개인 스터티_Titanic(1)

라라·2025년 7월 2일

인사이트

목록 보기

2/2

주제: 탑승 위치와 탑승 클래스 별 생존율

가설 1 : 탑승 위치에 따라 생존률이 다를 것이다.

가설 2 : 탑승 클래스에 따라 생존률이 다를 것이다.

가설 1 부터 정리

[타이나닉 탑승 위치 정리]

출항: 영국 사우샘프턴(S) ➡️ 기항: 프랑스 셰르부르(C) ➡️ 아일랜드 퀸즈타운(Q) ➡️ 침몰: 북대서양

#탑승위치 값 확인하기
titanic['Embarked'].value_counts()

#탑승위치 결측치 확인하기
titanic['Embarked'].info()

총 데이터 개수: 891개

결측치 2개 dropna 해서 개수 889개

가설 확인

평균 값으로는 탑승 위치 별로 차이가 있는 것을 확인할 수 있었다.

근데 이 값이 진짜 통계적으로 의미가 있는 값인가? 는 다른 문제라고 생각한다.

#탑승위치 별 생존률 구하기
#탑승위치로 그루핑 하기

titanic.groupby('Embarked')['Survived'].mean().round(3) * 100

카이제곱 검정 진행하기 (튜터님 조언)

#생존율과 탑승위치의 카이제곱 검정 먼저 진행하기
#라이브세션 강의안 참고

#교차표 만들기 = 교차표란? 두 범주형 변수 간의 모든 조합에 대한 빈도(count)를 보여주는 표
contingency_table = pd.crosstab(titanic['Embarked'], titanic['Survived'])


#카이제곱 검정
from scipy.stats import chi2_contingency

chi2, p_value, df_chi2, expected_frequencies = chi2_contingency(contingency_table)

#결과 도출하기 #분석 단계에서는 p-value로 대체해서 보기 #p-value 써보기
#if p < 0.05:
    #print('탑승 위치와 생존률 사이에는 통계적으로 유의한 관계가 있다.')
#else:
    #print("탑승 위치와 생존률 사이에 유의미한 관계는 없다.")
#기대 빈도 테이블 확인

print("\n[카이제곱 독립성 검정 결과]")
print(f"카이제곱 통계량 (Chi2 Statistic): {chi2:.3f}")
print(f"자유도 (Degrees of Freedom): {df_chi2}")
print(f"P-value: {p_value:.8f}")

alpha = 0.05
if p_value < alpha:
    print("\n✅ 결론: p-value가 0.05보다 작으므로 귀무가설 기각!")
    print("→ 탑승 위치와 생존율 사이에 통계적으로 유의미한 관계가 있다.")
else:
    print("\n✅ 결론: p-value가 0.05보다 크므로 귀무가설 채택!")
    print("→ 탑승위치와 생존율는 독립적이다 (즉, 관계가 없다).")

탑승위치와 생존율에 통계적으로 유의미한 관계가 있다는 것을 확인함

그러면 왜 C(프랑스) > Q(아일랜드) > S(영국) 순으로 생존율이 다르게 나타났을까?
다른 두 지역에 비해 프랑스의 생존율이 압도적으로 높은 이유는 무엇일까?

3. 프랑스 승객이 비싼 선실에 탔을 가능성이 높을까?

프랑스 승객의 여성와 아이 승객 비율이 높았을까?

3. 프랑스 승객이 비싼 선실에 탔을 가능성이 높을까?

탑승 위치 별 클래스 비율

#탑승 위치 별 클래스 비율 확인하기
(titanic.groupby('Embarked')['Pclass'].value_counts(normalize=True) * 100).round(1)

1등석 클래스는 생존률이 제일 높을까?

#클래스 별 생존율 확인하기

(titanic.groupby('Pclass')['Survived'].mean() * 100).round(2)

#시각화
import seaborn as sns
import matplotlib.pyplot as plt

sns.barplot(x='Pclass', y='Survived', data=titanic)
plt.title('Survived by Pclass')
plt.ylabel('Survived')
plt.xlabel('Pclass')
plt.ylim(0, 1)
plt.show()

1등 클래스의 생존율이 제일 높다는 것을 확인

프랑스(C)의 생존율(55.4%)이 높다는 것은 확인했는데 아일랜드(Q)에서 탑승한 사람의 93.5%가 3등석에 탑승했는데 왜 생존률이 영국(S)보다 높을까?

클래스+탑승위치 별 생존율을 구해서 통계적으로 분석해보자(둘다 범주형이니까 카이제곱을 써볼까?)

#클래스 별 생존율 확인하기

#검증하기 위해서 탑승위치 + 클래스의 생존률 구해보자
#시각화도 진행하자
titanic.groupby(['Embarked','Pclass'])['Survived'].mean().round(4) * 100

#시각화하기

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# 생존율 계산 (백분율)
grouped = titanic.groupby(['Embarked', 'Pclass'])['Survived'].mean().round(4) * 100
df_plot = grouped.reset_index()  # 시각화를 위해 DataFrame 형태로 변환

# Pclass를 문자열로 변환해서 시각화가 명확하게 되도록 처리
df_plot['Pclass'] = df_plot['Pclass'].astype(str)

# 시각화
plt.figure(figsize=(8, 5))
sns.barplot(data=df_plot, x='Embarked', y='Survived', hue='Pclass', hue_order=['1','2','3'], palette = ['#F0F8FF', '#40E0D0', '#191970'],errorbar=None)

plt.title('Survival_rate_by_Embarked_&_Pclass')
plt.ylabel('Survived')
plt.xlabel('Embarked')
plt.ylim(0, 100)


# 4) 막대 위에 퍼센트 텍스트 표시
for bar in plt.gca().patches:
    height = bar.get_height()
    if height > 0:
        plt.text(
            bar.get_x() + bar.get_width() / 2,
            height + 1,
            f'{height:.1f}%', 
            ha='center', 
            va='bottom',
            fontsize=10
        )

plt.legend(title='Pclass')
plt.tight_layout()
plt.show()

튜터님의 피드백

피드백(07021200)

전체적으로 너무 잘 진행 했어요.... 100점 만점에 110점 입니다!!!

두가지 관점에서 정리해 볼께요.

200점 을 위해
결측치 처리 전략 구체화 Age 컬럼의 결측치(177개)는 데이터의 약 20%를 차지하여 무시하기 어렵습니다. 현재는 결측치를 그대로 두었지만, 만약 예측 모델을 만든다면 반드시 처리해야 합니다.
제안: 단순히 전체 평균/중앙값으로 채우기보다, 더 정교한 방법을 시도해볼 수 있습니다. 예를 들어, 상관관계가 높은 Pclass(선실 등급)나 title(Mr, Master, Miss 등)별로 그룹을 나누어 각 그룹의 중앙값으로 Age를 채우는 방식은 예측의 정확도를 더 높일 수 있습니다.

시각화의 적극적인 활용 Pclass 별 생존율을 barplot으로 확인한 것처럼, 다른 분석 과정에도 시각화를 추가하면 인사이트를 더 명확하게 전달할 수 있습니다.
제안: Embarked와 Pclass와 Survived의 관계를 하나의 그래프로 표현해보세요. Seaborn의 catplot(data=titanic, x='Embarked', col='Pclass', hue='Survived', kind='count') 같은 코드는 각 탑승지별로 어떤 클래스의 승객이 얼마나 탔고, 그중 얼마나 생존했는지를 한눈에 보여줄 수 있습니다.

다음 단계 추천(300점으로 가 봅시다!)
희귀 호칭 그룹화
호칭 vs 생존율 시각화
다중 변수와 결합한 분석 예: Pclass, Sex, title_grouped와 생존율의 관계 분석