数据

Python3

#importing pandas library
import pandas as pd
 
#loading data
titanic = pd.read_csv('...\input\train.csv')

海博恩：
它是一个用于统计可视化数据的Python库。 Seaborn 基于 Matplotlib 构建，提供了更好的界面和易用性。可以使用以下命令安装它，
pip3 安装 seaborn

代号：打印数据头

Python3

# View first five rows of the dataset
titanic.head()

输出 ：

代码：检查 NULL 值

Python3

titanic.isnull().sum()

输出 ：

具有空值的列是：Age、Cabin、Embarked。稍后需要用适当的值填充它们。

特征： Titanic 数据集大致有以下几类特征：

• 分类/名义：可以分为多个类别但没有顺序或优先级的变量。
  例如。登船（C = 瑟堡；Q = 皇后镇；S = 南安普顿）
• 二元：分类特征的子类型，其中变量只有两个类别。
  例如：性别（男/女）
• Ordinal ：它们类似于分类特征，但它们有一个顺序（即可以排序）。
  例如。 P类 (1, 2, 3)
• 连续：它们可以占用列中最小值和最大值之间的任何值。
  例如。年龄、票价
• Count ：它们代表变量的计数。
  例如。 SibSp, 帕奇
• 无用：它们对 ML 模型的最终结果没有贡献。在这里， PassengerId、Name、Cabin和Ticket可能属于这一类。

代码：图形分析

Python3

import seaborn as sns
import matplotlib.pyplot as plt
 
# Countplot
sns.catplot(x ="Sex", hue ="Survived",
kind ="count", data = titanic)

输出 ：

仅通过观察图表，可以近似得出男性的存活率在20%左右，女性的存活率在75% 左右。因此，乘客是男性还是女性在决定一个人是否能够生存方面起着重要作用。

代码：Pclass（序数特征）vs Survived

Python3

# Group the dataset by Pclass and Survived and then unstack them
group = titanic.groupby(['Pclass', 'Survived'])
pclass_survived = group.size().unstack()
 
# Heatmap - Color encoded 2D representation of data.
sns.heatmap(pclass_survived, annot = True, fmt ="d")

输出：

它有助于确定高等级乘客的存活率是否高于低等级乘客，反之亦然。与2 级和 3 级相比， 1 级乘客的生存机会更高。这意味着Pclass对乘客的生存率有很大贡献。

代码：年龄（连续特征）与幸存者

Python3

# Violinplot Displays distribution of data
# across all levels of a category.
sns.violinplot(x ="Sex", y ="Age", hue ="Survived",
data = titanic, split = True)

输出 ：

这张图表总结了获救的男性、女性和儿童的年龄范围。成活率是——

• 对孩子很好。
• 对 20-50 岁的女性来说较高。
• 男性随着年龄的增长而减少。

由于年龄列很重要，因此需要使用姓名列（根据称呼确定年龄 - 先生、夫人等）或使用回归量来填充缺失值。
在这一步之后，可以创建另一列——Age_Range （基于年龄列），并可以再次分析数据。

代码：Family_Size（计数特征）和 Family Size 的因子图。

Python3

# Adding a column Family_Size
titanic['Family_Size'] = 0
titanic['Family_Size'] = titanic['Parch']+titanic['SibSp']
 
# Adding a column Alone
titanic['Alone'] = 0
titanic.loc[titanic.Family_Size == 0, 'Alone'] = 1
 
# Factorplot for Family_Size
sns.factorplot(x ='Family_Size', y ='Survived', data = titanic)
 
# Factorplot for Alone
sns.factorplot(x ='Alone', y ='Survived', data = titanic)

Family_Size表示乘客家庭中的人数。它是通过对相应乘客的SibSp和Parch列求和来计算的。此外，还添加了另一列Alone以检查单独乘客与有家人的乘客的生存机会。

重要观察——

• 如果乘客独自一人，则存活率较低。
• 如果家庭人数大于 5，则生存机会会大大降低。

代码：票价条形图（连续特征）

Python3

# Divide Fare into 4 bins
titanic['Fare_Range'] = pd.qcut(titanic['Fare'], 4)
 
# Barplot - Shows approximate values based
# on the height of bars.
sns.barplot(x ='Fare_Range', y ='Survived',
data = titanic)

输出 ：

票价表示乘客支付的票价。由于此列中的值是连续的，因此需要将它们放入单独的 bin 中（如Age功能所做的那样）以获得清晰的概念。可以得出结论，如果乘客支付更高的票价，则存活率更高。

代码：已启动特征的分类计数图

Python3

# Countplot
sns.catplot(x ='Embarked', hue ='Survived',
kind ='count', col ='Pclass', data = titanic)

一些值得注意的观察结果是：

• 大多数乘客从S登机。因此，缺失值可以用S填充。
• 大多数 3 级乘客从Q登机。
• 与 3 级相比，1 级和 2 级乘客的S看起来很幸运。

结论 ：

• 可以删除的列是：
  • PassengerId, Name, Ticket, Cabin：它们是字符串，不能分类，对结果贡献不大。
  • 年龄、票价：而是保留相应的范围列。
• 与本文所述相比，可以使用更多的图形技术和更多的列相关性来分析巨量数据。
• EDA 完成后，生成的数据集可用于预测。