第2次作业-titanic数据集练习

一、读入titanic.xlsx文件，按照教材示例步骤，完成数据清洗。

titanic数据集包含11个特征，分别是：

Survived:0代表死亡，1代表存活
Pclass:乘客所持票类，有三种值(1,2,3)
Name:乘客姓名
Sex:乘客性别
Age:乘客年龄(有缺失)
SibSp:乘客兄弟姐妹/配偶的个数(整数值)
Parch:乘客父母/孩子的个数(整数值)
Ticket:票号(字符串)
Fare:乘客所持票的价格(浮点数，0-500不等)
Cabin:乘客所在船舱(有缺失)
Embark:乘客登船港口:S、C、Q(有缺失)

import pandas as pd      #导入文件
titanic=pd.DataFrame(pd.read_excel('C:\\Users\\郭江鸿\\Desktop\\titanic.xlsx'))
titanic.head()

 

 

 

titanic.drop('embark_town',axis=1,inplace=True)
#xxx列不需要进行删除  axis=1 为列  ；axis=0 为行
titanic.head()

 

titanic.duplicated()   #判断是否重复

titanic=titanic.drop_duplicates()  #调用drop_duplicates函数删除重复值
titanic.shape      #shape查看titanic二维数据表的维度

titanic['who'].isnull().value_counts()  #判断who字段是否为空值，调用value_counts进行统计空值个数

titanic['who']=titanic['who'].fillna('man')  #调用fillna方法填充man字段下的空值
titanic.head()

 

 

#为空值填充最大值（max）、最小值(min)、中值(median)、平均值(mean)
titanic['age']=titanic['age'].fillna(titanic['age'].mean()) 
titanic.head()

 

 

titanic.describe()  #查看DataFrame每栏的统计数据

#假设最大值512.329200是异常值，调用replace方法将其替换成平均值
titanic.replace([512.329200],titanic['fare'].mean)
titanic.describe()

 

 

二、对titanic数据集完成以下统计操作

1.统计乘客死亡和存活人数

titanic['survived'].value_counts()

2.统计乘客中男女性别人数

titanic['sex'].value_counts()

3.统计男女获救的人数

titanic.groupby('sex')['survived'].value_counts().unstack()

4.统计乘客所在的船舱等级的人数

titanic.groupby(['pclass']).size()

5.使用corr（）函数，判断两个属性是否具有相关性，分析舱位的高低和存活率的关系

titanic['survived'].corr(titanic['pclass'])

6.画出乘客票价与舱位等级的箱体图Boxplot，从图中能够得到哪些结论？

import pandas as pd
import numpy as np 
import matplotlib.pyplot as plt
T1 = titanic.fare[titanic.pclass == 1]
T2 = titanic.fare[titanic.pclass == 2]
T3 = titanic.fare[titanic.pclass == 3]
plt.boxplot((T1,T2,T3))
plt.ylim(0,200)
plt.show()

 

 舱位越好票价越高。