這是一個很經典的案例，很多博主都寫過，對，就是它：泰坦尼克號生存率的分析，它是kaggle上的一道題，通過船上乘客的信息分析和建模，預測哪些乘客得以生還。
我們就非常粗暴地拿這個數據集做一個簡單的分析好了。
使用工具：Excel
（對，就是這麼簡單粗暴）
一、明確目的
1912年泰坦尼克號撞上冰山沉沒，船上2224名乘客和機組人員中有1502人遇難，倖存下來的人是出於運氣還是存在一定的規律？這是我們比較關心的，所以就要提出問題：
那些人士生還的可能性大？
其次瞭解數據，數據集總共有以下的字段，其中name、sex、cabin、embarked、ticket是字符串類型，pclass和survived雖然是數值型，但其含義是標籤，我們分別從艙位、乘客、船票和地域的維度出發來分析。
二、數據處理
通過查看，發現Age、fare、embarked、cabin字段都是有缺失的，下面我們一個一個來看。
1、age缺失值處理
篩選age一列爲空的有263條數據，缺失率爲20%，可以全部填充爲年齡的均值或衆數，也可以進一步地分析，發現年齡缺失的數據裏三等艙的最多，佔總缺失值的79%，而三等艙裏的未生還的男性佔比最多，因此也可以用三等艙年齡的平均值來填充。
這裏爲了保持數據的真實性，就不做填充處理了。
2、fare缺失值處理
篩選發現fare（票價）只缺失了一個值，我們把它找出來，發現可以用同類型的均值填充掉。
因此我們篩選三等艙、年齡大於60歲的，登船港口爲S的男性的均值票價7來填充這個缺失值。
3、embarked缺失值處理
embarked登船港口字段也有2個缺失值，篩選出來看下。
進一步觀察到，這兩個旅客都是單獨出行，沒有家人（從sibsp和parch列均爲0得知），延續對fare缺失值處理的思路，尋找同類型的進行填充。對第一個旅客，篩選出頭等艙的年齡在35~40歲的女性中，港口最多的值填充進去，結果是S。
同樣的方法，對第二個旅客，篩選頭等艙年齡在60~65歲的女性中，登陸港口最多的值，結果也爲S。
4、cabin缺失值處理
對於cabin（客艙）字段缺失值達到了77%，缺失太多了，就不做填充處理了，直接保留或刪除，這裏先保留着吧。
三、數據分析
1、艙位維度
pclass
對艙位和生還情況分析，插入數據透視表
生還的人裏，頭等艙的佔比達到了40%。
對每個艙位的生存死亡情況做百分比堆積柱形圖，可以看到，頭等艙生還的人數佔比最多，達到61.92%，三等艙的生還人數佔比最少，僅25.33%，所以還是那句老話，錢雖然不是萬能的，但沒錢@#%&^…
carbin
對carbin（客艙號）做透視，可以看到有295個唯一值，基本上是一個客艙只住一個人。
但是也發現了有1個客艙對應2個人以上的情況，進一步地把艙位拉進去對比一下，發現三等艙的數值很少，說明carbin缺失值大部分是三等艙缺失的，意思是三等艙的人沒有客艙？大通鋪？這個有待進一步查證。
另外發現三等艙有客艙的都是E/F/G開頭的客艙號，而頭等艙A/B/C就較多，猜測客艙號是隨着艙位的降低按字母升序排列的。
2、乘客維度
name
name姓名列沒有什麼有價值的信息，不過可以進一步思考的是，姓名裏其實是對應了頭銜的，比如Mr是已婚男士，Mrs是已婚女士等，但是這裏就先刪除了。
sex
對性別和生還情況進行分析
生還的人中女性佔比67.8%，遠高於男性的32.2%。
女性生還人數佔女性總數的72.75%，遠遠大於男性生還人數佔男性總數的19.10%。
性別&艙位
可以順便看一下艙位和性別的關係，因爲男性人口基數大，所以不管是哪個艙位，男性人數都是多於女性的，同理，各個艙位都是女性獲救的人數最多。
但是呢，頭等艙女性的生還比例爲97%，遠高於其他兩個艙位，且三等艙女性的生還比例只有49%。
age
對年齡和生還情況進行分析，這裏因爲年齡有缺失，僅對有數值的進行分析。
首先對年齡做一個簡單的描述統計，用【數據分析】裏的【描述統計】功能，可以看到年齡最大值爲80歲，最小值爲0.17歲，平均值爲29.88歲，年齡中位數爲28歲，衆數爲24歲。
進一步地，可以觀察一下年齡的分佈情況，做直方圖，5歲爲一組，可以看到，乘客的年齡主要集中在15-30歲，其中20-25歲的年輕人最多。
瞭解了年齡大致的分佈後，就要來看特定人羣的生還情況了，我們將年齡分爲：
- 少年（0~15歲）
- 青年（15~40歲）
- 中年（41~65歲）
- 老年（66歲以上）
先做一個分組的表，用vlookup的模糊匹配實現分組
在age旁新建一列age分組的輔助列，輸入公式
=VLOOKUP(E2,Sheet2!$B$18:$C$21,2,1)
Sheet2!
18:
21這個區域就是上圖預先設置好的分組區域。
再對age分組和survived進行透視
可以看到生還的人中青年、少年的佔比最多，老年佔比最少。
對各年齡段分組的死亡、生存情況做百分比堆積柱形圖，得到結果，少年獲救的人數比例最高。
sibsp
對sibsp字段（兄弟姐妹妹/配偶的個數）分析，透視後可以看到標籤爲0，也就是說沒有親戚的人是船上乘客的大多數。
同樣因爲基數大的緣故，生存下來的人中，親戚數爲0的佔比最多達到了61.8%。
對各標籤做百分比堆積柱形圖，這纔是比較有意義的結果，可以看到，有1個親戚數的人羣獲救的比例最高。
parch
對parch字段分析（父母/小孩個數），同樣可以看到，沒有父母/小孩的人數是船上總人數的76%，同樣，這部分人羣獲救的數量也最多。
做百分比堆積柱形圖，可以看到有3個父母/小孩的人羣獲救的比例最大，達到了62.5%。
3、船票維度
fare
對Fare（票價）字段分析，首先比較關注的是票價和艙位是否存在相關性，正常的邏輯是艙位越高，票價越高，這裏算出pclass和fare的相關係數是-0.56，還是比較相關。
還記得上面我們用vlookup的模糊匹配分組，還可以直接用數據透視表分組。透視以後組合，選擇50步長一組，可以再對票價和艙位透視看看，看到100以上的高票價全都是頭等艙，二等艙和三等艙的票價大部分爲0~50。
性別&票價
女性的票價均價要高於男性
性別&艙位&票價
頭等艙的均價遠高於其他兩個艙，每個艙女性的均價都要高於男性，其中票價的最大值512出自頭等艙的女性。另外一個比較有意思的現象是，票價爲0的居然都是男性。
都寫到這兒了，可以再引申出一個問題，票價到底和什麼有關？性別？登陸港口？艙位？客艙？有興趣的小夥伴可以自己再深入探討一下，這裏我們就不探索下去了。
接下來，50一組看一下fare的分佈情況，可以看到票價爲0~50的佔了船上乘客的82%。
同時存活數量最多的還是0~50票價的人羣，因爲它的基數本身就很大。
從各票價分組的角度來看，做百分比堆積柱形圖，可以看到，500-550票價的人羣存活比例爲100%，而0-50票價的存活比例只有32%。
ticket
ticket字段是船票信息/代號，沒有特別大的分析意義，這裏也就直接刪除了。
4、地域維度
embarked
對embarked（登船港口）字段分析，透視後發現S港口登船的人數最多，從堆積柱形圖中可以看到，C扣登船的生成比例最高。
四、生還率同什麼有關
生還率同什麼相關？這個是我們最關心的，這個問題其實就是survived字段同其他字段的相關係數。
sex列是字符型數據，要映射成數值，我們添加一列命名爲性別的輔助列，male爲1，female爲0.
再添加一列f_num字段，是sibsp和parch的和，意思是家庭成員數。
embarked字段分解爲3個輔助列，港口-S，港口-C，港口-Q，同時輸入公式：
=IF(N2="S",1,0)
如果embarked這個字段是S，那麼港口-S列爲1，港口-C、港口-Q爲0，以此類推。
同理對艙位pclass也做同樣的處理
用【數據分析】裏的【相關係數】功能，可以看到每個字段的相關係數
降序排列一下，就可以看出生還率同什麼相關了
所以回到我們最初的問題：
哪些人生還的可能性大？
總結一下:
- 雖然三等艙的人數最多（54%），但頭等艙生還的比例最高（62%）
- 雖然男性的人數（64%）多於女性，但女性的生還率（72%）遠高於男性（19%）
- 頭等艙女性的生還比例（97%）遠高於三等艙女性的生還比例（49%）
- 15-40歲的青年人數最多（53%），生還率最高的是0~15歲的少年（56%）
- 親戚的個數爲0的人數最多（68%），爲1的生還率最高（51%）
- 父母/孩子個數爲0的人數最多（76%），爲3的生還率最高（63%）
- 票價在0-50範圍內的人數最多（82%），但500~550範圍內票價的人生還率爲100%
- S港口登船的人數最多（70%），但是C港口生還率最高（56%）
猜你喜歡:
數據分析實戰：母嬰商品分析
@ 作者：可樂
@ 公衆號/知乎專欄/頭條/簡書：可樂的數據分析之路
@ 個人微信：data_cola
