데이터 분석 및 시각화

Polars와 Matplotlib을 사용하여 Titanic 데이터를 분석 및 시각화해보았다.

Library 설치하기

1. cmd창을 연다.

2. 설치하려는 라이브러리에 맞게 아래 코드를 입력한다.

pip install '라이브러리 이름'

데이터 불러오기

seaborn 라이브러리의 Titanic 데이터을 사용함.

import seaborn as sns

dataset = sns.load_dataset('titanic')

print(dataset) # 확인을 위한 출력

데이터 전처리

polars.DataFrame 으로 바꾸기

# 필요한 열만 추출 후 영어로 된 값들을 한국어로 바꿈

import polars as pl

map = {True: '생존', False: '사망'}
df = pl.DataFrame(pl.Series('생존 여부', [map[i] for i in dataset['survived']]))

map = {'male': '남', 'female': '여'}
df.insert_column(df.width, pl.Series('성별', [map[i] for i in dataset['sex']]))

df.insert_column(df.width, pl.Series('나이', [(i // 10 * 10) for i in dataset['age']]))

map = {'man': '성인', 'woman': '성인', 'child': '미성년자'}
df.insert_column(df.width, pl.Series('미성년자 여부', [map[i] for i in dataset['who']]))

df.insert_column(df.width, pl.Series('동승자 수', dataset['sibsp'] + dataset['parch']))

print(df) # 확인을 위한 출력

• DataFrame(): polars.DataFrame으로 만듦
• Series(): polars.Series으로 만듦
• insert_column(): 데이터 프레임에 열 추가

데이터 시각화 및 분석

# 한글 깨짐 현상 방지(Windows)

import matplotlib.pyplot as plt

plt.rcParams['font.family'] = 'Malgun Gothic'

1. 생존 여부에 대한 원 그래프

# 필요한 데이터 추출

survived = df.group_by('생존 여부').len(name='인원 수')

print(survived) # 확인을 위한 출력

• group_by(‘열 이름’): 특정 열에 대한 값을 기준으로 그룹을 나눔
• len(): group_by에 대한 속성, 해당 열에 대한 값을 가지는 행의 개수를 셈

# 그래프 그리기

plt.pie(survived['인원 수'], labels=survived['생존 여부'], autopct='%.1f%%', explode=[0.1, 0], shadow=True, colors=['lightgray', 'palegreen'])

plt.show() # 그래프 출력

• labels: 각 영역 이름
• autopct: 부채꼴 안에 표시될 숫자의 형식 지정
• explode: 중심에서 벗어나는 정도 설정
• shadow: 그림자
• colors: 각 영역의 색상 설정

그래프 및 분석

• 생존한 탑승객보다 사망한 탑승객이 약 1.5배 가량 많다는 것을 알 수 있다.

2. 전체 탑승객의 성별 비율에 대한 원 그래프

# 필요한 데이터 추출

sex = df.group_by('성별').len(name='인원 수')

print(sex) # 확인을 위한 출력

# 그래프 그리기

plt.pie(sex['인원 수'], labels=sex['성별'], autopct='%.1f%%', explode=[0.1, 0], shadow=True, colors=['pink', 'skyblue'])

plt.show() # 그래프 출력

그래프 및 분석

• 남성이 여성보다 약 2배 가량 더 많았음을 알 수 있다.

3. 성별과 생존 여부에 대한 막대 그래프

# 데이터 추출 없이 바로 그래프 그림

sns.countplot(data=df, x='성별', hue='생존 여부', palette=['lightgray', 'palegreen'])

• data: 사용할 데이터
• x: x축에 사용할 열
• hue: 카테고리 구분 기준 추가
• palette: 색상 설정

그래프 및 분석

• 위의 2번째 분석에 따라 남성의 수가 여성의 수보다 많다는 걸 알 수 있다.
• 남성은 사망자의 수가 생존자의 수보다 약 4배 이상 많다는 걸 알 수 있다.
• 여성은 생존자의 수가 사망자의 수보다 약 2.5배 많다는 걸 알 수 있다.
• 남성보다는 여성이 우선적으로 구조됐다고 예상할 수 있다.

4. 나이대와 생존 여부에 대한 막대 그래프

# 필요한 데이터 추출

import math

# 필요한 데이터 리스트로 추출
age = []
for i in df['나이']:
    if math.isnan(i):
        age.append('불명')
    else:
        age.append(str(int(i)) + '대')
        
# polars.DataFrame 으로 변경 후 '생존 여부' 열 추가
age = pl.DataFrame(pl.Series('나이대', age))
age.insert_column(0, df['생존 여부'])

print(age) # 확인을 위한 출력

• NaN: 결측치
• math.isnan(): 괄호 안의 값이 결측치이면 True, 아니면 False 반환
• sort(): group_by에 대한 속성, 괄호 안의 열을 기준으로 정렬

# 그래프 그리기

sns.countplot(data=age, x='나이대', hue='생존 여부', palette=['lightgray', 'palegreen'], order=age.group_by('나이대').len().sort('나이대')['나이대'])

• order: 주어진 값을 기준으로 정렬

그래프 및 분석

• 10~70대는 모두 사망자의 비율이 더 높다.
• 노약자를 우선적으로 구조했다는 것을 예상해 볼 수 있다.
• 나이를 알 수 없는 탑승자의 수가 많다는 것을 알 수 있다.
• 이외에는 20~30대가 많다는 것을 알 수 있다.

5. 나이대와 생존 여부에 대한 상자 그래프

# 필요한 데이터 추출

age = [[], []] # boxplot에는 리스트가 사용되기에 필요한 데이터를 리스트로 추출

for i in range(df.height):
    if(not math.isnan(df.row(i)[4])):
        if df.row(i)[0] == '생존':
            age[0].append(df.row(i)[4])
        else:
            age[1].append(df.row(i)[4])
        
print(age[0]) # 확인을 위한 출력
print(age[1]) # 확인을 위한 출력

# 그래프 그리기

plt.boxplot(age)
plt.xticks([1, 2], ['생존', '사망'])

plt.show() # 그래프 출력

• xticks(): x축의 이름

그래프 및 분석

• 위의 4번째 분석을 통해 결측치가 많다는 것을 알았다.
• 그로인해 이 그래프는 정확한 분석을 하기에는 부적절하다고 생각한다.
• 80대 탑승객은 생존했음을 알 수 있다.
• 0~10대의 어린 탑승객들은 대부분이 생존자에 속한다는 것을 알 수 있다.
• 사망자의 대부분은 20대라는 것을 알 수 있다.

6. 동승자 수에 대한 원 그래프

# 필요한 데이터 추출
family = df.group_by('동승자 수').len('인원 수').sort('동승자 수')

print(family) # 확인을 위한 출력

# 그래프 그리기

plt.pie(family['인원 수'], labels=family['동승자 수'], autopct='%.1f%%', explode=[0, 0.1, 0.1, 0.1, 0.2, 0.2, 0.2, 0.2, 0.2], shadow=True, colors=['pink', 'skyblue', 'lightcoral', 'orange', 'yellow', 'palegreen', 'aquamarine', 'violet', 'cornflowerblue'])

plt.show() # 그래프 출력

그래프 및 분석

• 혼자 탑승한 사람이 대부분이라는 것을 알 수 있다.
• 이외에도 1~2명 정도만 같이 탑승한 사람이 많고, 나머지는 별로 없다.

7. 동승자 수와 생존 여부에 대한 막대 그래프

# 데이터 추출 없이 바로 그래프 그림

sns.countplot(data=df, x='동승자 수', hue='생존 여부', palette=['palegreen', 'lightgray'])

그래프 및 분석

• 위의 5번째 분석에 따라 혼자 탑승한 탑승객이 대부분이라는 것을 한번 더 확인할 수 있다.
• 동승자가 4명 이상인 경우에는 대부분이 사망했다는 것을 알 수 있다.
• 동승자가 1~3명인 경우에는 사망자보다는 생존자 비율이 더 높다는 것을 알 수 있다.

---