タイタニックデータでEDA

タイタニックデータでEDAを実施する。

まずはライブラリの読み込み

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline

 

初期化

sns.set_style('whitegrid')

データを読み込む

d_train = pd.read_csv('titanic_train.csv')

基本情報の取得

d_train.head()
d_train.describe() 

 

d_train.info()
'
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
PassengerId    891 non-null int64
Survived       891 non-null int64
Pclass         891 non-null int64
Name           891 non-null object
Sex            891 non-null object
Age            714 non-null float64
SibSp          891 non-null int64
Parch          891 non-null int64
Ticket         891 non-null object
Fare           891 non-null float64
Cabin          204 non-null object
Embarked       889 non-null object
dtypes: float64(2), int64(5), object(5)

 

欠落データの取得

sns.heatmap(d_train.isnull())

 

sns.heatmap(d_train == 0) 

ユニーク値の件数

d_train.nunique()
'
PassengerId    891
Survived         2
Pclass           3
Name           891
Sex              2
Age             88
SibSp            7
Parch            7
Ticket         681
Fare           248
Cabin          147
Embarked         3

 

目的変数である生存フラグについて内訳を調べる

sns.countplot(x='Survived', data=d_train)

ユニーク値が少ないPClass, Sex, Embarkedで内訳をみてみる。

sns.countplot(x='Survived', hue='Sex', data=d_train)

 

sns.countplot(x='Survived', hue='PClass', data=d_train)

sns.countplot(x='Survived', hue='Embarked', data=d_train)

連続尺度についてグラフ表示

sns.distplot(d_train['Age'].dropna(),kde=False, bins=30)

sns.distplot(d_train['Fare'].dropna(),kde=False ) 

生存フラグについて連続尺度である従属変数により違いがあるか見てみる。

plt.figure(figsize=(12, 7))
sns.boxplot(x='Survied',y='Age',data=d_train)

plt.figure(figsize=(12, 7))
sns.boxplot(x='Survied',y='Fare',data=d_train)

データ間の関連を調べる

jointplot