import os.path
import pandas as pd
df = pd.read_csv(os.path.join("./Titanic.csv"))
pd.set_option('display.max_rows', None) # 불러온 데이터 값에서 최대 행 표시 제한 x
pd.set_option('display.max_columns', None) # 불러온 데이터 값에서 최대 열 표시 제한 x
pd.set_option('display.expand_frame_repr', False) # 데이터 출력할 때 행이 길어지면 줄바꿈 x
def change_value(row): # 성별을 판별하기 위해
if row["Sex"] == "male":
row["Sex"] = 1
else:
row["Sex"] = 0
return row
df = df.apply(change_value, axis=1)
cnt_male = 0; cnt_female = 0
cnt_male_dead = 0; cnt_female_alive = 0
cnt_class1_dead = 0; cnt_class2_dead = 0; cnt_class3_dead = 0
cnt_nans_dead = 0; cnt_0s_dead = 0; cnt_10s_dead = 0; cnt_20s_dead = 0; cnt_30s_dead = 0
cnt_40s_dead = 0; cnt_50s_dead = 0; cnt_60s_dead = 0; cnt_70s_dead = 0; cnt_80s_dead = 0
cnt_s_dead = 0; cnt_c_dead = 0; cnt_q_dead = 0
for i in df.index:
if df["Sex"][i] == 1: # 남자인지 확인
cnt_male += 1
else: # 여자인지 확인
cnt_female += 1
if (df["Sex"][i] == 1) and (df["Survived"][i] == 0): # 남자인 사망자
cnt_male_dead += 1
elif (df["Sex"][i] == 0) and (df["Survived"][i] == 1): # 여자인 생존자
cnt_female_alive += 1
# 클래스별 사망자 수 추출
if (df["Pclass"][i] == 1) and (df["Survived"][i] == 0): # 클래스1 사망자
cnt_class1_dead += 1
elif (df["Pclass"][i] == 2) and (df["Survived"][i] == 0): # 클래스2 사망자
cnt_class2_dead += 1
elif (df["Pclass"][i] == 3) and (df["Survived"][i] == 0): # 클래스3 사망자
cnt_class3_dead += 1
# 10단위 나이대별 사망자 수 추출
if (df["Age"][i] >= 0) and (df["Age"][i] <= 9) and (df["Survived"][i] == 0):
cnt_0s_dead += 1
elif (df["Age"][i] >= 10) and (df["Age"][i] <= 19) and (df["Survived"][i] == 0):
cnt_10s_dead += 1
elif (df["Age"][i] >= 20) and (df["Age"][i] <= 29) and (df["Survived"][i] == 0):
cnt_20s_dead += 1
elif (df["Age"][i] >= 30) and (df["Age"][i] <= 39) and (df["Survived"][i] == 0):
cnt_30s_dead += 1
elif (df["Age"][i] >= 40) and (df["Age"][i] <= 49) and (df["Survived"][i] == 0):
cnt_40s_dead += 1
elif (df["Age"][i] >= 50) and (df["Age"][i] <= 59) and (df["Survived"][i] == 0):
cnt_50s_dead += 1
elif (df["Age"][i] >= 60) and (df["Age"][i] <= 69) and (df["Survived"][i] == 0):
cnt_60s_dead += 1
elif (df["Age"][i] >= 70) and (df["Age"][i] <= 79) and (df["Survived"][i] == 0):
cnt_70s_dead += 1
elif (df["Age"][i] >= 80) and (df["Age"][i] <= 89) and (df["Survived"][i] == 0):
cnt_80s_dead += 1
elif (not (df["Age"][i] >= 0)) and (not (df["Age"][i] <= 100)) and (df["Survived"][i] == 0):
cnt_nans_dead += 1
# 정박지별 사망자 수 추출
if (df["Embarked"][i] == "S") and (df["Survived"][i] == 0):
cnt_s_dead += 1
elif (df["Embarked"][i] == "C") and (df["Survived"][i] == 0):
cnt_c_dead += 1
elif (df["Embarked"][i] == "Q") and (df["Survived"][i] == 0):
cnt_q_dead += 1
print(f"탑승자 남성의 총수: {cnt_male}")
print(f"탑승자 여성의 총수: {cnt_female}")
print(f"탑승자 남성과 여성의 비율: 남성[{round(((cnt_male/891)*100),2)}%] / 여성[{round(((cnt_female/891)*100),2)}%]")
print(f"탑승자 남성의 사망자 비율: {round(((cnt_male_dead/cnt_male)*100),2)}%")
print(f"탑승자 여성의 생존자 비율: {round(((cnt_female_alive/cnt_female)*100),2)}%")
print(f"탑승자 0등실별 사망자 비율: 클래스(1)[{round(((cnt_class1_dead/549)*100),2)}%] / "
f"클래스(2)[{round(((cnt_class2_dead/549)*100),2)}%] / 클래스(3)[{round(((cnt_class3_dead/549)*100),2)}%]")
print("탑승자 나이별(10대 단위) 사망자 비율")
print(f"유년기[{round(((cnt_0s_dead/549)*100),2)}%] / 10대[{round(((cnt_10s_dead/549)*100),2)}%] / 20대[{round(((cnt_20s_dead/549)*100),2)}%]")
print(f"30대[{round(((cnt_30s_dead/549)*100),2)}%] / 40대[{round(((cnt_40s_dead/549)*100),2)}%] / 50대[{round(((cnt_50s_dead/549)*100),2)}%]")
print(f"60대[{round(((cnt_60s_dead/549)*100),2)}%] / 70대[{round(((cnt_70s_dead/549)*100),2)}%] / 80대[{round(((cnt_80s_dead/549)*100),2)}%]")
print(f"나이모름[{round(((cnt_nans_dead/549)*100),2)}%]")
print(f"탑승자 Embarked(정박지)별 사망자 비율: 정박지S[{round(((cnt_s_dead/549)*100),2)}%] / "
f"정박지C[{round(((cnt_c_dead/549)*100),2)}%] / 정박지Q[{round(((cnt_q_dead/549)*100),2)}%]")
처음에 제작한 코드인데 제대로 됐다고 생각하고 GPT에게 물어보니 총 사망자로 계산하고 있어서 제대로된 데이터가 아니라는 지적을 받았다.
분명 맞게 한 것 같은데 아니라고 하기에 다시 생각해보니 클래스1의 경우 총사망자로 분모로 나눠서 결과값을 보면 이상했다.
내가 알고 싶은 것은 1, 2, 3 꼭대기에서 아래층으로 내려갔을 때 어떤 곳이 더 사망자가 많았는지 그 비율을 알고 싶었는데 총 사망자에서 계산하면 그것은 그냥 사망자의 분포값을 나타낼 뿐이었다.
제대로 계산하기 위해서 아래의 코드로 수정했다.
import os.path
import pandas as pd
df = pd.read_csv(os.path.join("./Titanic.csv"))
pd.set_option('display.max_rows', None) # 불러온 데이터 값에서 최대 행 표시 제한 x
pd.set_option('display.max_columns', None) # 불러온 데이터 값에서 최대 열 표시 제한 x
pd.set_option('display.expand_frame_repr', False) # 데이터 출력할 때 행이 길어지면 줄바꿈 x
def change_value(row): # 성별을 판별하기 위해
if row["Sex"] == "male":
row["Sex"] = 1
else:
row["Sex"] = 0
return row
df = df.apply(change_value, axis=1)
cnt_male = 0; cnt_female = 0
cnt_male_dead = 0; cnt_female_alive = 0
cnt_class1 = 0; cnt_class2 = 0; cnt_class3 = 0
cnt_class1_dead = 0; cnt_class2_dead = 0; cnt_class3_dead = 0
cnt_nans = 0; cnt_0s = 0; cnt_10s = 0; cnt_20s = 0; cnt_30s = 0
cnt_40s = 0; cnt_50s = 0; cnt_60s = 0; cnt_70s = 0; cnt_80s = 0
cnt_nans_dead = 0; cnt_0s_dead = 0; cnt_10s_dead = 0; cnt_20s_dead = 0; cnt_30s_dead = 0
cnt_40s_dead = 0; cnt_50s_dead = 0; cnt_60s_dead = 0; cnt_70s_dead = 0; cnt_80s_dead = 0
cnt_s = 0; cnt_c = 0; cnt_q = 0
cnt_s_dead = 0; cnt_c_dead = 0; cnt_q_dead = 0
for i in df.index:
if df["Sex"][i] == 1: # 남자인지 확인
cnt_male += 1
if df["Survived"][i] == 0:
cnt_male_dead += 1 # 사망자 확인
else: # 여자인지 확인
cnt_female += 1
if df["Survived"][i] == 1:
cnt_female_alive += 1 # 생존자 확인
# 클래스별 사망자 수 추출
if df["Pclass"][i] == 1:
cnt_class1 += 1 # 클래스1에 속한 사람 수
if df["Survived"][i] == 0:
cnt_class1_dead += 1 # 클래스1 사망자
elif df["Pclass"][i] == 2:
cnt_class2 += 1 # 클래스2에 속한 사람 수
if df["Survived"][i] == 0:
cnt_class2_dead += 1 # 클래스2 사망자
else:
cnt_class3 += 1 # 클래스3에 속한 사람 수
if df["Survived"][i] == 0:
cnt_class3_dead += 1 # 클래스3 사망자
# 10단위 나이대별 사망자 수 추출
if (df["Age"][i] >= 0) and (df["Age"][i] <= 9):
cnt_0s += 1
if df["Survived"][i] == 0:
cnt_0s_dead += 1
elif (df["Age"][i] >= 10) and (df["Age"][i] <= 19):
cnt_10s += 1
if df["Survived"][i] == 0:
cnt_10s_dead += 1
elif (df["Age"][i] >= 20) and (df["Age"][i] <= 29):
cnt_20s += 1
if df["Survived"][i] == 0:
cnt_20s_dead += 1
elif (df["Age"][i] >= 30) and (df["Age"][i] <= 39):
cnt_30s += 1
if df["Survived"][i] == 0:
cnt_30s_dead += 1
elif (df["Age"][i] >= 40) and (df["Age"][i] <= 49):
cnt_40s += 1
if df["Survived"][i] == 0:
cnt_40s_dead += 1
elif (df["Age"][i] >= 50) and (df["Age"][i] <= 59):
cnt_50s += 1
if df["Survived"][i] == 0:
cnt_50s_dead += 1
elif (df["Age"][i] >= 60) and (df["Age"][i] <= 69):
cnt_60s += 1
if df["Survived"][i] == 0:
cnt_60s_dead += 1
elif (df["Age"][i] >= 70) and (df["Age"][i] <= 79):
cnt_70s += 1
if df["Survived"][i] == 0:
cnt_70s_dead += 1
elif (df["Age"][i] >= 80) and (df["Age"][i] <= 89):
cnt_80s += 1
if df["Survived"][i] == 0:
cnt_80s_dead += 1
else:
cnt_nans += 1
if df["Survived"][i] == 0:
cnt_nans_dead += 1
# 정박지별 사망자 수 추출
if df["Embarked"][i] == "S":
cnt_s += 1
if df["Survived"][i] == 0:
cnt_s_dead += 1
elif df["Embarked"][i] == "C":
cnt_c += 1
if df["Survived"][i] == 0:
cnt_c_dead += 1
else:
cnt_q += 1
if df["Survived"][i] == 0:
cnt_q_dead += 1
print(f"탑승자 남성의 총수: {cnt_male}")
print(f"탑승자 여성의 총수: {cnt_female}")
print(f"탑승자 남성과 여성의 비율: 남성[{round(((cnt_male/891)*100),2)}%] / 여성[{round(((cnt_female/891)*100),2)}%]")
print(f"탑승자 남성의 사망자 비율: {round(((cnt_male_dead/cnt_male)*100),2)}%")
print(f"탑승자 여성의 생존자 비율: {round(((cnt_female_alive/cnt_female)*100),2)}%")
print(f"탑승자 0등실별 사망자 비율: 클래스(1)[{round(((cnt_class1_dead/cnt_class1)*100),2)}%] / "
f"클래스(2)[{round(((cnt_class2_dead/cnt_class2)*100),2)}%] / 클래스(3)[{round(((cnt_class3_dead/cnt_class3)*100),2)}%]")
print("탑승자 나이별(10대 단위) 사망자 비율")
print(f"유년기[{round(((cnt_0s_dead/cnt_0s)*100),2)}%] / 10대[{round(((cnt_10s_dead/cnt_10s)*100),2)}%] / 20대[{round(((cnt_20s_dead/cnt_20s)*100),2)}%]")
print(f"30대[{round(((cnt_30s_dead/cnt_30s)*100),2)}%] / 40대[{round(((cnt_40s_dead/cnt_40s)*100),2)}%] / 50대[{round(((cnt_50s_dead/cnt_50s)*100),2)}%]")
print(f"60대[{round(((cnt_60s_dead/cnt_60s)*100),2)}%] / 70대[{round(((cnt_70s_dead/cnt_70s)*100),2)}%] / 80대[{round(((cnt_80s_dead/cnt_80s)*100),2)}%]")
print(f"나이모름[{round(((cnt_nans_dead/cnt_nans)*100),2)}%]")
print(f"탑승자 Embarked(정박지)별 사망자 비율: 정박지S[{round(((cnt_s_dead/cnt_s)*100),2)}%] / "
f"정박지C[{round(((cnt_c_dead/cnt_c)*100),2)}%] / 정박지Q[{round(((cnt_q_dead/cnt_q)*100),2)}%]")
비로서 제대로 된 데이터 값을 얻을 수 있었고 이것을 통해 가공된 데이터가 의미하는 바를 알 수 있었다.
'Python' 카테고리의 다른 글
| 파이썬 기본 개념 정리 (0) | 2025.11.15 |
|---|---|
| 머신 러닝 딥러닝 인공신경망 (0) | 2025.11.14 |