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)

1 #读取文件
2 import pandas as pd
3 titanic=pd.DataFrame(pd.read_excel('C:/Users/69576/数据文件/titanic.xlsx'))
4 titanic.head()

 

 

 

1 #删去无效列
2 titanic.drop('embark_town',axis = 1,inplace = True)
3 titanic.head()

 

 

 

# 查找重复值
titanic.duplicated()

 

 

 

 

 

1 # 删除重复值
2 titanic = titanic.drop_duplicates()
3 titanic.shape

 

 

 

1 # 统计空值的个数
2 titanic['who'].isnull().value_counts()

 

 

1 # 使用fillna方法填充空值
2 titanic['who'] = titanic['who'] .fillna('man')
3 titanic

 

 

1 #统计年龄空值个数
2 titanic['age'].isnull().value_counts()

 

 

1 # 使用fillna方法为age字段填充平均值
2 titanic['age'] = titanic['age'] .fillna(titanic['age'].mean())
3 titanic.head()

 

 

1 #使用describe查看统计信息
2 titanic.describe()

 

 

1 # 将异常值替换为平均值
2 titanic.replace([512.329200],titanic['fare'].mean())

 

 

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(['survived','sex']).size()

 

 

4.统计乘客所在的船舱等级的人数

titanic['pclass'].value_counts()

 

 

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'],method='pearson')

 

从结果可以看出，舱位的高低和存活率有关系，并且呈负相关，舱位越高，存活率越低。

 

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？

 1 import pandas as pd
 2 import numpy as np 
 3 import matplotlib.pyplot as plt
 4 plt.figure()
 5 T1 = titanic.fare[titanic.pclass == 1]
 6 T2 = titanic.fare[titanic.pclass == 2]
 7 T3 = titanic.fare[titanic.pclass == 3]
 8 plt.boxplot((T1,T2,T3),labels = ("First","Second","Third"))
 9 plt.ylim(0,180)
10 plt.show()

 

 

 从箱体图中可以看出一等舱对应的整体费用大于二等舱大于三等舱，说明了舱位等级越高，费用越高；同时从第五题结合来看，舱位等级越高（最高即一等舱）所在的舱位高度越低，存活率也越高。