Excel数据分析实战1：Titanic生存率的分析

一、数据集

可以去kaggle下载：Titanic - Machine Learning from Disaster | Kaggle

二、数据集信息

数据集总共有以下的字段，其中name、sex、cabin、embarked、ticket是字符串类型，pclass和survived虽然是数值型，但其含义是标签，我们分别从舱位、乘客、船票和地域的维度出发来分析

舱位维度	pclass 舱位	1代表头等舱，2代表二等舱，3代表三等舱
	cabin	客舱号
	survived	是否生还，0代表死亡，1代表死亡
乘客维度	name	姓名
	sex	性别
	age	年龄
	sibsp	兄弟姐妹/配偶的个数
	parch	父母/小孩个数
船票维度	ticket	船票信息
	fare	票价
地域维度	embarked	登船港口

三、数据处理

通过查看表 ，发现Age、fare、embarked、cabin字段有缺失。

 1.age缺失值处理

筛选age一列为空的有177条数据，可以全部填充为年龄的均值或众数，也可以进一步地分析，发现年龄缺失的数据里三等舱的最多，而三等舱里的未生还的男性占比最多，因此也可以用三等舱年龄的平均值来填充。

这里为了保持数据的真实性，就不做填充处理了。

2.Fare缺失值：Fare值都是0，不算是缺失值

3.Embark缺失值

进一步观察到，这两个旅客都是单独出行，没有家人（从sibsp和parch列均为0得知），寻找同类型的进行填充。对第一个旅客，筛选出头等舱的年龄在35~40岁的女性中，港口最多的值填充进去，结果是S。