Analiza Danych EDA Titanica: Eksploracja Domenowa

Data wykonania projektu: luty/marzec 2025

Analiza danych osób, które przeżyły bądź nie przeżyły katastrofy statku Titanic dnia 12.04.1912 roku. Jest to czysta analiza danych wywnioskowana z tabeli ofiar tragedii. Na różnych wykres i tablicach można ocenić różne aspekty przetrwania, np. kto i z jakiej klasy pasażerskiej miał większą szansę przeżyć tragedię. Zachęcam do zapoznania się z treścią notebooka, który można sobie pobrać poniżej.

Pobierz Notebook Pobierz Plik Bazy Danych

Analiza TITANIC¶

Import bibliotek¶

In [1]:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

Import pliku z bazą danych i pokazanie 10 losowych wierszy¶

In [2]:

df = pd.read_csv('26__titanic.csv', sep=',')

df.sample(10)

Out[2]:

	pclass	survived	name	sex	age	sibsp	parch	ticket	fare	cabin	embarked	boat	body	home.dest
480	2.0	0.0	Laroche, Mr. Joseph Philippe Lemercier	male	25.0	1.0	2.0	SC/Paris 2123	41.5792	NaN	C	NaN	NaN	Paris / Haiti
943	3.0	0.0	Laitinen, Miss. Kristina Sofia	female	37.0	0.0	0.0	4135	9.5875	NaN	S	NaN	NaN	NaN
543	2.0	0.0	Reeves, Mr. David	male	36.0	0.0	0.0	C.A. 17248	10.5000	NaN	S	NaN	NaN	Brighton, Sussex
189	1.0	0.0	Long, Mr. Milton Clyde	male	29.0	0.0	0.0	113501	30.0000	D6	S	NaN	126.0	Springfield, MA
44	1.0	1.0	Burns, Miss. Elizabeth Margaret	female	41.0	0.0	0.0	16966	134.5000	E40	C	3	NaN	NaN
610	3.0	0.0	Ahlin, Mrs. Johan (Johanna Persdotter Larsson)	female	40.0	1.0	0.0	7546	9.4750	NaN	S	NaN	NaN	Sweden Akeley, MN
526	2.0	1.0	Pallas y Castello, Mr. Emilio	male	29.0	0.0	0.0	SC/PARIS 2147	13.8583	NaN	C	9	NaN	Spain / Havana, Cuba
698	3.0	0.0	Cacic, Mr. Jego Grga	male	18.0	0.0	0.0	315091	8.6625	NaN	S	NaN	NaN	NaN
1161	3.0	0.0	Rush, Mr. Alfred George John	male	16.0	0.0	0.0	A/4. 20589	8.0500	NaN	S	NaN	NaN	NaN
1259	3.0	0.0	Turcin, Mr. Stjepan	male	36.0	0.0	0.0	349247	7.8958	NaN	S	NaN	NaN	NaN

Prośba o podanie parametrów bazy (informacji o polach)¶

In [3]:

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1310 entries, 0 to 1309
Data columns (total 14 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   pclass     1309 non-null   float64
 1   survived   1309 non-null   float64
 2   name       1309 non-null   object 
 3   sex        1309 non-null   object 
 4   age        1046 non-null   float64
 5   sibsp      1309 non-null   float64
 6   parch      1309 non-null   float64
 7   ticket     1309 non-null   object 
 8   fare       1308 non-null   float64
 9   cabin      295 non-null    object 
 10  embarked   1307 non-null   object 
 11  boat       486 non-null    object 
 12  body       121 non-null    float64
 13  home.dest  745 non-null    object 
dtypes: float64(7), object(7)
memory usage: 143.4+ KB

W wielu rekordach brakuje danych, np. w informacji o przypisaniu do kabiny lub czy ciało zostało odnalezione.

Prośba o wyświetlenie duplikatów¶

In [4]:

df[df.duplicated()]

Out[4]:

	pclass	survived	name	sex	age	sibsp	parch	ticket	fare	cabin	embarked	boat	body	home.dest

Duplikatów brak

Prośba o wyświetlenie unikatowych wartości¶

In [5]:

df.nunique()

Out[5]:

pclass          3
survived        2
name         1307
sex             2
age            98
sibsp           7
parch           8
ticket        929
fare          281
cabin         186
embarked        3
boat           27
body          121
home.dest     369
dtype: int64

Tu można zauważyć, które pola są polami typu bool, można to porównać z informacją o bazie danych i potwierdzić. Np. kolumna 'survived' przyjmuje tylko

dwie wartości unikatowe - survived(1) lub not survived(0). Czyli mimo iż jest to pole typu Float, w rzeczywistości jest polem logicznym True or False.

Mimo wszystko pozostawię to pole takim jakie ono jest i w toku dalszych przeliczeń sprawdzę czy do wykresów lepiej się nadaje jako pole logiczne czy Float.

Prośba o wyświetlenie wykresu słupkowego według tego kto przeżył z podziałem na płeć¶

In [6]:

df_clean = df.dropna(subset=['survived', 'sex'])
survived_sex_counts = df_clean.groupby(['sex', 'survived']).size().unstack()
survived_sex_counts.plot(kind='bar', stacked=True)
plt.title('Przeżywalność według płci')
plt.xlabel('Płeć')
plt.ylabel('Liczba')
plt.xticks(rotation=0)
plt.legend(title='Przeżyli', labels=['Nie', 'Tak'])

Out[6]:

<matplotlib.legend.Legend at 0x2000ef33e10>

Na wykresie wyraźnie widać, że stosunkowo więcej kobiet niż mężczyzn uratowało się

Czyli można wyciągnąć wniosek, że brano pod uwagę to czy osoba ratowana była kobietą a także, że w takim wypadku należał jej się priorytet miejsca w szalupie.

Prośba o pokazanie liczby pasażerów wg. podziału na płeć¶

In [7]:

pwp = df['sex'].value_counts()
result = {
    "type": "dataframe",
    "value": pwp.to_frame(name='count')
}
pwp

Out[7]:

sex
male      843
female    466
Name: count, dtype: int64

Tutaj wyraźnie widać, że mężczyzn na pokładzie było więcej niemal dwukrotnie od kobiet, co wzmacnia poziom relacji z wykresu powyżej, ponieważ mężczyzn zginęło więcej.

Wniosek:¶

mężczyzna miał o wiele mniejsze szanse przetrwania niż kobieta

Prośba o pokazanie wykresu punktowego uczestników rejsu według podziału na wiek¶

In [8]:

plt.figure(figsize=(10, 6))
plt.scatter(df['age'], df.index, alpha=0.5)
plt.title('Uczestnicy rejsu w podziale na wiek')
plt.xlabel('Wiek')
plt.ylabel('Index')
plt.grid(True)

Wykres punktowy przedstawia zakres wiekowy podróżnych Wniosek jaki się nasuwa to to, że większośc pasażerów była w wieku 20-30 lat

A teraz pokażę ten sam wykres z oznaczeniem innym kolorem wszystkich pasażerów poniżej 18 roku życia.¶

In [9]:

df = df.dropna(subset=['age'])
#Oddzielenie dorosłych od dzieci
children = df[df['age'] < 18]
adults = df[df['age'] >= 18]

# Zliczenie dorosłych i dzieci
num_children = len(children)
num_adults = len(adults)

# Stworzenie wykresu
plt.figure(figsize=(10, 6))
plt.scatter(children['age'], children.index, color='blue', label=f'Dzieci (<18): {num_children}')
plt.scatter(adults['age'], adults.index, color='red', label=f'Dorośli (>=18): {num_adults}')

# Dodanie nazw osi i legendy
plt.xlabel('Wiek')
plt.ylabel('Passenger Index')
plt.title('Wykres punktowy uczestników według podziału na płeć')
plt.legend()

# Reverse axes
plt.gca().invert_yaxis()

W kolumnie age w samej bazie danych mamy tylko 1046 elementów i ten wykres jest zrobiony tylko dla tej grupy, ale wyraźnie widać, na podstawie tak dużej grupy próbnej jak kształtował się podział wiekowy i jaki mniej więcej odsetek stanowiły dzieci.

Procentowo wyglądało to tak:

In [10]:

# Przeliczenie dorosłych i dzieci
children_count = df[df['age'] < 18].shape[0]
adults_count = df[df['age'] >= 18].shape[0]

# Stworzenie wykresu kołowego
labels = ['Dzieci (<18)', 'Dorośli (18+)']
sizes = [children_count, adults_count]
colors = ['#66b3ff','#ff9999']
explode = (0.1, 0)  # wykrojenie kawałka

plt.figure(figsize=(8, 8))
plt.pie(sizes, explode=explode, labels=labels, colors=colors, autopct='%1.1f%%', shadow=True, startangle=140)
plt.axis('equal')  

Out[10]:

(np.float64(-1.202097982230382),
 np.float64(1.1048616765885606),
 np.float64(-1.0999999847206687),
 np.float64(1.0999998206482027))

A jak nazywały się najmłodsze osoby które przeżyły katastrofę?¶

In [11]:

titanic_df = df
prz_df = titanic_df[titanic_df['survived'] == 1]
najm = prz_df.nsmallest(10, 'age')
result = {
    "type": "dataframe",
    "value": najm
}
najm

Out[11]:

	pclass	survived	name	sex	age	sibsp	parch	ticket	fare	cabin	embarked	boat	body	home.dest
763	3.0	1.0	Dean, Miss. Elizabeth Gladys "Millvina"	female	0.1667	1.0	2.0	C.A. 2315	20.5750	NaN	S	10	NaN	Devon, England Wichita, KS
1240	3.0	1.0	Thomas, Master. Assad Alexander	male	0.4167	0.0	1.0	2625	8.5167	NaN	C	16	NaN	NaN
427	2.0	1.0	Hamalainen, Master. Viljo	male	0.6667	1.0	1.0	250649	14.5000	NaN	S	4	NaN	Detroit, MI
657	3.0	1.0	Baclini, Miss. Eugenie	female	0.7500	2.0	1.0	2666	19.2583	NaN	C	C	NaN	Syria New York, NY
658	3.0	1.0	Baclini, Miss. Helene Barbara	female	0.7500	2.0	1.0	2666	19.2583	NaN	C	C	NaN	Syria New York, NY
359	2.0	1.0	Caldwell, Master. Alden Gates	male	0.8333	0.0	2.0	248738	29.0000	NaN	S	13	NaN	Bangkok, Thailand / Roseville, IL
548	2.0	1.0	Richards, Master. George Sibley	male	0.8333	1.0	1.0	29106	18.7500	NaN	S	4	NaN	Cornwall / Akron, OH
611	3.0	1.0	Aks, Master. Philip Frank	male	0.8333	0.0	1.0	392091	9.3500	NaN	S	11	NaN	London, England Norfolk, VA
1	1.0	1.0	Allison, Master. Hudson Trevor	male	0.9167	1.0	2.0	113781	151.5500	C22 C26	S	11	NaN	Montreal, PQ / Chesterville, ON
590	2.0	1.0	West, Miss. Barbara J	female	0.9167	1.0	2.0	C.A. 34651	27.7500	NaN	S	10	NaN	Bournmouth, England

Tych ludzi jeszcze całkiem niedawno można było spotkać na ulicy :)

Pokazanie wykresu kołowego procentowego udziału pasażerów w poszczególnych klasach z uwzględnieniem płci.¶

In [12]:

df = df.dropna(subset=['pclass', 'sex'])

# Grupowanie po klasie i płci a potem zliczenie
class_sex_counts = df.groupby(['pclass', 'sex']).size().unstack()

# Przeliczenie całkowitej ilości pasażerów w każdej z klas
class_totals = df['pclass'].value_counts().sort_index()

# Stworzenie nazw labeli w wartości sumarycznej klas
labels = [f'Class {int(cls)} ({total})' for cls, total in class_totals.items()]

# Narysowanie wykresu z podziałem na płeć
fig, axes = plt.subplots(1, 2, figsize=(12, 6))
class_sex_counts.plot(kind='pie', y='male', labels=labels, autopct='%1.1f%%', ax=axes[0], legend=False)
class_sex_counts.plot(kind='pie', y='female', labels=labels, autopct='%1.1f%%', ax=axes[1], legend=False)

# Ustawienie tytułów
axes[0].set_title('Mężczyźni')
axes[1].set_title('Kobiety')
for ax in axes:
    ax.set_ylabel('')

plt.suptitle('Procentowy udział pasażerów z podziałem na klasę podróży i płeć')
plt.tight_layout()

Należy zaznaczyć, że liczby zawarte w nawiasach oznaczają liczbę wszystkich biletów w danej klasie.¶

Wniosek jaki się nasuwa to to, że procentowo i liczebnie najwięcej kobiet oraz mężczyzn podróżowało w klasie 3

Pokaż wykres kołowy śmiertelności do przeżycia dla klasy 1 według podziału na wiek.¶

In [13]:

# Odfiltrowanie klasy 1
class_1_df = df[df['pclass'] == 1.0]

# Podział na wiek
class_1_df['age_group'] = class_1_df['age'].apply(lambda x: 'child' if x < 18 else 'adult')

# Przeliczenie śmiertelności i przeżycia po grupie wiekowej
survived_counts = class_1_df[class_1_df['survived'] == 1].shape[0]
not_survived_children = class_1_df[(class_1_df['survived'] == 0) & (class_1_df['age_group'] == 'child')].shape[0]
not_survived_adults = class_1_df[(class_1_df['survived'] == 0) & (class_1_df['age_group'] == 'adult')].shape[0]

# Przygotowanie danych pod wykres kołowy
total_passengers = class_1_df.shape[0]
not_survived_total = not_survived_children + not_survived_adults
survived_total = total_passengers - not_survived_total

# Zrobienie wykresu
labels = ['Przeżyli', 'Nie przeżyli - dzieci', 'Nie przeżyli - Dorośli']
sizes = [survived_total, not_survived_children, not_survived_adults]
colors = ['#66b3ff', '#ff9999', '#99ff99']

fig, ax = plt.subplots()
ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)
ax.axis('equal')  

C:\Users\tmirk\AppData\Local\Temp\ipykernel_19720\236861734.py:5: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  class_1_df['age_group'] = class_1_df['age'].apply(lambda x: 'child' if x < 18 else 'adult')

Out[13]:

(np.float64(-1.099999739845874),
 np.float64(1.099999095319948),
 np.float64(-1.0999989640946295),
 np.float64(1.0999999506711728))

Pokaż wykres kołowy śmiertelności do przeżycia dla klasy 2 według podziału na wiek.¶

In [14]:

# Odfiltrowanie klasy 2
class_2_df = df[df['pclass'] == 2.0]

# Podział na wiek
class_2_df['age_group'] = class_2_df['age'].apply(lambda x: 'child' if x < 18 else 'adult')

# Przeliczenie śmiertelności i przeżycia po grupie wiekowej
survived_counts = class_2_df[class_2_df['survived'] == 1].shape[0]
not_survived_children = class_2_df[(class_2_df['survived'] == 0) & (class_2_df['age_group'] == 'child')].shape[0]
not_survived_adults = class_2_df[(class_2_df['survived'] == 0) & (class_2_df['age_group'] == 'adult')].shape[0]

# Przygotowanie danych pod wykres kołowy
total_passengers = class_2_df.shape[0]
not_survived_total = not_survived_children + not_survived_adults
survived_total = total_passengers - not_survived_total

# Zrobienie wykresu
labels = ['Przeżyli', 'Nie przeżyli - dzieci', 'Nie przeżyli - Dorośli']
sizes = [survived_total, not_survived_children, not_survived_adults]
colors = ['#66b3ff', '#ff9999', '#99ff99']

fig, ax = plt.subplots()
ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)
ax.axis('equal') 

C:\Users\tmirk\AppData\Local\Temp\ipykernel_19720\2736117718.py:5: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  class_2_df['age_group'] = class_2_df['age'].apply(lambda x: 'child' if x < 18 else 'adult')

Out[14]:

(np.float64(-1.0999930334354537),
 np.float64(1.0999991011840888),
 np.float64(-1.0999994078064712),
 np.float64(1.0999999718003082))

Pokaż wykres kołowy śmiertelności do przeżycia dla klasy 3 według podziału na wiek.¶

In [15]:

# Odfiltrowanie klasy 3
class_3_df = df[df['pclass'] == 3.0]

# Podział na wiek
class_3_df['age_group'] = class_3_df['age'].apply(lambda x: 'child' if x < 18 else 'adult')

# Przeliczenie śmiertelności i przeżycia po grupie wiekowej
survived_counts = class_3_df[class_3_df['survived'] == 1].shape[0]
not_survived_children = class_3_df[(class_3_df['survived'] == 0) & (class_3_df['age_group'] == 'child')].shape[0]
not_survived_adults = class_3_df[(class_3_df['survived'] == 0) & (class_3_df['age_group'] == 'adult')].shape[0]

# Przygotowanie danych pod wykres kołowy
total_passengers = class_3_df.shape[0]
not_survived_total = not_survived_children + not_survived_adults
survived_total = total_passengers - not_survived_total

# Zrobienie wykresu
labels = ['Przeżyli', 'Nie przeżyli - dzieci', 'Nie przeżyli - Dorośli']
sizes = [survived_total, not_survived_children, not_survived_adults]
colors = ['#66b3ff', '#ff9999', '#99ff99']

fig, ax = plt.subplots()
ax.pie(sizes, labels=labels, colors=colors, autopct='%1.1f%%', startangle=90)
ax.axis('equal') 

C:\Users\tmirk\AppData\Local\Temp\ipykernel_19720\2790980588.py:5: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  class_3_df['age_group'] = class_3_df['age'].apply(lambda x: 'child' if x < 18 else 'adult')

Out[15]:

(np.float64(-1.0999998381915566),
 np.float64(1.0999991064053791),
 np.float64(-1.0999987116082428),
 np.float64(1.0999999386480115))

WNIOSKI:¶

Niestety największa śmiertelnośc była w klasie 3 potem w klasie 2 a najmniejsza w klasie 1. Równolegle, dzieci miały największą szanse przeżycia w klasie 1.

To potwierdza, że klasa 1 była klasą najbardziej uprzywilejowaną, jednak macierz korelacji ceny biletu do przeżywalności tego nie potwierdza:

In [16]:

# Przeliczenie macierzy
correlation_matrix = df[['pclass', 'fare', 'survived']].corr()

# Wyrysowanie macierzy
plt.figure(figsize=(8, 6))
sns.heatmap(correlation_matrix, annot=True, cmap='coolwarm', fmt=".2f")
plt.title('Correlation Matrix of Fare by Class to Survival')

Out[16]:

Text(0.5, 1.0, 'Correlation Matrix of Fare by Class to Survival')

Porównanie ceny biletu do przeżycia nie wykazuje korelacji, ale ceny biletu do klasy podróży już pokazują lekką korelację.

Gdy rozbije się tę macierz na poszczególne klasy wtedy lepiej widać zależność ceny od śmiertelności jednak wykresy kołowe pokazują więcej.

In [17]:

# Filter out rows with missing values in 'fare', 'pclass', or 'survived'
df_filtered = df.dropna(subset=['fare', 'pclass', 'survived'])

# Create a correlation matrix for each class
correlation_matrices = {}
for pclass in df_filtered['pclass'].unique():
    class_data = df_filtered[df_filtered['pclass'] == pclass]
    correlation_matrix = class_data[['fare', 'survived']].corr()
    correlation_matrices[pclass] = correlation_matrix

# Plot the correlation matrices
fig, axes = plt.subplots(1, len(correlation_matrices), figsize=(15, 5))
fig.suptitle('Korelacja ceny biletu do przeżywalności według klas')

for ax, (pclass, corr_matrix) in zip(axes, correlation_matrices.items()):
    sns.heatmap(corr_matrix, annot=True, cmap='coolwarm', ax=ax)
    ax.set_title(f'Class {int(pclass)}')

WNIOSKI:¶

• w klasie 1:

śmiertelność dorosłych wyniosła: 35.6%
śmiertelność dzieci wyniosła:    0.7%

• w klasie 2:

śmiertelność dorosłych wyniosła: 54.4%
śmiertelność dzieci wyniosła:    1.5%

• w klasie 3:

śmiertelność dorosłych wyniosła: 60.5%
śmiertelność dzieci wyniosła:    13.4%

Wniosek jaki się sam nasuwa to taki, że wykres zależności ceny od przeżywalności jest nieadekwatny i żeby uzyskać bardziej wiarygodne dane należy posłużyć sie wykresem kołowym osobnym dla każdej z klas. Wtedy na własne oczy możemy ujrzeć jak w rzeczywistości wyglądała sytuacja i gdzie była największa śmiertelność.¶

In [ ]: