Original size 736x948

Анализ выживаемости пассажиров Титаника с помощью Pandas и визуализаций

PROTECT STATUS: not protected

датасет

Название: Titanic passengers Источник: публичный датасет библиотеки seaborn (репозиторий на GitHub) Прямая ссылка: https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv

почему эти данные интересны

1.Исторически известная катастрофа, связанная с человеческим фактором. 2.Есть много категориальных и числовых признаков (пол, класс, возраст, стоимость билета и т. д.). 3.Удобно демонстрировать базовые статистические методы и интерпретируемые визуализации.

типы графиков (минимум 4 разных вида)

  1. Столбчатая диаграмма (barplot) — общая выживаемость.
  2. Составленная (stacked) столбчатая диаграмма — выживаемость по классам.
  3. Гистограмма + KDE — распределение возраста по группам выживаемости.
  4. Boxplot (ящик с усами) — возраст по полу и классу.
  5. Тепловая карта (heatmap) — матрица корреляций числовых признаков.

используемые статистические методы

— Описательная статистика: среднее, медиана, стандартное отклонение (df.describe ()). — Частоты и доли (value_counts, normalize=True) для категориальных признаков. — Группировка и агрегация (groupby + agg, mean как оценка вероятности выживания). — Сводные таблицы (pivot_table). — Корреляция Пирсона для числовых признаков (df.corr ()).

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

Чтобы графики отображались крупнее и читабельнее

plt.rcParams['figure.figsize'] = (10, 6) plt.rcParams['axes.titlesize'] = 16 plt.rcParams['axes.labelsize'] = 12 plt.rcParams['xtick.labelsize'] = 10 plt.rcParams['ytick.labelsize'] = 10

def set_custom_style ():

Настройка единого стиля инфографики. Здесь создаём минималистичный «журнальный» стиль:  — светлый фон  — приглушённая палитра  — единый шрифт без засечек

sns.set_theme (style="whitegrid») custom_palette = [«

0d6efd», »

20c997», «

fd7e14», »

e83e8c», «#6f42c1»] sns.set_palette (custom_palette) plt.rcParams['font.family'] = 'DejaVu Sans' plt.rcParams['axes.facecolor'] = «#f8f9fa» plt.rcParams['figure.facecolor'] = «#f8f9fa» plt.rcParams['axes.edgecolor'] = «#dee2e6» plt.rcParams['grid.color'] = «#dee2e6»

def load_data ():

Загрузка датасета Titanic из GitHub (seaborn-data). Возвращает DataFrame.

url = «https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv»
df = pd.read_csv (url)
return df

def preprocess_data (df):

предобработка данных

— Переименование столбцов для удобства (русские названия в отдельных столбцах)  — Создание новых признаков (family_size, is_child, age_group)  — Обработка пропусков (возраст, класс и т. д. оставляем как есть, но можем фильтровать по необходимости) «»» df = df.copy ()

переименуем некоторые переменные для ясности при визуализации (создадим дубли-столбцы на русском)

df[«Пол»] = df[«sex»].map ({"male»: «Мужчина», «female»: «Женщина"}) df[«Класс»] = df[«class»].map ({"First»: «1 класс», «Second»: «2 класс», «Third»: «3 класс"}) df[«Выжил»] = df[«survived»].map ({0: «Нет», 1: «Да"})

новый признак: размер семьи (чем больше семья, тем потенциально сложнее эвакуация)

df[«family_size»] = df[«sibsp»] + df[«parch»] + 1

новый признак: ребёнок/взрослый (возраст < 16 лет)

df[«is_child»] = np.where (df[«age»] < 16, 1, 0)

группы возраста для более «объясняющего» анализа

bins = [0, 12, 18, 30, 50, 80] labels = [«0-12 (дети)», «13-18 (подростки)», «19-30 (молодые)», «31-50 (взрослые)», «51+ (старшие)»] df[«age_group»] = pd.cut (df[«age»], bins=bins, labels=labels, right=True)

return df

def descriptive_statistics (df):

показ описательной статистики и базовых частот

Это демонстрация использования статистических методов:  — describe () для числовых колонок  — value_counts () и доли (normalize=True) для категорий «»» print («=== Описательная статистика числовых признаков ===») print (df[[«survived», «pclass», «age», «sibsp», «parch», «fare», «family_size»]].describe (), «\n»)

print («=== Распределение по полу ===»)
print (df[«Пол»].value_counts (), «\n»)

print («=== Распределение по полу (доли) ===»)
print (df[«Пол»].value_counts (normalize=True), «\n»)

print («=== Общий уровень выживаемости (доля выживших) ===»)
survival_rate = df[«survived»].mean ()
print (f"Доля выживших: {survival_rate:.2%}\n»)

print («=== Уровень выживаемости по полу ===»)
print (df.groupby («Пол»)[«survived»].mean ().apply (lambda x: f"{x:.2%}»), «\n»)

print («=== Уровень выживаемости по классам ===»)
print (df.groupby («Класс»)[«survived»].mean ().apply (lambda x: f"{x:.2%}»), «\n»)

print («=== Уровень выживаемости по возрастным группам ===»)
print (
    df.groupby («age_group»)[«survived»]
    .mean ()
    .dropna ()
    .apply (lambda x: f"{x:.2%}»)

)

def plot_overall_survival (df):

график 1 (столбчатая диаграмма)

Общий уровень выживаемости на Титанике (количество и доля). Показывает изучающий и объясняющий формат:  — понятные подписи  — подписи процентов на столбиках

Original size 984x579

set_custom_style ()

surv_counts = df[«Выжил»].value_counts ().reindex ([«Да», «Нет»])
surv_rate = df[«survived»].mean ()

fig, ax = plt.subplots ()
sns.barplot (x=surv_counts.index, y=surv_counts.values, ax=ax)

ax.set_title («Выживаемость на Титанике (общее распределение)»)
ax.set_xlabel («Выжил»)
ax.set_ylabel («Количество пассажиров»)

# Подпишем значения на столбиках
for i, v in enumerate (surv_counts.values):
    ax.text (i, v + 5, str (v), ha="center», va="bottom», fontweight="bold»)

# Добавим текстовое пояснение с общим процентом выживаемости
ax.text (
    0.5, -0.2,
    f"Общая доля выживших: {surv_rate:.1%}»,
    transform=ax.transAxes,
    ha="center»,
    va="center»,
    fontsize=12

)

plt.tight_layout ()
plt.savefig («plot1_overall_survival.png», dpi=300)
plt.show ()

def plot_survival_by_class_stacked (df):

график 2 (составленная столбчатая диаграмма)

Анализ выживаемости пассажиров Титаника с помощью Pandas и визуализаций
Project created at 17.01.2026
adcr.dafes
The Art Directors Club of Russia sets the benchmark for creative excellence in design and advertising, serving as a central hub where industry professionals connect. Since 2004, the Club has hosted the ADCR Awards—a premier national competition celebrating creativity, design, and advertising. The core mission of the awards is to champion agencies and independent creators making their mark in the local market. By presenting this honor on behalf of the professional community, the Club reaffirms its endur... Show more
adcr advertising
adcr design
adcr students and young creators