4点做好数据分析数据分析实战案例 _大数据

这是一个非常经典的案例，很多博主都写过，没错，就是它：泰坦尼克号的存活率分析，就是上面的一个问题，通过对船上乘客的信息分析和建模，预测哪些乘客幸存。
让我们非常粗略地对这个数据集做一个简单的分析。
使用工具：Excel（没错，就是这么简单粗暴）
1912 年，泰坦尼克号撞上冰山并沉没，船上 2,224 名乘客和机组人员中的 1,502 人遇难。对于幸存者来说，这只是运气还是某种模式？这是我们比较关心的，所以我们需要提问：
其次，了解数据。数据集共有以下字段，其中name、sex、cabin、、、是字符串类型，虽然是数字类型，但含义是标签。分析从区域的维度开始。
检查发现Age、Fare、字段全部缺失。让我们一一来看看。
年龄列有263条数据为空，缺失率为20% 。所有这些都可以填写为年龄的平均值或众数。也可以进一步分析。发现在缺失年龄的数据中，三等舱最多，占总缺失值的79% ，三等舱男性未幸存者比例最大，因此也可以用三年级的平均年龄。
为了保持数据的真实性，这里不会做。
过滤发现fare（票价）中只有一个缺失值，我们找到了，发现可以用同类型的均值填充。
因此，我们对三等座60岁以上男性的平均票价进行了过滤，登机口为S来填补这个缺失值。
登机口字段也有2个缺失值，过滤掉看看。
进一步观察到这两个乘客单独出行，没有家人（从sibsp和parch列都是0），继续处理fare缺失值的思路，找到同类型填写。对于第一位乘客，在筛选出头等舱的35-40岁女性中，填写价值最高的港口，结果为S 。
同理，对于第二名乘客，筛选出登陆口岸最多的60-65岁头等舱女性，结果也是S 。
客舱（cabin）字段缺失值达到77% 。缺失值过多，不补，直接保留或删除。让我们把它留在这里。
分析班级和生存情况，插入数据透视表
幸存者中，头等舱占40% 。
为每个小屋的生存和死亡制作百分比堆叠条形图。可以看出，第一类的幸存者比例最大，达到61.92% ，第三类的幸存者比例最小。，只有25.33% ，所以还是那句老话，虽然钱不是万能的，但还是不够@#%&^...
透视（小屋号），可以看到有295个唯一值，基本上只有一个人住在一个??小屋里。
但我们也发现有 1 间小屋可供 2 人以上使用。我们进一步拉入舱位进行对比，发现三等舱的数值很小，说明三等舱的缺失值大部分是缺失的，也就是说三等舱的人没有。没有小屋？大通店？这是为了进一步验证。
另外发现三等舱的舱号以E/F/G开头，而一等舱的A/B/C多。猜测是舱位号随着舱位递减按字母升序排列。
姓名栏没有有价值的信息，但可以进一步认为姓名其实是和称谓相对应的，比如先生是已婚男人，夫人是已婚女人等，但会先在这里删除。

文章插图
性别分析性别和生存
女性占幸存者的 67.8% ，远高于男性的 32.2% 。

4点做好数据分析 数据分析实战案例

4点做好数据分析数据分析实战案例