第八课：案例分析 - 泰坦尼克数据
本节课将重点分析泰坦尼克号沉船事故，我们将探索是什么因素决定了最后是否生还。
我们将前面课程所学过的知识点融会贯通，举一反三。
新增知识点：
缺失值处理：pandas中的fillna()方法数据透视表：pandas中的pivot_table函数
上篇文章的作业疑惑，其实用下图是可以简洁说明的，此图截屏于 新生大学-解密大数据《Python编程&数据科学入门》线上课程（说明来处，应该没侵权啊。。）。
对啦，我上的就是这个课，有读者问到这课程讲得那么详细是什么课，这个介绍一下，就是 新生大学-解密大数据《Python编程&数据科学入门》，感兴趣的读者可以去了解一下。
为什么前面听了那么久，我都不知道index是行索引，columns是列索引呢？？！
好吧，接下来是正文内容：
3-4 年龄与生还情况
与上面的舱位、性别这些分类变量不同，年龄是一个连续的变量。
生还组和罹难组的年龄分布直方图
分类变量可以绘制条形图，连续变量可以绘制直方图。将泰坦尼克号的数据映射到 hist 函数中，来绘制 Age 这一列的直方图，并且把区间设成 20，输出得到年龄分布的直方图。
这张图并没能明显显示 FacetGrid 图表的优势，由于我们需要的是罹难和生还两个组的年龄分布，所以这时候可以加一个语句：
这个 col='Survived' 充满了魔力啊！！！一变二！这里就能显示生还组（Survived=1）和罹难组( Survived=0 )两个图表中年龄的分布了。col代表的是列的属性，这时把0和1分布在两个图表中，为了一致起见，把两个图表归一化，使用normed=True 这个参数，我们能够看到纵坐标的值改变了，并不是频数等统计，归一化的意思就是下面阴影区域的面积为1。
在这个图可以看到，相对来说，生还组中儿童占比比较大。
结论：儿童有更高的生还可能。
作业 8-3：
考虑舱位因素后，绘制生还组和罹难组的年龄分布直方图提示：FacetGrid参数中同时设置col和row
年龄是一个连续的值，要是用直方图来观察，不是太方便。这里就需要将连续性的变量离散化了：
连续型变量离散化是建模中一种常用的方法
离散化指的是将某个变量的所在区间分割为几个小区间，落在同一个区间的观测值用同一个符号表示
以年龄为例，最小值是0.42（婴儿），最大值是80，如果我们想产生一个五个级（levels），我们可使用cut或者qcut函数
cut函数将年龄的区间均匀分割为5分，而qcut则选取区间以至于每个区间里的观察值个数都是一样的（五等分）， 这里演示中使用cut函数。
我们上面的图中可以看到年龄是0-80岁，我们可以尝试将它划分为五等分，等于就是把一个连续的值变成离散的值了，将数值变量变成一个分类变量。
此处离散化的方法是使用 pandas 里面的 cut 函数，首先传递给这个函数将要离散化的数据：年龄，后面的5，表示将数据分割成五等分。这里将原本数据的每一行对应到一个区间数据。
然后把这个输出添加到原来的数据中，通过添加一个新的列，赋值给 AgeBand，代表了年龄区间。
查看落在不同年龄区间里的人数
sort=False 表示不需要将结果排序，上图是没有加上这句话的输出，可以看到区间是按照区间数量的多少进行从大到小的排序的，要是想要把区间捋一捋，将区间从小到大无缝连接地排序，就可以加上 sort=False 这个语句了，下图是输出效果：
这里的结果输出可以看到年龄最小的区间人数有100人，按年龄区间分布最多的是16-32岁之间，老年人最少。
同样的，得出这样结果的方法不止一个，我们用 pivot_table 方法进行操作：
因为这里统计的是频数，values 对应的是非空数值就可以了。这里的主语是年龄区间，所以索引引导的是 AgeBand。也因为这里统计的是频数，所以聚合函数 aggfunc 的值是 count。
方法一和方法二不同的是，方法一是Series格式，方法二是DataFrame格式。
查看各个年龄区间的生还率
上面表格可以看到不同年龄区间的生还率，年龄最小区间的生还率是最高的，有55.5%，中坚力量三个区间的生还率不相上下，老年人最低，只有9%，从上面看到老年人只有11人，应该就是只有个别老人成功逃离了。。。
按照套路，我们下面到了绘制图表的时间啦！
这个图标的横坐标每个数据有点长，相互打架了。所以我们进行设置：
plt.xticks 这个函数我们之前提到过的，一般是用来调整坐标轴，可以通过旋转角度，对图表进行调整。这里 rotation=60，表示旋转的度数为 60 度，然后可以看到输出。
结论：儿童的生还率更高。
以上是单独看年龄／性别／舱位和生还率的关系，下面我们综合不止一个因素来看生还率。
3-5 年龄、性别 与生还概率
这里设置行索引 index 是年龄区间 AgeBand ，列索引 columns 是性别 Sex，聚合函数 aggfunc 是 numpy 的平均值。
第八课讲到挺多这样结构的案例的，前面我搞得挺迷糊，昨天在地铁上忍不住打开电脑敲代码的时候，真的发现这东西因为太简洁了，所以逻辑性特别强。比如这里需要看年龄和性别两个因素同时与生还概率的关系，所以是用了二重索引来作为分支，数字是生还率，所以 values 是等于生还率的，我的理解就是主语是这些数字，主要就是为了展示主语。然后有分支分类的从句，对句子进行补充，行索引 是年龄区间，列索引 是性别，我的理解就是 行索引 和 列索引 的关系是并列的，然后同时从属于主句，为生还率这个主语服务。得出来的输出就是 在某年龄区间，男性的生还率和女性的生还率分别是多少。这段话是文科生说给文科生听的🤓
接下来是绘制图表：
这里会自动帮你把Y轴 survived 这个数据求平均。不过这张图只有一条折线，因为这里还没有进行按性别来分组。折线图的分组句型记得啊！是hue！加上要修改距离打架的X轴，下面两处改动：
这张折线图可以看到，绿色代表的女性生还率无论在哪个年龄区间都是大于男性的，而且女性的生还率随年龄的增加也在递增。对于男性来说，也就是蓝色那条线的代表值，幼者生还率最大，年长的生还率都低于20%。老师说，从这幅图可以看出营救的策略应该是儿童优先，然后女性优先。
3-6 年龄、舱位、性别 与生还概率
我觉得要是前面说给文科生的那段话理解清楚，或者知道那段话代表的内容能理解清楚，这里加多一个因素的时候，不会那么慌。这里加了一个舱位的分支。看到最后一行输出，老年组女性的值是NaN，这一区间，无人生还。
看数据会有点懵，接下来绘制折线图，直观点吧！
上图并没有年龄区间的划分，这个函数不合适有三重索引地表达吧。所以下面要引进另一个函数，正确表达年龄，舱位，性别和生还概率的关系。
把年龄区间放在row上，按照年龄区间来分图，老师说到第二句代码map的时候，说把sns.pointplot，也就是上面运行的结果，映射到新赋值的函数中，我就想，反正都把结果弄上去了，为什么后面还要加上横纵坐标以及分类的参数呢，所以就试了一下不放其他参数的结果：
结果就是，五个空图，有年龄区间，有频数，就是没有参数的内容。不能偷懒啊不能偷懒～～🙈🙈
因为上面正确输出的图不是太完美，所以要进行调整：
aspect是长宽比等于1.5倍，还是胖一点好看😂😂😂
palette是调色板，用内置的色板进行调整，然后那条几乎隐形的白线终于显示出来了，变成绿色了。绿色代表女性数据，蓝色代表男性数据。
然而。。。这还没完，看上面五张图，几乎都是绿色在上面，也就是女性生还率高于男性，但是在第三个图，也就是年龄区间在32到48岁之间的绿色线是在蓝色线下面的！！！不可能啊，翻看前面的数据表格，也是女性生还率高啊！然后老师说，这里蓝色和绿色代表的数值调换了，也就是这张图中的蓝色代表女性，绿色代表男性。为什么呢？老师没说🙈
这里的设置是加一句 hue_order=[ 'male' , 'female' ] ，此处用的是列表形式扩住参数。然后就正常了：
老师说，对上图的色板配色感兴趣的，可以去这个链接：palette 配色参考 https://seaborn.pydata.org/tutorial/color_palettes.html?highlight=palette
哈我就没多大要求了，默认隐藏的够用就行，你们拿去收藏吧！🤓
作业8-4:
综合考虑性别，舱位和登船码头三个因素，计算其生还概率，并在一副图中探索它们和生还概率的关系。
来来来总结一下第八课的内容，我们一开篇就提出一个问题：生还率和什么因素有关，然后拿到了原始数据，数据通过清洗填充了缺失值，然后看单个因素和生还率的关系，再看多个因素和生还率的关系，进行可视化图表的绘制更容易得出结论，看下图（我又侵权了吗。。。🙈外框绿色蝴蝶是新生大学Logo，内框那只老虎是解密大数据团队Logo）
第八课终于结束了，老泪纵横。。。写不完的第八课😭😭😭今晚上第九课啦！！！预习资料还没看😤抓紧时间
