數據分析實戰案例（4點做好數據分析）

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，就是這么簡單粗暴）

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，幸存下來的人是出于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？

其次了解數據，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，但其含義是標簽，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一列為空的有263條數據，缺失率為20%，可以全部填充為年齡的均值或眾數，也可以進一步地分析，發現年齡缺失的數據里三等艙的最多，占總缺失值的79%，而三等艙里的未生還的男性占比最多，因此也可以用三等艙年齡的平均值來填充。

這里為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、年齡大于60歲的，登船港口為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列均為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，結果也為S。

4、cabin缺失值處理

對于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，這里先保留著吧。

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

生還的人里，頭等艙的占比達到了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，頭等艙生還的人數占比最多，達到61.92%，三等艙的生還人數占比最少，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，猜測客艙號是隨著艙位的降低按字母升序排列的。

2、乘客維度

namename姓名列沒有什么有價值的信息，不過可以進一步思考的是，姓名里其實是對應了頭銜的，比如Mr是已婚男士，Mrs是已婚女士等，但是這里就先刪除了。

sex對性別和生還情況進行分析

生還的人中女性占比67.8%，遠高于男性的32.2%。

女性生還人數占女性總數的72.75%，遠遠大于男性生還人數占男性總數的19.10%。

性別&艙位可以順便看一下艙位和性別的關系，因為男性人口基數大，所以不管是哪個艙位，男性人數都是多于女性的，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為97%，遠高于其他兩個艙位，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，這里因為年齡有缺失，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】里的【描述統計】功能，可以看到年齡最大值為80歲，最小值為0.17歲，平均值為29.88歲，年齡中位數為28歲，眾數為24歲。

進一步地，可以觀察一下年齡的分布情況，做直方圖，5歲為一組，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。

了解了年齡大致的分布后，就要來看特定人群的生還情況了，我們將年齡分為：

• 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、少年的占比最多，老年占比最少。

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，透視后可以看到標簽為0，也就是說沒有親戚的人是船上乘客的大多數。

同樣因為基數大的緣故，生存下來的人中，親戚數為0的占比最多達到了61.8%。

對各標簽做百分比堆積柱形圖，這才是比較有意義的結果，可以看到，有1個親戚數的人群獲救的比例最高。

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，這部分人群獲救的數量也最多。

做百分比堆積柱形圖，可以看到有3個父母/小孩的人群獲救的比例最大，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，這里算出pclass和fare的相關系數是-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。透視以后組合，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為0~50。

性別&票價女性的票價均價要高于男性

性別&艙位&票價頭等艙的均價遠高于其他兩個艙，每個艙女性的均價都要高于男性，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，票價為0的居然都是男性。

都寫到這兒了，可以再引申出一個問題，票價到底和什么有關？性別？登陸港口？艙位？客艙？有興趣的小伙伴可以自己再深入探討一下，這里我們就不探索下去了。

接下來，50一組看一下fare的分布情況，可以看到票價為0~50的占了船上乘客的82%。

同時存活數量最多的還是0~50票價的人群，因為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票價的人群存活比例為100%，而0-50票價的存活比例只有32%。

ticketticket字段是船票信息/代號，沒有特別大的分析意義，這里也就直接刪除了。

4、地域維度

embarked對embarked（登船港口）字段分析，透視后發現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、生還率同什么有關

生還率同什么相關？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系數。

sex列是字符型數據，要映射成數值，我們添加一列命名為性別的輔助列，male為1，female為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字段分解為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，那么港口-S列為1，港口-C、港口-Q為0，以此類推。

同理對艙位pclass也做同樣的處理

用【數據分析】里的【相關系數】功能，可以看到每個字段的相關系數

降序排列一下，就可以看出生還率同什么相關了

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%）多于女性，但女性的生還率（72%）遠高于男性（19%）
• 頭等艙女性的生還比例（97%）遠高于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%）
• 親戚的個數為0的人數最多（68%），為1的生還率最高（51%）
• 父母/孩子個數為0的人數最多（76%），為3的生還率最高（63%）
• 票價在0-50范圍內的人數最多（82%），但500~550范圍內票價的人生還率為100%
• S港口登船的人數最多（70%），但是C港口生還率最高（56%）