泰坦尼克数据集生存率分析，dataframe的groupby用法

我们相信：世界是美好的，你是我也是。平行空间的世界里面，不同版本的生活也在继续...

数据集在代码层面上，表现为dataframe，使用df.groupby()可以对数据进行分组，进而可以做特定的统计。换句话说，可以对具有某些特征的样本所具有的属性进行统计。

大家好，这里是苏南大叔的“程序如此灵动”博客，这里讲述苏南大叔和计算机代码之间的故事。测试环境：python@3.12.3，pandas@2.2.2，numpy@1.26.4，xlrd@2.0.1，openpyxl@3.1.2。

龙套数据样本

本文的龙套数据是titanic3.xls，可以从下面的链接拿到数据：

• http://hbiostat.org/data/repo/titanic3.xls
• http://biostat.mc.vanderbilt.edu/wiki/pub/Main/DataSets/titanic3.xls

更多数据源，请参考：

• https://newsn.net/say/titanic.html

加载.xls样本的代码如下：

import pandas as pd
file = "http://hbiostat.org/data/repo/titanic3.xls"
df = pd.read_excel(file, "titanic3", index_col=None, na_values=['NA'])

对于本文来说，需要特别注意：这些字段是字符串，并不是数字。会引发一系列的异常信息。

计算生存率

本文主要目的是求泰坦尼克数据集的survived生存率，使用的函数是.mean()，实际上是求平均数。对于泰坦尼克数据集来说，survived的取值是0和1，计算平均值【恰巧】能得到目标数据。如果不是这种特殊的取值，使用mean()是不能获得目标数据结果的。

鉴于各大教程里面，都使用的是这个.mean()函数计算的泰塔尼克数据集的生存率。所以，本文沿用这个用法。例如：

df.groupby('field').mean()["target"]

正常情况下，是这么使用的：

df.groupby('pclass').mean()["survived"]

可能的报错信息

由于pandas版本的问题，使用.mean()函数的时候，也可能会遇到下面的报错信息：

raise TypeError(f"Could not convert string '{x}' to numeric")
TypeError: Could not convert string 'femalemale' to numeric

样本数据集里面存在着一下非数字的字段，这些字段可能会带来报错。需要对这些非数字字段进行转换，或者删除。但是，最标准的做法就是：添加一个参数numeric_only=True。例如：

df.groupby('pclass').mean(numeric_only=True)["survived"]

部分pandas版本，在做groupby()操作的时候，会有警告信息，类似：observed=False。继续变形写成：

df.groupby('pclass', observed=False).mean(numeric_only=True)["survived"]

分组实例

看看不同等级的船票分组的生存率如何，执行代码：

df.groupby('pclass').mean(numeric_only=True)["survived"]

车票分组之后，再按性别进行分组：

df.groupby(['pclass', 'sex']).mean(numeric_only=True)["survived"]

或者：

df.groupby(['pclass', 'sex'], observed=False).mean(numeric_only=True)["survived"]

相关文章

• https://newsn.net/say/mysql-having.html
• https://newsn.net/say/dataframe-counts.html

结语

更多python相关文章，请点击苏南大叔的博客文章：

• https://newsn.net/tag/python/

如果本文对您有帮助，或者节约了您的时间，欢迎打赏瓶饮料，建立下友谊关系。
本博客不欢迎：各种镜像采集行为。请尊重原创文章内容，转载请保留作者链接。