第2次作业-titanic数据集练习

一、读入titanic.xlsx文件，按照教材示例步骤，完成数据清洗。

titanic数据集包含11个特征，分别是：

Survived:0代表死亡，1代表存活
Pclass:乘客所持票类，有三种值(1,2,3)
Name:乘客姓名
Sex:乘客性别
Age:乘客年龄(有缺失)
SibSp:乘客兄弟姐妹/配偶的个数(整数值)
Parch:乘客父母/孩子的个数(整数值)
Ticket:票号(字符串)
Fare:乘客所持票的价格(浮点数，0-500不等)
Cabin:乘客所在船舱(有缺失)
Embark:乘客登船港口:S、C、Q(有缺失)

import pandas as pd
titanic=pd.DataFrame(pd.read_excel(r'C:\Users\ASUS\Desktop\titanic.xlsx'))
titanic.head()

 

 

删除无效列

titanic.drop('embark_town', axis = 1, inplace=True)
titanic.head()

 

 

查找重复值

titanic.duplicated()
0      False
1      False
2      False
3      False
4      False
       ...  
886     True
887    False
888    False
889    False
890    False
Length: 891, dtype: bool

 

删除重复值

titanic = titanic.drop_duplicates()
titanic.head()

 

 

统计空值的个数

titanic['who'].isnull().value_counts()

False    784
Name: who, dtype: int64

使用fillna方法填充为man

titanic['who']=titanic['who'].fillna('man')
titanic.head()

 

 

为age字段的空值填充平均值

titanic['age']=titanic['age'].fillna(titanic['age'].mean())
titanic.head()

 

 

使用describe查看统计信息

titanic.describe()

 

 

 

将异常值替换成平均值

titanic.replace([512.329200],titanic['fare'].mean())

 

 

 

 

二、对titanic数据集完成以下统计操作

1.统计乘客死亡和存活人数

titanic['survived'].value_counts()

0    461
1    323
Name: survived, dtype: int64

 

2.统计乘客中男女性别人数

titanic['sex'].value_counts()

male      491
female    293
Name: sex, dtype: int64

 

3.统计男女获救的人数

titanic.groupby(['survived','sex']).size()

survived  sex  
0         female     76
          male      385
1         female    217
          male      106
dtype: int64

 

4.统计乘客所在的船舱等级的人数

titanic['pclass'].value_counts()

3    405
1    214
2    165
Name: pclass, dtype: int64

 

5.使用corr（）函数，判断两个属性是否具有相关性，分析舱位的高低和存活率的关系

titanic['survived'].corr(titanic['pclass'])

-0.3326579414631632

 

6.画出乘客票价与舱位等级的箱体图Boxplot，从图中能够得到哪些结论？

titanic.boxplot(['fare'],['pclass'])

 

 

 结论：3号票价最低