【数据分析与可视化】利用Python对泰坦尼克号幸存者数据分析与可视化（附源码）

小灰灰 2023-09-30 18:48 21阅读 0赞

> **需要源码和数据集请点赞关注收藏后评论区留言私信~~~**

下面利用Seaborn库中自带的泰坦尼克号幸存者数据titanic进行数据分析与可视化实战

1：导入模块

import numpy as np
    import pandas as pd
    import seaborn as sns
    import matplotlib.pyplot as plt
    sns.set_context("paper",font_scale = 2.0)
    # plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
    # plt.rcParams['axes.unicode_minus']=False #用来正常显示负号
    %matplotlib inline

2：获取数据

打印前五行

![3572986bd4bd4821a4a9aae2f5d0ffd5.png][]

titanic=sns.load_dataset('titanic')
    titanic.head()

3：数据可视化

首先查看有无缺失值

![c7bf5953dcda48a7944cf2e15702c213.png][]

titanic.isnull().sum()

可视化年龄的直方图如下

![c45881c0519d4d89a716762384899d1c.png][]

df = titanic
    # 删除含有缺失年龄的观察
    df.dropna(subset=['age'], inplace=True)
    # 绘图：乘客年龄的频数直方图,绘图数据,指定直方图的条形数为20个
    plt.hist(df["age"],bins = 20,label = '直方图' )
    # 显示图例
    plt.legend()

然后用年龄的均值进行缺失值填充

![11073f4f73704c95a7067f10d58dd5b3.png][]

mean =titanic['age'] .mean() 
    print(mean)
    #用均值进行缺失值的填充
    titanic['age'] = titanic['age'].fillna(mean)
    titanic.isnull().sum()

进行年龄分布的可视化

![d326fe0c19cc44b9a13535c904acda2c.png][]

sns.distplot(titanic["age"])

显示登船地点（S,C,Q)的人数

![cef564530a8848ca91b63ad646f3cfc5.png][]

titanic['embarked'].value_counts()

对登船地点进行缺失值的填充 填充为S 因为人数最多

titanic['embarked'] = titanic['embarked'].fillna("S")
    titanic['embarked'].isnull().sum()

对于deck字段，由于缺失值太多，将其删除

del titanic['deck']
    titanic.head()

4：数据探索

可视化乘客的性别分布

![302bb3509a994c31906bd5dd0d4cc337.png][]

sns.countplot(x="sex",data=titanic)

基于性别 绘制乘客年龄分布箱线图

![92e90772228b44938de1a5979e394127.png][]

sns.boxplot(x="sex", y="age",data=titanic)

对船舱等级进行计数

![4dade5b5c05a40a1b3f0ae65eee68252.png][]

sns.countplot(x="class",data=titanic)

结合船舱等级 绘制乘客年龄分布的小提琴图

![ebaeee1431034d6a902876c92e27d65f.png][]

对年龄进行分级 分开小孩和老人的数据

![aab36f9f047b456095b1a6d93f4bbada.png][]

def agelevel(age):
        if age<=16:
            return 'child'
        elif age>=60:
            return 'old'
        else:
            return 'middle'
    titanic['age_level']=titanic['age'].map(agelevel)
    titanic.head()

对分级后的年龄可视化

![dc02c1122476406b828f0209385c5ef2.png][]

sns.countplot(x='age_level',data=titanic)

最后分析乘客年龄与生还乘客之间的关系

![2507aee3ad074d0db9435a97cfda4500.png][]

sns.countplot(x='alive',hue='age_level',data=titanic)
    plt.legend(loc = "best",fontsize='15')

**创作不易 觉得有帮助请点赞关注收藏~~~**

[3572986bd4bd4821a4a9aae2f5d0ffd5.png]: https://img-blog.csdnimg.cn/3572986bd4bd4821a4a9aae2f5d0ffd5.png
[c7bf5953dcda48a7944cf2e15702c213.png]: https://img-blog.csdnimg.cn/c7bf5953dcda48a7944cf2e15702c213.png
[c45881c0519d4d89a716762384899d1c.png]: https://img-blog.csdnimg.cn/c45881c0519d4d89a716762384899d1c.png
[11073f4f73704c95a7067f10d58dd5b3.png]: https://img-blog.csdnimg.cn/11073f4f73704c95a7067f10d58dd5b3.png
[d326fe0c19cc44b9a13535c904acda2c.png]: https://img-blog.csdnimg.cn/d326fe0c19cc44b9a13535c904acda2c.png
[cef564530a8848ca91b63ad646f3cfc5.png]: https://img-blog.csdnimg.cn/cef564530a8848ca91b63ad646f3cfc5.png
[302bb3509a994c31906bd5dd0d4cc337.png]: https://img-blog.csdnimg.cn/302bb3509a994c31906bd5dd0d4cc337.png
[92e90772228b44938de1a5979e394127.png]: https://img-blog.csdnimg.cn/92e90772228b44938de1a5979e394127.png
[4dade5b5c05a40a1b3f0ae65eee68252.png]: https://img-blog.csdnimg.cn/4dade5b5c05a40a1b3f0ae65eee68252.png
[ebaeee1431034d6a902876c92e27d65f.png]: https://img-blog.csdnimg.cn/ebaeee1431034d6a902876c92e27d65f.png
[aab36f9f047b456095b1a6d93f4bbada.png]: https://img-blog.csdnimg.cn/aab36f9f047b456095b1a6d93f4bbada.png
[dc02c1122476406b828f0209385c5ef2.png]: https://img-blog.csdnimg.cn/dc02c1122476406b828f0209385c5ef2.png
[2507aee3ad074d0db9435a97cfda4500.png]: https://img-blog.csdnimg.cn/2507aee3ad074d0db9435a97cfda4500.png