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)
#读入文件,显示前5行数据 import pandas as pd titanic=pd.DataFrame(pd.read_excel('titanic-2.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()
#删除重复值 titanic = titanic.drop_duplicates() titanic.head()
#统计空值的个数 titanic['who'].isnull().value_counts()
#使用fillna方法填充空值 titanic['who']=titanic['who'].fillna('man') titanic
#查看空值行数 titanic['age'].isnull().value_counts()
#使用fillna为age列填充平均值 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()
2.统计乘客中男女性别人数
titanic['sex'].value_counts()
3.统计男女获救的人数
titanic['sex'][titanic['survived']==1].value_counts()
4.统计乘客所在的船舱等级的人数
titanic['class'].value_counts()
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'])
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:船舱等级越高,费用越高。