第八課：案例分析 - 泰坦尼克數據
本節課將重點分析泰坦尼克號沉船事故，我們將探索是什么因素決定了最后是否生還。
我們將前面課程所學過的知識點融會貫通，舉一反三。
新增知識點：
? ?
? 缺失值處理：pandas中的fillna()方法? ? ?數據透視表：pandas中的pivot_table函數
上篇文章的作業疑惑，其實用下圖是可以簡潔說明的，此圖截屏于 新生大學-解密大數據《Python編程&數據科學入門》線上課程（說明來處，應該沒侵權啊。。）。
對啦，我上的就是這個課，有讀者問到這課程講得那么詳細是什么課，這個介紹一下，就是 新生大學-解密大數據《Python編程&數據科學入門》，感興趣的讀者可以去了解一下。
為什么前面聽了那么久，我都不知道index是行索引，columns是列索引呢？？！
好吧，接下來是正文內容：
3-4 年齡與生還情況
與上面的艙位、性別這些分類變量不同，年齡是一個連續的變量。
生還組和罹難組的年齡分布直方圖
分類變量可以繪制條形圖，連續變量可以繪制直方圖。將泰坦尼克號的數據映射到 hist 函數中，來繪制 Age 這一列的直方圖，并且把區間設成 20，輸出得到年齡分布的直方圖。
這張圖并沒能明顯顯示 FacetGrid 圖表的優勢，由于我們需要的是罹難和生還兩個組的年齡分布，所以這時候可以加一個語句：
這個 col='Survived' 充滿了魔力?。。?！一變二！這里就能顯示生還組（Survived=1）和罹難組( Survived=0 )兩個圖表中年齡的分布了。col代表的是列的屬性，這時把0和1分布在兩個圖表中，為了一致起見，把兩個圖表歸一化，使用normed=True 這個參數，我們能夠看到縱坐標的值改變了，并不是頻數等統計，歸一化的意思就是下面陰影區域的面積為1。
在這個圖可以看到，相對來說，生還組中兒童占比比較大。
結論：兒童有更高的生還可能。
作業 8-3：
考慮艙位因素后，繪制生還組和罹難組的年齡分布直方圖提示：FacetGrid參數中同時設置col和row
年齡是一個連續的值，要是用直方圖來觀察，不是太方便。這里就需要將連續性的變量離散化了：
連續型變量離散化是建模中一種常用的方法
離散化指的是將某個變量的所在區間分割為幾個小區間，落在同一個區間的觀測值用同一個符號表示
以年齡為例，最小值是0.42（嬰兒），最大值是80，如果我們想產生一個五個級（levels），我們可使用cut或者qcut函數
cut函數將年齡的區間均勻分割為5分，而qcut則選取區間以至于每個區間里的觀察值個數都是一樣的（五等分）， 這里演示中使用cut函數。
我們上面的圖中可以看到年齡是0-80歲，我們可以嘗試將它劃分為五等分，等于就是把一個連續的值變成離散的值了，將數值變量變成一個分類變量。
此處離散化的方法是使用 pandas 里面的 cut 函數，首先傳遞給這個函數將要離散化的數據：年齡，后面的5，表示將數據分割成五等分。這里將原本數據的每一行對應到一個區間數據。
然后把這個輸出添加到原來的數據中，通過添加一個新的列，賦值給 AgeBand，代表了年齡區間。
查看落在不同年齡區間里的人數
sort=False 表示不需要將結果排序，上圖是沒有加上這句話的輸出，可以看到區間是按照區間數量的多少進行從大到小的排序的，要是想要把區間捋一捋，將區間從小到大無縫連接地排序，就可以加上 sort=False 這個語句了，下圖是輸出效果：
這里的結果輸出可以看到年齡最小的區間人數有100人，按年齡區間分布最多的是16-32歲之間，老年人最少。
同樣的，得出這樣結果的方法不止一個，我們用 pivot_table 方法進行操作：
因為這里統計的是頻數，values 對應的是非空數值就可以了。這里的主語是年齡區間，所以索引引導的是 AgeBand。也因為這里統計的是頻數，所以聚合函數 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。
查看各個年齡區間的生還率
上面表格可以看到不同年齡區間的生還率，年齡最小區間的生還率是最高的，有55.5%，中堅力量三個區間的生還率不相上下，老年人最低，只有9%，從上面看到老年人只有11人，應該就是只有個別老人成功逃離了。。。
按照套路，我們下面到了繪制圖表的時間啦！
這個圖標的橫坐標每個數據有點長，相互打架了。所以我們進行設置：
plt.xticks 這個函數我們之前提到過的，一般是用來調整坐標軸，可以通過旋轉角度，對圖表進行調整。這里 rotation=60，表示旋轉的度數為 60 度，然后可以看到輸出。
結論：兒童的生還率更高。
以上是單獨看年齡／性別／艙位和生還率的關系，下面我們綜合不止一個因素來看生還率。
3-5 年齡、性別 與生還概率
這里設置行索引 index 是年齡區間 AgeBand ，列索引 columns 是性別 Sex，聚合函數 aggfunc 是 numpy 的平均值。
第八課講到挺多這樣結構的案例的，前面我搞得挺迷糊，昨天在地鐵上忍不住打開電腦敲代碼的時候，真的發現這東西因為太簡潔了，所以邏輯性特別強。比如這里需要看年齡和性別兩個因素同時與生還概率的關系，所以是用了二重索引來作為分支，數字是生還率，所以 values 是等于生還率的，我的理解就是主語是這些數字，主要就是為了展示主語。然后有分支分類的從句，對句子進行補充，行索引 是年齡區間，列索引 是性別，我的理解就是 行索引 和 列索引 的關系是并列的，然后同時從屬于主句，為生還率這個主語服務。得出來的輸出就是 在某年齡區間，男性的生還率和女性的生還率分別是多少。這段話是文科生說給文科生聽的??
接下來是繪制圖表：
這里會自動幫你把Y軸 survived 這個數據求平均。不過這張圖只有一條折線，因為這里還沒有進行按性別來分組。折線圖的分組句型記得啊！是hue！加上要修改距離打架的X軸，下面兩處改動：
這張折線圖可以看到，綠色代表的女性生還率無論在哪個年齡區間都是大于男性的，而且女性的生還率隨年齡的增加也在遞增。對于男性來說，也就是藍色那條線的代表值，幼者生還率最大，年長的生還率都低于20%。老師說，從這幅圖可以看出營救的策略應該是兒童優先，然后女性優先。
3-6 年齡、艙位、性別 與生還概率
我覺得要是前面說給文科生的那段話理解清楚，或者知道那段話代表的內容能理解清楚，這里加多一個因素的時候，不會那么慌。這里加了一個艙位的分支。看到最后一行輸出，老年組女性的值是NaN，這一區間，無人生還。
看數據會有點懵，接下來繪制折線圖，直觀點吧！
上圖并沒有年齡區間的劃分，這個函數不合適有三重索引地表達吧。所以下面要引進另一個函數，正確表達年齡，艙位，性別和生還概率的關系。
把年齡區間放在row上，按照年齡區間來分圖，老師說到第二句代碼map的時候，說把sns.pointplot，也就是上面運行的結果，映射到新賦值的函數中，我就想，反正都把結果弄上去了，為什么后面還要加上橫縱坐標以及分類的參數呢，所以就試了一下不放其他參數的結果：
結果就是，五個空圖，有年齡區間，有頻數，就是沒有參數的內容。不能偷懶啊不能偷懶～～????
因為上面正確輸出的圖不是太完美，所以要進行調整：
aspect是長寬比等于1.5倍，還是胖一點好看??????
palette是調色板，用內置的色板進行調整，然后那條幾乎隱形的白線終于顯示出來了，變成綠色了。綠色代表女性數據，藍色代表男性數據。
然而。。。這還沒完，看上面五張圖，幾乎都是綠色在上面，也就是女性生還率高于男性，但是在第三個圖，也就是年齡區間在32到48歲之間的綠色線是在藍色線下面的?。。〔豢赡馨?，翻看前面的數據表格，也是女性生還率高啊！然后老師說，這里藍色和綠色代表的數值調換了，也就是這張圖中的藍色代表女性，綠色代表男性。為什么呢？老師沒說??
這里的設置是加一句 hue_order=[ 'male' , 'female' ] ，此處用的是列表形式擴住參數。然后就正常了：
老師說，對上圖的色板配色感興趣的，可以去這個鏈接：palette 配色參考?https://seaborn.pydata.org/tutorial/color_palettes.html?highlight=palette
哈我就沒多大要求了，默認隱藏的夠用就行，你們拿去收藏吧！??
作業8-4:
綜合考慮性別，艙位和登船碼頭三個因素，計算其生還概率，并在一副圖中探索它們和生還概率的關系。
來來來總結一下第八課的內容，我們一開篇就提出一個問題：生還率和什么因素有關，然后拿到了原始數據，數據通過清洗填充了缺失值，然后看單個因素和生還率的關系，再看多個因素和生還率的關系，進行可視化圖表的繪制更容易得出結論，看下圖（我又侵權了嗎。。。??外框綠色蝴蝶是新生大學Logo，內框那只老虎是解密大數據團隊Logo）
第八課終于結束了，老淚縱橫。。。寫不完的第八課??????今晚上第九課啦?。?！預習資料還沒看??抓緊時間
