🚢 Python数据分析：用逻辑回归预测泰坦尼克号幸存情况项目实战
大家好，我是你们的Python数据分析小伙伴！今天带大家完成一个经典的数据分析项目——泰坦尼克号幸存预测。我们将基于乘客的性别、船舱等级等属性，建立逻辑回归模型，预测每位乘客在沉船事件中是否幸存。
整个过程遵循数据分析的标准流程：读取数据 → 数据清洗 → 数据整理 → 探索性分析 → 建模预测 → 结果解读。让我们开始吧！
📌 分析目标
根据泰坦尼克号乘客的性别、船舱等级、年龄、家庭成员数量等属性，训练一个逻辑回归模型，用来预测未知幸存情况的乘客是否生还。
📖 简介
❝泰坦尼克号（RMS Titanic）是20世纪初最大的客运轮船，1912年首航时撞上冰山沉没，造成超过1500人遇难，是人类历史上最著名的海难之一。
我们使用的数据集包含两个文件：
titanic_train.csv：训练集，包含891名乘客的幸存标签及个人信息。titanic_test.csv：测试集，包含418名乘客的信息（无幸存标签），用于最终预测。
📂 读取数据
首先导入必要的库：numpy、pandas、matplotlib、seaborn。
import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as sns
读取训练数据并预览前5行：
original_titanic_train = pd.read_csv("titanic_train.csv")original_titanic_train.head()
🔍 评估和清理数据
我们将原始数据复制一份用于清洗，避免破坏原始数据。
cleaned_titanic_train = original_titanic_train.copy()
📐 数据整齐度
查看数据前10行，发现符合“每个变量为一列，每个观察值为一行”的原则，没有结构性问题。
cleaned_titanic_train.head(10)
🧹 数据干净度
使用info()查看数据概况：
cleaned_titanic_train.info()
输出显示：Age、Cabin、Embarked存在缺失值；PassengerId应为字符串；Survived、Pclass、Sex、Embarked应为分类变量。
转换数据类型：
cleaned_titanic_train['PassengerId'] = cleaned_titanic_train['PassengerId'].astype('str')cleaned_titanic_train['Survived'] = cleaned_titanic_train['Survived'].astype('category')cleaned_titanic_train['Pclass'] = cleaned_titanic_train['Pclass'].astype('category')cleaned_titanic_train['Sex'] = cleaned_titanic_train['Sex'].astype('category')cleaned_titanic_train['Embarked'] = cleaned_titanic_train['Embarked'].astype('category')
再次info()确认。
🕳️ 处理缺失数据
- Age：有177个缺失值（约占20%）。用平均值填充。
average_age = cleaned_titanic_train['Age'].mean()cleaned_titanic_train['Age'] = cleaned_titanic_train['Age'].fillna(average_age)
Cabin：缺失687个，且我们认为船舱号对幸存影响不大，保留缺失。
Embarked：仅缺失2个，且登船港口对幸存影响不大，保留缺失。
🔁 处理重复数据
检查PassengerId是否重复，结果为0，无重复。
⚖️ 处理不一致数据
查看分类变量的取值分布，均无异常。
cleaned_titanic_train["Survived"].value_counts()cleaned_titanic_train["Pclass"].value_counts()cleaned_titanic_train["Sex"].value_counts()cleaned_titanic_train["Embarked"].value_counts()
❌ 处理无效或错误数据
用describe()查看数值变量的统计信息，数值均在合理范围内。
🧩 整理数据
我们创建一个新变量 FamilyNum，表示同乘家庭成员总数（SibSp + Parch），以便分析家庭成员数量对幸存的影响。
cleaned_titanic_train['FamilyNum'] = cleaned_titanic_train['SibSp'] + cleaned_titanic_train['Parch']
📊 探索数据
通过可视化，初步探索各变量与幸存的关系。
🥧 幸存比例
survived_count = cleaned_titanic_train['Survived'].value_counts()plt.pie(survived_count, labels=survived_count.index, autopct='%.1f%%')plt.show()
结果：遇难者约占61.6%，幸存者约占38.4%，比例约为3:2。
📈 乘客年龄分布
figure, axes = plt.subplots(1, 2)sns.histplot(cleaned_titanic_train, x='Age', ax=axes[0])sns.boxplot(cleaned_titanic_train, y='Age', ax=axes[1])plt.show()
观察：乘客年龄集中在20-40岁，也有不少老人和婴儿。
🎂 年龄与幸存关系
sns.histplot(cleaned_titanic_train, x='Age', hue='Survived', alpha=0.4)plt.show()
发现：婴儿幸存比例较高，其他年龄段遇难者更多。
💰 船票金额分布
figure, axes = plt.subplots(1, 2, figsize=[15, 7])sns.histplot(cleaned_titanic_train, x='Fare', ax=axes[0])sns.boxplot(cleaned_titanic_train, y='Fare', ax=axes[1])plt.show()
观察：票价呈右偏分布，多数票价中等，少数极高。
🛳️ 船舱等级与幸存
figure, axes = plt.subplots(1, 2)pclass_count = cleaned_titanic_train['Pclass'].value_counts()axes[0].pie(pclass_count, labels=pclass_count.index)sns.countplot(cleaned_titanic_train, x='Pclass', hue='Survived', ax=axes[1])plt.show()
发现：一等舱幸存比例高，三等舱遇难比例高。
👫 性别与幸存
figure, axes = plt.subplots(1, 2)sex_count = cleaned_titanic_train['Sex'].value_counts()axes[0].pie(sex_count, labels=sex_count.index)sns.countplot(cleaned_titanic_train, x='Survived', hue='Sex', ax=axes[1])plt.show()
发现：女性幸存比例远高于男性。
🚢 登船港口与幸存
figure, axes = plt.subplots(1, 2)embarked_count = cleaned_titanic_train['Embarked'].value_counts()axes[0].pie(embarked_count, labels=embarked_count.index)sns.countplot(cleaned_titanic_train, x='Embarked', hue='Survived', ax=axes[1])plt.show()
发现：瑟堡（C）登船的乘客幸存较多，南安普敦（S）和皇后镇（Q）反之。
👨👩👧 家庭成员数量与幸存
figure, axes = plt.subplots(1, 2)familyNum_count = cleaned_titanic_train['FamilyNum'].value_counts()axes[0].pie(familyNum_count, labels=familyNum_count.index)sns.countplot(cleaned_titanic_train, x='FamilyNum', hue='Survived', ax=axes[1])plt.show()
发现：独身乘客遇难多；家庭成员1-3人幸存较多；超过3人遇难增多。
📈 分析数据——建立逻辑回归模型
准备数据
创建lr_titanic_train副本，并移除无关变量。
lr_titanic_train = cleaned_titanic_train.copy()lr_titanic_train = lr_titanic_train.drop(['PassengerId', 'Name', 'Ticket', 'Cabin', 'Embarked'], axis=1)
生成虚拟变量
对Pclass和Sex进行独热编码（去掉第一个类别避免多重共线性）。
lr_titanic_train = pd.get_dummies(lr_titanic_train, drop_first=True, columns=['Pclass', 'Sex'], dtype=int)
划分因变量和自变量
y = lr_titanic_train['Survived']X = lr_titanic_train.drop(['Survived'], axis=1)
检查多重共线性
查看自变量之间的相关系数矩阵。
X.corr()
发现SibSp和FamilyNum相关性高达0.89，Parch和FamilyNum相关性0.78，接近0.8。为避免共线性，移除SibSp和Parch，保留FamilyNum。
X = X.drop(['Parch', 'SibSp'], axis=1)
添加截距项
import statsmodels.api as smX = sm.add_constant(X)
第一次拟合模型
model = sm.Logit(y, X).fit()model.summary()
输出显示Fare的p值=0.190 > 0.05，不显著，将其移除。
第二次拟合模型（移除Fare）
X = X.drop(['Fare'], axis=1)model = sm.Logit(y, X).fit()model.summary()
所有变量p值均小于0.05，模型收敛，伪R方为0.3323。
解释模型系数
计算各变量的优势比（exp(coef)）：
# Agenp.exp(-0.0395) # 0.9613 → 年龄每增加1岁，幸存概率降低约4%# FamilyNumnp.exp(-0.2186) # 0.8036 → 每多1位家庭成员，幸存概率降低约20%# Pclass_2np.exp(-1.1798) # 0.3073 → 二等舱幸存概率比一等舱低约69%# Pclass_3np.exp(-2.3458) # 0.0958 → 三等舱幸存概率比一等舱低约90%# Sex_malenp.exp(-2.7854) # 0.0617 → 男性幸存概率比女性低约94%
结论：
- 年龄小、女性、船舱等级高、家庭成员少的乘客幸存概率更高。
🔮 对测试集进行预测
读取测试数据
titanic_test = pd.read_csv("titanic_test.csv")titanic_test.info()
测试集有418条记录，Age缺失86条，Fare缺失1条。
处理缺失值
用Age均值填充年龄缺失。
titanic_test['Age'] = titanic_test['Age'].fillna(titanic_test['Age'].mean())
设置分类变量的类别（防止虚拟变量遗漏）
titanic_test['Pclass'] = pd.Categorical(titanic_test['Pclass'], categories=['1', '2', '3'])titanic_test['Sex'] = pd.Categorical(titanic_test['Sex'], categories=['female', 'male'])titanic_test['Embarked'] = pd.Categorical(titanic_test['Embarked'], categories=['C', 'Q', 'S'])
生成虚拟变量
titanic_test = pd.get_dummies(titanic_test, drop_first=True, columns=['Pclass', 'Sex'], dtype=int)
创建家庭人数变量
titanic_test['FamilyNum'] = titanic_test['SibSp'] + titanic_test['Parch']
准备预测输入
X_test = titanic_test[['Age', 'FamilyNum', 'Pclass_2', 'Pclass_3', 'Sex_male']]X_test = sm.add_constant(X_test)
预测幸存概率
predicted_value = model.predict(X_test)predicted_value
二分类结果（概率≥0.5为幸存）
predicted_value > 0.5
最终得到了418名乘客的预测结果。
