泰坦尼克号一等舱生存数据可视化结果异常问题排查

测试样本数据 #

Survived,Pclass,Name,Sex
0,3,"Braund, Mr. Owen Harris",male
1,1,"Cumings, Mrs. John Bradley (Florence Briggs Thayer)",female
1,3,"Heikkinen, Miss. Laina",female
1,1,"Futrelle, Mrs. Jacques Heath (Lily May Peel)",female
0,3,"Allen, Mr. William Henry",male
0,3,"Moran, Mr. James",male

问题描述 #

对比一等舱不同性别的生存人数时，两种绘图方式出现了矛盾结果：

• 第一种方式直接筛选后绘图，正确显示一等舱女性几乎全部存活
• 第二种方式分别提取男女生存计数再绘制分组柱状图，却错误显示一等舱女性几乎全部死亡，但男性结果是正确的

问题根源 #

咱们来拆解下问题核心：value_counts()方法默认是按数值出现的频率降序排列的。

• 一等舱女性中存活（Survived=1）的人数远多于死亡（Survived=0），所以females = data[...]['Survived'].value_counts()返回的结果索引是[1, 0]，对应的值是存活数、死亡数
• 而一等舱男性死亡人数远多于存活人数，males = data[...]['Survived'].value_counts()返回的索引是[0, 1]，对应的值是死亡数、存活数

当你用range(len(females))作为x轴位置时，女性的第一个柱子对应索引1（存活），男性的第一个柱子对应索引0（死亡），直接导致x轴标签和实际数据错位——看起来女性的“死亡”柱子很高，其实是把存活的数据放到了死亡的位置上！

修正方案 #

我们需要统一x轴的类别顺序，强制按[0, 1]（死亡、存活）的顺序获取计数，具体修改如下：

import pandas as pd
from matplotlib import pyplot as plt
import numpy as np
data = pd.read_csv('titanic_data/train.csv')

# 强制按0、1的顺序获取计数，避免默认排序导致的错位
males = data[(data['Sex']=='male') & (data['Pclass'] == 1)]['Survived'].value_counts(sort=False)
females = data[(data['Sex']=='female') & (data['Pclass']== 1)]['Survived'].value_counts(sort=False)

plt.bar(range(len(females)), females, align='edge', width=-0.4, label='Female', color='red', alpha=0.5)
plt.bar(range(len(males)), males, align='edge', width=0.4, label='Male', color='blue', alpha=0.5)

# 手动指定x轴标签为死亡、存活，确保对应关系正确
plt.xticks(np.arange(2), ['Died', 'Survived'], rotation=0)
plt.title("Male and female survivors in first class")
plt.legend()
plt.show()

或者用更稳妥的groupby方式明确分组顺序：

# 另一种方式：用groupby+reindex确保顺序，避免缺失值问题
male_counts = data[(data['Sex']=='male') & (data['Pclass'] == 1)].groupby('Survived').size().reindex([0,1], fill_value=0)
female_counts = data[(data['Sex']=='female') & (data['Pclass'] == 1)].groupby('Survived').size().reindex([0,1], fill_value=0)

修改后，男女的计数都会按0（死亡）、1（存活）的顺序排列，x轴的柱子和标签就能一一对应，结果就正确啦！

内容的提问来源于stack exchange，提问作者Eliro