노트1/과제

[데이콘] 타이타닉 생존자 예측 (캐글 Titanic Machine Learning) (① EDA, 시각화)

Paige09 2022. 1. 11. 17:58

 

 

[데이터]

PassengerId : 탑승객 고유ID
Survived : 생존유무(0 사망, 1생존)
Pclass : 등실의 등급
Name
Sex
Age
SibSp : 함께 탑승한 형제자매, 아내, 남편의 수
Parch : 함께 탑승한 부모, 자식의 수
Ticket : 티켓번호
Fare : 티켓요금
Cabin : 객실번호
Embarked : 배에 탑승한 위치(Cherbourg, Queenstown, Southampton)

 

 

[목표]

탑승객의 데이터를 이용해 생존여부 예측하기

 

 

[평가지표]

AUC (area under curve)

 

 

 

본 포스팅에서는

시각화를 익힐 겸 데이터를 천천히 뜯어보기로 하자!

 

 

 

우선 데이터 불러오기

 

import warnings
warnings.filterwarnings('ignore')

import matplotlib as mpl
import matplotlib.pyplot as plt
%matplotlib inline
plt.rcParams['font.family'] = 'Malgun Gothic'
mpl.rcParams['axes.unicode_minus'] = False

import seaborn as sns
import pandas as pd
train = pd.read_csv(r"./data/train.csv", encoding='utf-8')
test = pd.read_csv(r"./data/test.csv", encoding='utf-8')
submission = pd.read_csv(r"./data/submission.csv", encoding='utf-8')
print(train.shape)
print(test.shape)
print(submission.shape)

 

(891, 12)

(418, 11)

(418, 2)

 

> 탑승객은 총 418명이구나

 

 

train.isna().sum()

PassengerId      0
Survived         0
Pclass           0
Name             0
Sex              0
Age            177
SibSp            0
Parch            0
Ticket           0
Fare             0
Cabin          687
Embarked         2

 

> 결측치 확인. Cabin 데이터는 못쓸 것 같아...☆

 

 

 

 

1. Survived : 생존유무(0 사망, 1생존)

 

train['Survived'].value_counts()

0    549
1    342

 

fig, ax = plt.subplots(1,2, figsize=(7,4)) #도화지
labels = ['사망','생존']

train['Survived'].value_counts().plot.bar(ax=ax[0], color='g', rot=0)
ax[0].set(xlabel='Survived', xticklabels=labels, ylabel = 'Count', title = '탑승객 중 사망/생존자 수')

train['Survived'].value_counts().plot.pie(ax=ax[1], startangle=90,
                                          autopct='%.1f%%', fontsize=13, labels=labels)
ax[1].set(title = '탑승객 사망/생존 비율', ylabel = '')

 

 

 

2. Pclass : 등실의 등급

 

train.groupby('Pclass').mean()['Survived']

1    0.629630
2    0.472826
3    0.242363

 

> 객석 등급별로 생존율에 차이가 있네

 

fig, ax = plt.subplots(1,3, figsize=(10,4)) #도화지

train['Pclass'].value_counts().sort_index().plot.bar(ax=ax[0], color='g', rot=0)
ax[0].set(title = 'Pclass별 탑승객 수', xlabel='Pclass')

train[['Pclass', 'Survived']].groupby(['Pclass']).mean().plot.bar(ax=ax[1], color='g', rot=0)
ax[1].set(title = 'Pclass별 생존률')

sns.countplot(hue='Survived', x='Pclass', ax=ax[2], data=train)
ax[2].set(title = 'Pclass별 생존/사망자 수')
ax[2].legend(labels=['사망','생존'])

 

 

> 3클래스를 이용한 탑승객이 가장 많고, 생존률은 1클래스가 가장 높다.

 

 

 

 

3. Sex : 탑승객 성별

 

fig, ax = plt.subplots(2,2, figsize=(8,8))

train['Sex'].value_counts().plot.bar(ax=ax[0,0], rot=0)
ax[0,0].set(xlabel='', title='탑승객 수')

train['Sex'].value_counts().plot.pie(ax=ax[0,1], autopct='%1.1f%%',fontsize=15, startangle=90)
ax[0,1].set(ylabel='', title='탑승객 성비')

sns.countplot(hue='Survived', x='Sex', ax=ax[1,0], data=train)
ax[1,0].set(xlabel='', ylabel='', title = '성별 생존/사망자 수')
ax[1,0].legend(labels = ['사망','생존'])

train[['Sex','Survived']].groupby('Sex').mean().sort_index(ascending=False).plot.bar(ax=ax[1,1], rot=0)
ax[1,1].set(xlabel='', title = '생존률')

 

 

> 탑승객 수는 남자가 많았으며, 생존률은 여성이 더 높다.

 

value_counts() 결과를 컬럼 순서대로 정렬하기  https://hjryu09.tistory.com/51

 

 

 

 

4. Age : 탑승객 나이

 

ax = train['Age'].plot.hist(bins=20, rwidth=0.8, title='탑승객의 연령분포')
ax.set(xlabel='age', ylabel='')
# bins 범주 개수

 

# 또는 seaborn
ax = sns.distplot(train['Age'], bins=20)
ax.set(title='탑승객의 연령분포')

 

> 20~30대의 탑승객이 많다

 

 

 

 

5. SibSp : 함께 탑승한 형제자매/아내/남편의 수

    Parch : 함께 탑승한 부모/자식의 수

 

fig, ax = plt.subplots()
ax = train['SibSp'].value_counts().sort_index().plot.bar(rot=0)
ax.set(xlabel='함께 탑승한 형제자매/아내/남편의 수')

 

fig, ax = plt.subplots()
ax = train['Parch'].value_counts().sort_index().plot.bar(rot=0)
ax.set(xlabel='함께 탑승한 부모/자식의 수')

 

> 혼자 탑승한 사람이 많다

 

# 형제자매, 아내, 남편, 부모, 자식 합산
train['F'] = train['SibSp'] + train['Parch']
train[['F','Survived']].groupby(['F']).mean().plot.bar(rot=0, xlabel='동행한 가족 수', ylabel='생존률')

 

 

 

 

6. Fare : 티켓요금

 

train.plot.scatter(x='Pclass', y='Fare', s=5)

>  1클래스가 상대적으로 비싼 티켓이구나

 

train[['Fare','Pclass']].groupby('Pclass').mean()

 

> 티켓요금 평균을 비교하면 1클래스 > 2클래스 > 3클래스

 

 

 

 

7. Embarked : 배에 탑승한 위치

 

train['Embarked'].unique()

['S', 'C', 'Q', nan]

 

train['Embarked'].value_counts()

S    644
C    168
Q     77

 

fig, ax = plt.subplots(facecolor='white')
train['Embarked'].value_counts().plot.pie(ax=ax, startangle=90, autopct='%.1f%%',
                                          fontsize=15, labels=['S','C','Q'])
ax.set(title='탑승 위치', ylabel='')

 

 

 

티켓번호, 객실번호 등은 .unique() 으로 살펴보고 인사이트를 얻지 못함.

 

 

저작자표시