Titanik: život je jen náhoda?¶
Cíl¶
Zjistit, jake společné rysy měli ti, kdo přežili.
Data¶
Data byla použita z univerzity Vanderbilt, odkaz na dokumentaci.
Data obsahují 1309 pozorování (1 řádek = 1 osoba) a 14 proměnných.
Seznámení s daty¶
In [1]:
# Importování knihoven
import os
import matplotlib
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
import seaborn as sns
# Následujicí řádek je potřeba pro zobrazení matplotlib grafů v Jupyter notebooku
%matplotlib inline
# Následujicí řádek udělá hezčí grafy
plt.style.use('seaborn')
In [2]:
# Načtení dat
data = pd.read_excel('titanic3.xls')
# Podívat se na první 2 řádky
data.head(n=2)
Out[2]:
In [3]:
# Ukázat počet řádků a sloupců
data.shape
Out[3]:
In [4]:
# Pro každý sloupec ukázat datový typ
data.dtypes
Out[4]:
In [5]:
# Ukázat, které sloupce mají chybějící hodnoty
data.columns[data.isnull().any()]
Out[5]:
In [6]:
# Pro každý sloupec zobrazit popisnou statistiku
data.describe(include='all')
Out[6]:
Věk¶
Průměrný věk cestujících v obou skupinach (přeživší a nepřeživší) byl téměř stejný (29 a 30).
In [7]:
# Průměrný věk u přeživších a nepřeživších cestujících
data.groupby('survived').age.mean()
Out[7]:
In [8]:
# Vytvoříme biny stejné pro vek cestujících kteří přežili a nepřežili
np.histogram(
np.hstack(
(data[data.survived == 1].age.dropna(), data[data.survived == 0].age.dropna())
), bins=40)[1]
Out[8]:
In [9]:
def create_histogram(data):
# Vytvořit histogram věku cestujících
fig, ax = plt.subplots(figsize=(10,6), dpi= 80)
# Nastavíme stejný počet sloupců pro oba grafy
bins=np.histogram(np.hstack(
(data[data.survived == 1].age.dropna(), data[data.survived == 0].age.dropna())
), bins=40)[1]
# Tento seznam hodnot použíjeme pro vykreslení stejných binů u obou histogramů
plt.hist(data[data.survived == 1].age.dropna(), bins, alpha=0.5, label='Přeživší')
plt.hist(data[data.survived == 0].age.dropna(), bins, alpha=0.5, label='Nepřeživší')
plt.title('Distribuce věku cestujících na lodi Titanic', fontdict=dict(fontsize=20))
plt.xlabel('Věk', fontdict=dict(fontsize=20))
plt.legend(loc='upper right')
plt.show()
In [10]:
create_histogram(data)
In [11]:
# Vytvořit boxplot věku přeživších a nepřeživších cestujících
sns.set()
plt.figure(figsize=(10,6), dpi= 80)
ax = sns.boxplot(x=data.survived, y=data.age)
plt.title('Věk přeživšich a nepřeživších cestujicích', fontsize=15)
ax.set_xticklabels(['Nepřežili', 'Přežili'], rotation=45, fontsize=15)
plt.xlabel('')
plt.ylabel('Věk')
plt.show()
In [12]:
# Vytvořit boxplot věku dle třídy jizdenky přeživších a nepřeživších cestujících
sns.set()
plt.figure(figsize=(10,6), dpi= 80)
ax = sns.boxplot(x=data.survived, y=data.age, hue=data.pclass)
plt.title('Věk přeživšich a nepřeživších cestujicích', fontsize=15)
ax.set_xticklabels(['Nepřežili', 'Přežili'], rotation=45, fontsize=15)
plt.xlabel('')
plt.ylabel('Věk')
plt.show()
Třída jizdenky¶
Nejvíce přeživších bylo z 1. třídy (200 versus 181 ze 3. třídy a 119 ze 2. třídy).
In [13]:
# Zjistíme počet přeživších dle třídy
data.groupby(['survived', 'pclass']).count().name
Out[13]:
In [14]:
not_survived = len(data[data.survived == 0])
first_not_survived = data[(data.pclass==1) & (data.survived==0)].shape[0]/not_survived
second_not_survived = data[(data.pclass==2) & (data.survived==0)].shape[0]/not_survived
third_not_survived = data[(data.pclass==3) & (data.survived==0)].shape[0]/not_survived
survived = len(data[data.survived == 1])
first_survived = data[(data.pclass==1) & (data.survived==1)].shape[0]/survived
second_survived = data[(data.pclass==2) & (data.survived==1)].shape[0]/survived
third_survived = data[(data.pclass==3) & (data.survived==1)].shape[0]/survived
In [15]:
def plot_pass_class(first_not_survived, second_not_survived, third_not_survived, first_survived, second_survived, third_survived):
plt.figure(figsize=(10,6), dpi=80)
plt.bar(
0, first_not_survived,
bottom=third_not_survived + second_not_survived, color='#c5d1e9', label='1. třída'
)
# Parametr bottom určí jak vysoko se má sloupec vykreslit
plt.bar(
1, first_survived, bottom=third_survived + second_survived, color='#c5d1e9'
)
plt.bar(
0, second_not_survived, bottom=third_not_survived, color='#486db5', label='2. třída'
)
plt.bar(
1, second_survived, bottom=third_survived, color='#486db5'
)
plt.bar(
0, third_not_survived, color='#273a61', label='3. třída'
)
plt.bar(
1, third_survived, color='#273a61'
)
plt.xticks([0, 1], ['Nepřežili', 'Přežili'], fontsize=15)
plt.legend(bbox_to_anchor=(1.05, 1), loc=2, borderaxespad=0.)
plt.title('Rozdělení přeživšich a nepřeživších cestujicích dle tříd', fontsize=15)
plt.show()
In [16]:
plot_pass_class(
first_not_survived, second_not_survived, third_not_survived,
first_survived, second_survived, third_survived
)
Pohlaví¶
Přežilo dvakrát více žen než mužů (339 versus 161).
In [17]:
# Zjistíme počet přeživších dle pohlaví
data.groupby(['survived', 'sex']).count().name
Out[17]:
In [18]:
# Vynásobení -1 zajístí, že data budou vlevo od nuly
data[(data.sex=='male') & (data.survived==0)].shape[0]*(-1)
Out[18]:
In [19]:
def plot_survived_sex(data):
fig, ax = plt.subplots(figsize=(13,10), dpi=80)
sns.set()
plt.barh(2.5, data[(data.sex=='male') & (data.survived==0)].shape[0]*(-1), height=5, color='#8da5d2', label='Muži')
plt.barh(7.5, data[(data.sex=='female') & (data.survived==0)].shape[0]*(-1), height=5, color='#e89fa4', label='Ženy')
plt.barh(2.5, data[(data.sex=='male') & (data.survived==1)].shape[0], height=5, color='#486db5')
plt.barh(7.5, data[(data.sex=='female') & (data.survived==1)].shape[0], height=5, color='#d24049')
# Nakreslíme vertikální čáru
plt.axvline(x=0, linewidth=4, color='black')
plt.xticks([-100, 100], ['Nepřežili', 'Přežili'], fontsize=15)
plt.legend(loc='upper right')
plt.xlim(data[(data.sex=='male') & (data.survived==0)].shape[0]*(-1)-10, data[(data.sex=='male') & (data.survived==0)].shape[0]+10)
plt.ylim(0, 10)
plt.title('Rozdělení přeživšich a nepřeživších cestujicích dle pohlaví', fontsize=15)
# tento řádek vymaže popisky y osy
ax.set_yticklabels([])
plt.show()
In [20]:
plot_survived_sex(data)
Paluba¶
Na všech palubách kromě A a T bylo více než 50% přeživších. Na palubě A to bylo přesně 50% a na palubě T byl jenom jeden cesující - vdovec Stephen Weart Blackwell.
In [21]:
# Z původní tabulký vyberu řádky u kterých nechybí hodnota ve sloupci cabin a vyberu sloupce cabin a survived
cabin = data.loc[data.cabin.notnull(), ['cabin', 'survived']]
cabin.head()
Out[21]:
Odbočka - rozdíl mezí metody count a size¶
count- pro každý sloupce spočítá počet nechybějících hodnotsize- spočítá počet řádků, tedy započítává chybějící hodnoty
In [22]:
data.groupby('pclass').count()
Out[22]:
In [23]:
data.groupby('pclass').size()
Out[23]:
In [24]:
cabin = data.loc[data.cabin.notnull(), ['cabin', 'survived']]
# Vytvoříme číslo paluby tak, že ze sloupce 'cabin' vezmeme první písmeno
cabin['deck'] = cabin.cabin.astype(str).str[0]
# Zjistíme počet přeživších na každé palubě
cabin.groupby(['survived', 'deck']).count().unstack(fill_value=0).iloc[0].values
Out[24]:
In [25]:
def plot_cabin_survived(cabin):
cabin_not_survived = cabin.groupby(['survived', 'deck']).size().unstack(fill_value=0).iloc[0].values
cabin_survived = cabin.groupby(['survived', 'deck']).size().unstack(fill_value=0).iloc[1].values
plt.figure(figsize=(10,6), dpi=80)
ax = plt.bar(np.arange(len(cabin_not_survived)), cabin_survived/(cabin_not_survived + cabin_survived), width=0.8)
plt.title('Podíl přeživších cestujicích dle umístěn palub', fontsize=15)
plt.xticks(
np.arange(len(cabin_not_survived)),
cabin.groupby(['survived', 'deck']).size().unstack(fill_value=0).iloc[0].index
)
text_labels = []
for deck in sorted(cabin.deck.unique()):
text_labels.append(
[cabin[(cabin.survived == 1) & (cabin.deck == deck)].shape[0],cabin[(cabin.deck == deck)].shape[0]]
)
def autolabel(rects, survived, not_survived):
for i, rect in enumerate(rects):
height = rect.get_height()
plt.text(rect.get_x() + rect.get_width()/2., 1.05*height,
'{0}/{1}'.format(text_labels[i][0], text_labels[i][1]),
ha='center', va='bottom')
autolabel(ax, cabin_survived, cabin_not_survived)
plt.ylim(0, 1)
plt.axhline(y=0.5, linewidth=2, color='r')
plt.show()
In [26]:
plot_cabin_survived(cabin)
Záchranná loď¶
Jakmile byli cestující v jakékoliv lodi, šance na záchranu byly téměř 100%, největší riziko bylo u záchranné lodě A.
In [27]:
# Seskupíme řádky dle stavu přežití a čísla lodi
boat = data.loc[data.boat.notnull(), ['boat', 'survived']]
boat = boat.groupby(['survived', 'boat']).size().unstack(fill_value=0)
In [28]:
# Přeskupíme sloupce tak, aby na začátku byly sloupce s největším počtem nepřeživších
new_columns = boat.columns[boat.iloc[boat.first_valid_index()].argsort()[::-1]]
boat[new_columns]
Out[28]: