以泰坦尼克数据集为例，可视化分析不同年龄段的生存率

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...

本文仅仅是个数据分析，具体来说是个数据可视化的过程，不存在机器学习的数据预测部分。主要的思路就是，把数据集的age字段进行加工，然后按年龄段分组，最终列柱状图进行可视化对比。

苏南大叔的“程序如此灵动”博客，记录苏南大叔的代码编程经验总结。测试环境：python@3.12.3，pandas@2.2.2，numpy@1.26.4，xlrd@2.0.1，openpyxl@3.1.2，matplotlib@3.9.0。

前置阅读

主要涉及：

• 泰坦尼克数据集的字段：https://newsn.net/say/titanic.html
• 泰坦数据集的加工处理：https://newsn.net/say/titanic-fillna.html

加载数据集

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

处理空值

其它网上的相关教程里面，对于age空值的处理方式都是fillna()，那可能是基于数据预测的目的所考虑的。本文中，由于目的并非是数据预测，而是数据可视化展示。这里对于age空值的处理方式采用的是dropna()。

df = df[["survived", "age"]]
df = df.drop_duplicates()
df = df.dropna()

经过处理后，正常的数据仅仅剩到了159条数据。

分组及求均值

数据分组这个比较好理解，主要是根据age分组为“小孩, 少年, 青年, 中年, 老年”这几个范围。

labels = ['小孩', '少年', '青年', '中年', '老年']
df['age2'] = pd.cut(df.age, [0, 12, 18, 30, 60, 80], labels=labels)
group = df.groupby(df['age2'], observed=False).mean(numeric_only=True).reset_index()
group['age'] = group['age'].round(1)
group['survived'] = group['survived'].round(2)
# print(group)

输出：

    age2  survived   age
0   小孩      0.55   4.8
1   少年      0.46  15.4
2   青年      0.39  24.3
3   中年      0.45  44.1
4   老年      0.29  67.0

数据分组，可以参考文章：

• https://newsn.net/say/pandas-cut.html
• https://newsn.net/say/dataframe-groupby.html

关于平均数/中位数的讨论，参考文章：

• https://newsn.net/say/dataframe-median.html

这里的平均数的结果，正好是需要的生存率的结果。所以，使用其中的mean()方法。

为了后续的展示效果，这里可以对分组结果进行升序或降序的处理。

group = group.sort_values(by='age', axis=0, ascending=False)
# print(group)

输出：

    age2  survived   age
4   老年      0.29  67.0
3   中年      0.45  44.1
2   青年      0.39  24.3
1   少年      0.46  15.4
0   小孩      0.55   4.8

画图

plot画图的问题，都可能会遇到中文显示的问题，以及横纵坐标值的问题。参考文章：

• https://newsn.net/say/plot-cn.html
• https://newsn.net/say/plot-legend.html

画图的基本准备代码，显示中文：

import matplotlib.pyplot as plt
plt.rcParams["font.sans-serif"] = ["SimHei"]
plt.rc('axes', unicode_minus=False)

柱状图代码一

第一个画图代码，个人认为不是太好。因为它默认展示的是当前字段和索引之间的关系。有点偏离主题。

group['survived'].plot.bar(figsize=(6, 3.5), fontsize=12, rot=-45)
plt.tight_layout()
plt.show()

柱状图代码二

第二个代码，指定了横纵坐标，解决了关系不明确的问题。但是依然是plot里面相对不常见的代码实现的。

group.plot.bar(x='age2', y='survived', rot=0, figsize=(6, 3.5), fontsize=12)
plt.tight_layout()
plt.show()

柱状图代码三【推荐】

第三个代码也能解决横纵坐标的问题，还可以解决百分数的问题。

from matplotlib.ticker import FuncFormatter
def to_percent(temp, position):
    return '%1.0f'%(100*temp) + '%'
plt.figure("", figsize=(6, 3.5))
plt.bar(group['age2'], group['survived'])
plt.gca().yaxis.set_major_formatter(FuncFormatter(to_percent))
plt.title('泰坦尼克数据集生存率分析')
plt.ylabel('生存率')
# plt.xlabel('年龄分组')
plt.show()

结束语

本文中，主要的研究对象是：泰坦尼克数据集中的age字段，同时对survived字段取平均数处理。最后对于plot画图问题做了简单的讨论。更多苏南大叔的数据分析文章：

• 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。