Memoirs

220402 Mini project 회고 및 정리 - 타이타닉 생존자 예측 데이터 분석

타이타닉

이번 포스팅에서는 학습 16일차에 Kaggle에 있는 타이타닉 생존자예측 dataset을 분석하고, 분석한 dataset을 시각화하는 연습한 내용을 정리하려고 한다.
이번 미니 프로젝트를 통해 얻었던 나 자신에 대한 피드백은 우선 첫 번째 dataset에 대한 사전 분석이 부족했다는 것이다. 그리고 두 번째, DataFrame과 시각화 작업에 대해 연습이 부족하여 작업함에 있어 미숙한 부분이 많았다.

이 피드백을 통해 알게된 개선해야 될 부분에 대해서는 앞으로 차근차근 채워가도록 해야겠다.

타이타닉 생존자 예측 dataset

주어진 dataset은 총 12개의 칼럼과 891개의 행으로 구성되어있다. 즉, 한 사람당 총 12 종류의 정보를 포함하고 있다.
특정 승객의 새존 여부를 알아보려면 survived 항목의 값을 살펴보면 된다. (1:생존)
주어진 test.csv 파일의 구조는 train.csv 파일과 거의 동일하지만, survived 항목이 없다.

1
2
3
4
5
6
7
8
import pandas as pd
import numpy as np # 데이터 분석을 위한 NumPy
import matplotlib.pyplot as plt # 데이터 시각화 라이브러리
import seaborn as sns # 데이터 시각화 라이브러리

train_df = pd.read_csv('train.csv')

print(train_df)
타이타닉

타이타닉 dataset 분석

데이터셋을 시각화하고 결론을 도출해내기 전에는 우선적으로 주어진 dataset에 대한 분석이 필요하다. 이번 미니 프로젝트에서 간과했던 부분이었는데, dataset이 주어졌다면, 우선적으로 주어진 dataset의 columns 구성(df.columns.values),데이터 자료 구성 정보(df.info())를 확인해야한다.

dataset의 각 칼럼 항목 확인

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
# dataset의 column 항목을 확인
print(train_df.columns.values)
# ['PassengerId' 'Survived' 'Pclass' 'Name' 'Sex' 'Age' 'SibSp' 'Parch' 'Ticket' 'Fare' 'Cabin' 'Embarked']

# 'PassengerId' : 승객 번호
# 'Survived' : 생존여부 (0:사망, 1:생존)
# 'Pclass' : 객실등급 - (1:1등급, 2:2등급, 3:3등급)
# 'Name' : 이름
# 'Sex' : 성별
# 'Age' : 나이
# 'SibSp' : 동반한 형제자매와 배우자의 수
# 'Parch' : 동반한 부모와 자식의 수
# 'Ticket' : 티켓 번호
# 'Fare' : 티켓 요금
# 'Cabin' : 객실 번호
# 'Embarked' : 승선한 항구 (C:Cherbourg, Q:Queenstown, S:Southampton)

print(train_df.info())

# output :
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 #   Column       Non-Null Count  Dtype
---  ------       --------------  -----
 0   PassengerId  891 non-null    int64
 1   Survived     891 non-null    int64
 2   Pclass       891 non-null    int64
 3   Name         891 non-null    object
 4   Sex          891 non-null    object
 5   Age          714 non-null    float64
 6   SibSp        891 non-null    int64
 7   Parch        891 non-null    int64
 8   Ticket       891 non-null    object
 9   Fare         891 non-null    float64
 10  Cabin        204 non-null    object
 11  Embarked     889 non-null    object
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB

print(train_df.describe())

# output :

      PassengerId    Survived      Pclass         Age       SibSp  \
count   891.000000  891.000000  891.000000  714.000000  891.000000
mean    446.000000    0.383838    2.308642   29.699118    0.523008
std     257.353842    0.486592    0.836071   14.526497    1.102743
min       1.000000    0.000000    1.000000    0.420000    0.000000
25%     223.500000    0.000000    2.000000   20.125000    0.000000
50%     446.000000    0.000000    3.000000   28.000000    0.000000
75%     668.500000    1.000000    3.000000   38.000000    1.000000
max     891.000000    1.000000    3.000000   80.000000    8.000000

            Parch        Fare
count  891.000000  891.000000
mean     0.381594   32.204208
std      0.806057   49.693429
min      0.000000    0.000000
25%      0.000000    7.910400
50%      0.000000   14.454200
75%      0.000000   31.000000
max      6.000000  512.329200

탑승석 등급에 따른 생존률

1
2
3
4
5
6
7
8
9
10
# Pclass를 기준으로 그룹정렬해주고, Survived의 평균값을 Survived의 값을 기준으로 내림차순 정렬합니다.
pclass_survived = train_df[['Pclass','Survived']].groupby(['Pclass'], as_index=False).mean().sort_values(by='Survived', ascending=False)

sns.barplot(data = pclass_survived, x='Pclass', y='Survived')

# output :
Pclass	Survived
0	1	0.629630
1	2	0.472826
2	3	0.242363

comment : 탑승석의 등급이 높을 수록 생존률이 높음을 확인할 수 있었다.

탑승석 등급에 따른 생존률

성별에 따른 생존률

1
2
3
4
5
6
7
8
sex_survived = train_df[['Sex','Survived']].groupby(['Sex'], as_index=False).mean().sort_values(by='Survived', ascending=False)

sns.barplot(data=sex_survived, x='Sex', y='Survived')

# output :
    Sex	  Survived
0	 female	0.742038
1	 male	  0.188908

comment : 성별이 여성일수록 생존률이 높음을 확인할 수 있었다.

성별에 따른 생존률

승선한 형제자매와 배우자 수에 따른 생존률

1
2
3
4
5
6
7
8
9
10
11
12
13
14
sibsp_survived = train_df[['SibSp','Survived']].groupby(['SibSp'], as_index=False).mean().sort_values(by='SibSp',ascending=True)
print(sibsp_survived)
sns.barplot(data=sibsp_survived, x='SibSp', y='Survived')

# output:

   SibSp  Survived
0      0  0.345395
1      1  0.535885
2      2  0.464286
3      3  0.250000
4      4  0.166667
5      5  0.000000
6      8  0.000000

comment : 승선한 형제자매와 배우자의 수가 1명 -> 2명 -> 0명 -> 3명 -> 4명 순으로 생존률이 높음을 확인할 수 있었다. 즉, 승선한 형제자매와 배우자의 수가 0~2명인 경우에 생존률이 상대적으로 높았다.

승선한 형제자매와 배우자 수에 따른 생존률