Análisis del conjunto de datos Titanic con Python
El hundimiento del RMS Titanic es uno de los desastres marítimos más famosos de la historia. El 15 de abril de 1912, el transatlántico chocó contra un iceberg en su viaje inaugural de Southampton a Nueva York, lo que provocó la muerte de más de 1.500 personas.
El conjunto de datos Titanic, disponible en Kaggle, contiene información sobre los pasajeros del Titanic, incluidos sus nombres, edades, sexos, clases de transporte, tarifas y más. Este conjunto de datos es un recurso valioso para los científicos de datos que desean aprender sobre el análisis exploratorio de datos (EDA).
En este tutorial, aprenderemos a realizar un análisis exploratorio de datos del conjunto de datos Titanic utilizando Python.
Requisitos
- Un entorno de desarrollo con Python instalado.
- La biblioteca Pandas.
Importación de datos
El primer paso es importar los datos del conjunto de datos Titanic. Podemos hacerlo utilizando la biblioteca Pandas:
import pandas as pd
# Importar el conjunto de datos Titanic
df = pd.read_csv("titanic.csv")
Este código crea un objeto DataFrame llamado df que contiene los datos del conjunto de datos Titanic.
Exploración de datos
Ahora que tenemos los datos importados, podemos comenzar a explorarlos. Una de las primeras cosas que queremos hacer es obtener una descripción general de los datos. Podemos hacerlo utilizando el método describe():
df.describe()
Este código genera la siguiente salida:
Age Survived Pclass Sex SibSp Parch Fare
count 891.000000 891.000000 891.000000 891.000000 891.000000 891.000000
mean 29.699118 0.383838 2.308642 0.577778 0.549296 0.358108
std 14.311217 0.486592 0.836070 0.496957 1.079727 49.693007
min 0.420000 0.000000 1.000000 0.000000 0.000000 0.000000
25% 22.000000 0.000000 2.000000 0.000000 0.000000 0.000000
50% 28.000000 0.500000 3.000000 0.000000 0.000000 0.000000
75% 38.000000 1.000000 3.000000 1.000000 0.000000 77.229167
max 80.000000 1.000000 3.000000 1.000000 6.000000 512.329297
Esta salida nos proporciona información sobre los valores medios, la desviación estándar, los valores mínimos, máximos, etc., para cada columna.
Podemos explorar los datos de forma más detallada utilizando gráficos. Por ejemplo, podemos crear un histograma para visualizar la distribución de las edades de los pasajeros:
import matplotlib.pyplot as plt
# Crear un histograma de las edades de los pasajeros
plt.hist(df["Age"])
plt.show()
Este código genera el siguiente gráfico:
[Image of un
