[kaggle] 타이타닉 생존률 예측하기 (1) - EDA

 

 

타이타닉 생존자 예측¶

 

In [1]:

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

titanic_df = pd.read_csv('./titanic_train.csv')
titanic_df.head(3)

 

Out[1]:

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S

 

 

 

In [2]:

titanic_df.info()

 

 

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   PassengerId  891 non-null    int64  
 1   Survived     891 non-null    int64  
 2   Pclass       891 non-null    int64  
 3   Name         891 non-null    object 
 4   Sex          891 non-null    object 
 5   Age          714 non-null    float64
 6   SibSp        891 non-null    int64  
 7   Parch        891 non-null    int64  
 8   Ticket       891 non-null    object 
 9   Fare         891 non-null    float64
 10  Cabin        204 non-null    object 
 11  Embarked     889 non-null    object 
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB

 

 

 

In [3]:

titanic_df['Age'].fillna(titanic_df['Age'].mean(), inplace=True)
titanic_df['Cabin'].fillna('N', inplace=True)
titanic_df['Embarked'].fillna('N', inplace=True)

print('데이터 세트 Null 값 수:', titanic_df.isna().sum().sum())

 

 

데이터 세트 Null 값 수: 0

 

 

 

In [4]:

print('Sex 값 분포: \n', titanic_df['Sex'].value_counts())
print('Cabin 값 분포: \n',titanic_df['Cabin'].value_counts())
print('Embarked 값 분포: \n',titanic_df['Embarked'].value_counts())

 

 

Sex 값 분포: 
 male      577
female    314
Name: Sex, dtype: int64
Cabin 값 분포: 
 N              687
C23 C25 C27      4
G6               4
B96 B98          4
C22 C26          3
              ... 
E34              1
C7               1
C54              1
E36              1
C148             1
Name: Cabin, Length: 148, dtype: int64
Embarked 값 분포: 
 S    644
C    168
Q     77
N      2
Name: Embarked, dtype: int64

 

 

 

In [5]:

#Cabin의 경우 선실등급을 나타내는 알파벳만 중요해보임
titanic_df['Cabin'] = titanic_df['Cabin'].str[:1]
titanic_df['Cabin'].head(3)

 

Out[5]:

0    N
1    C
2    N
Name: Cabin, dtype: object

 

 

 

 

• 성별에 따른 생존자 수 비교

 

In [6]:

titanic_df.groupby(['Sex', 'Survived'])['Survived'].count()
#Survived는 결정 클래스 값

 

Out[6]:

Sex     Survived
female  0            81
        1           233
male    0           468
        1           109
Name: Survived, dtype: int64

 

 

In [7]:

sns.barplot(titanic_df, x='Sex', y='Survived')

 

Out[7]:

<AxesSubplot: xlabel='Sex', ylabel='Survived'>

 

 

 

• 객실 등급에 따른 생존자 수 비교

 

In [8]:

titanic_df.groupby(['Pclass', 'Survived'])['Survived'].count()

 

Out[8]:

Pclass  Survived
1       0            80
        1           136
2       0            97
        1            87
3       0           372
        1           119
Name: Survived, dtype: int64

 

 

 

In [9]:

sns.barplot(titanic_df, x='Pclass', y='Survived', hue='Sex')

 

Out[9]:

<AxesSubplot: xlabel='Pclass', ylabel='Survived'>

 

 

 

• female의 경우 1,2등석 간에는 생존 확률의 차이가 크지 않지만, 3등석의 경우 상대적으로 많이 떨어짐

• male의 경우 2,3등석에 비해 1등석의 생존 확률이 월등이 높음

 

 

In [10]:

#apply lambda 사용

def get_category(age):
    cat =''
    if age <= -1 : cat = 'unknown'
    elif age <= 5: cat = 'Baby'
    elif age <= 12: cat = 'Child'
    elif age <= 18: cat = 'Teenager'
    elif age <= 25: cat = 'Student'
    elif age <= 35: cat = 'Young Adult'
    elif age <= 60: cat = 'Adult'
    else : cat = 'Elderly'
        
    return cat

#그래프 크기 더 크게 설정
plt.figure(figsize=(10,6))

# x축의 값을 순차적으로 표시하기 위함
group_names = ['unknown', 'Baby', 'Child', 'Teenager', 'Student',  'Young Adult', 'Adult', 'Elderly']

#get_category 함수를 반환값으로 지정
titanic_df['Age_cat'] = titanic_df['Age'].apply(lambda x : get_category(x))
sns.barplot(titanic_df, x='Age_cat', y='Survived', hue='Sex', order = group_names)
titanic_df.drop('Age_cat', axis=1, inplace=True)

 

 

 

 

• female의 경우 Child 그룹이 생존 확률이 상대적으로 많이 떨어짐, Elderly 그룹은 매우 높았음

• male의 경우 Baby 그룹이 상대적으로 생존 확률이 가장 높았고, Teenager부터 Elderly까지는 고르게 낮은 확률을 보임

 

 

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked
0	1	0	3	Braund, Mr. Owen Harris	1	22.0	1	0	A/5 21171	7.2500	7	3
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	0	38.0	1	0	PC 17599	71.2833	2	0
2	3	1	3	Heikkinen, Miss. Laina	0	26.0	0	0	STON/O2. 3101282	7.9250	7	3
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	0	35.0	1	0	113803	53.1000	2	3
4	5	0	3	Allen, Mr. William Henry	1	35.0	0	0	373450	8.0500	7	3