[DNN project]: 타이타닉 생존자 예측.EDA

EDA 바로보기

데이터 확인

Summary

- kaggle

 

- load Raw data

df = pd.read_csv('./data/train.csv')

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 891 entries, 0 to 890
Data columns (total 12 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   PassengerId  891 non-null    int64  
 1   Survived     891 non-null    int64  
 2   Pclass       891 non-null    int64  
 3   Name         891 non-null    object 
 4   Sex          891 non-null    object 
 5   Age          714 non-null    float64
 6   SibSp        891 non-null    int64  
 7   Parch        891 non-null    int64  
 8   Ticket       891 non-null    object 
 9   Fare         891 non-null    float64
 10  Cabin        204 non-null    object 
 11  Embarked     889 non-null    object 
dtypes: float64(2), int64(5), object(5)
memory usage: 83.7+ KB

 

 

---

EDA : (Exploratory Data Analysis) 탐색적 데이터 분석
pre-processing : 데이터 전처리

---

column 및 value 의미

---

1. Raw data 확인 및 Column별 설명
    Total : 12개의 columns
    - 각 column 설명은 Survived(predict target), A-Z순으로 진행된다.

 

column_EN	Value_EN	column_Kr	Value_Kr
Survived	0 1	생존 유무	0 (사망) 1 (생존)
Age	...	나이	...
Cabin	...	좌석	...
Embarked	C (Cherbourg) Q (Queenstown) S (Southampton)	승선 항구	C (Cherbourg) Q (Queenstown) S (Southampton)
Fare	...	티켓 요금	...
Name	...	이름	...
Parch	...	동승한 부모, 자식의 수	...
PassengerId	...	탑승객 ID	...
Pclass	1 (1st) 2 (2st) 3 (3st)	티켓 탑승권 클래스	1 (1st) 2 (2st) 3 (3st)
Sex	male female	성별	남성 여성
SibSp	...	동승한 형제자매, 배우자 수	...
Ticket	...	티켓 정보	...

생존 Survived-($y$ predict target)

• 결측 : 891 중 0개
• 설명 : 생존 유/무 판단을 0과 1로 구분하여 입력됨
            0 : 사망
            1 : 생존
• EDA  : 본 column을 기준으로 각각의 column을 분석하고자 한다.
            사망 : 549명(61.6%)
            생존 : 342명(38.4%)
• 전처리 : 예측하려는 내용이 생존 유/무 이기 때문에,
               본 column을 predict target으로 설정

---

나이 Age

• 결측 : 891 중 177개
• 설명 : 탑승객 연령
• EDA  :
          -  결측값  : 결측값 분포는 아래와 같다.
             사망 : 549명 중 125명
              생존 : 342명 중 52명
  
          -  소수점 나이 
              결측값을 포함한 89개의 고유한(unique)값이 있음을 확인 했으며,
              이중 소수점 자리수가 포함된 18개의 고유한(unique)값을 갖고있다.
              
          -  노약자
              아이, 노인을 먼저 살렸을 것으로 예상,
             1912년 당시 사회적 나이를 반영하기 위해 아래와 같은 자료를 기준으로 연령을 선정하였다.
             0~15 : 19세기 초 영국 결혼 법에 따라 결혼가능한 나이 16세 미만으로 지정
                          참조 : 영국 결혼 가능 연령(UK Parliament)
             52~n : 1910년 기대수명을 기반으로 지정
• 전처리 : 
          - 소수점 나이 
              Data Type을 기존 Float에서 Int로 치환하여 소수점 자리를 날리는 방향으로 정규화 진행
  
          - One-Hot Encoding
              위 노약자 기준을 기반으로 아래와 같이 나눔
               [0, 0, 0] : 결측값
               young_age : 0~15세에 해당하면 young_age Column에 1 입력
              regular_age : 16 ~ 51세에 해당하면 regular_age Column에 1 입력
              old_age : 52 ~ 나머지에 해당하면 old_age Column에 1 입력 
  

---

객실 Cabin-(Drop)

• 결측 : 891 중 687개
• 설명 : 각 객실 위치
• EDA  : 결측값이 많아 데이터 만으로는 확인이 불분명 하며,
              사고 당시 객실에 머무르며 침착하게 대응하기 어렵다 판단.
• 전처리 : 위 내용을 바탕으로 제거

---

승선 항구 Embarked

• 결측 : 891 중 2개
• 설명 : Titanic의 탑승지는 총 3개가 있었으며 이는 아래와 같다.
            (소개 순서 : 탑승지 순서)
            S : Southampton
            C : Cherbourg
            Q : Queenstown
• EDA  : .
• 전처리 : 승선 항구 순서에 따라 생존 여부에 영향을 미치지 않는다 판단,
                순서가 없는(Categorycal-Nominal)데이터이기 때문에,
                One-Hot Encoding(카테고리화)으로 처리

---

티켓 요금 Fare

• 결측 : 891 중 0개
• 설명 : value의 단위 : £(GBP) 영국 파운드
            객실별 금액은 아래 Pclass Column 설명에서 확인 가능
• EDA  : .
• 전처리 :

---

이름 Name

• 결측 : 891 중 0개
• 설명 :
• EDA  : 이름을 통해 특정 직업군을 확인 가능하다.
• 전처리 : 

---

동승자 (부모, 자식) 수 Parch

• 결측 : 891 중 0개
• 설명 :
• EDA  : .
• 전처리 :

---

PassengerId-(Drop)

• 결측 : 891 중 0개
• 설명 : Titanic을 탑승한 탑승자의 번호
• EDA  : 탑승 순서가 아닌 단순 index, PK라고 판단.
  
• 전처리 : 위의 내용을 바탕으로 PassengerId는 Index가 대신 할 수 있을것으로 판단하여 제거

---

탑승권 등급 Pclass

• 결측 : 891 중 0개
• 설명 : 1~3의 값으로 이루어 져 있으며,
            이는 각각 탑승권의 등급으로 구분된다.
            자세한내용은 아래와 같다.
  
            - 1st(스위트 룸):
                금액 : $4,350/£870
            - 1st(침실칸):
                금액 : $150/£30
            - 2st 
                금액 : $60/£12
            - 3st
                금액 : $15-40/£3-£8
• EDA  : .
• 전처리 :

---

성별 Sex

• 결측 : 891 중 0개
• 설명 : 각각 남자와 여자로 구분되어있다.
• EDA  : .
• 전처리 :
              1 : 남성
              0 : 여성
  

---

 

동승자 (형제자매, 배우자)수 SibSp

• 결측 : 891 중 0개
• 설명 : 
• EDA  : .
• 전처리 :

---

티켓 정보 Ticket

• 결측 : 891 중 0개
• 설명 : 각 티켓별 발급번호이다.
• EDA  : 같은 티켓일 경우 서로 가까운 관계일것.
              중복된 티켓의 수는 총 344개로,
              이는 티켓을 발급받은 891명중 344명이 동승자가 있다는 의미 이다.
• 전처리 :
          - 동승자 유무
              1 : 티켓에 중복이 있는경우
              0 : 티켓에 중복이 없는경우