Premiers exemples matplotlib

affichage du fichier titanic.csv

import pandas as pds

datas = pds.read_csv('titanic.csv')

datas.head()

	survived	pclass	sex	age	sibsp	parch	fare	embarked	class	who	adult_male	deck	embark_town	alive	alone
0	0	3	male	22.0	1	0	7.2500	S	Third	man	True	NaN	Southampton	no	False
1	1	1	female	38.0	1	0	71.2833	C	First	woman	False	C	Cherbourg	yes	False
2	1	3	female	26.0	0	0	7.9250	S	Third	woman	False	NaN	Southampton	yes	True
3	1	1	female	35.0	1	0	53.1000	S	First	woman	False	C	Southampton	yes	False
4	0	3	male	35.0	0	0	8.0500	S	Third	man	True	NaN	Southampton	no	True

équivalent GROUP BY

Taux de survie des passagers par sexe et par classe SELECT SQL : SELECT sex, pclass, avg(survived) as taux_survie FROM datas GROUP BY sex, pclass

res=datas[['pclass', 'survived', 'sex']].groupby(['sex', 'pclass']).mean()
print(res)

               survived
sex    pclass          
female 1       0.968085
       2       0.921053
       3       0.500000
male   1       0.368852
       2       0.157407
       3       0.135447

import matplotlib.pyplot as plt 
res.plot(kind='bar')
plt.show()

équivalent PIVOT

On peut faire la même chose avec un "pivot", c'est-à-dire un tableau avec en ligne les classe et en colonne le sexe et en données les taux de survie.

res=datas[['pclass', 'survived', 'sex']].pivot_table(index = 'pclass', columns = 'sex')
res

	survived
sex	female	male
pclass
1	0.968085	0.368852
2	0.921053	0.157407
3	0.500000	0.135447

import matplotlib.pyplot as plt 
res.plot(kind='bar')
plt.show()

variante de PIVOT avec variante seaborn du load

import numpy as np
import pandas as pds
import seaborn as sns

datas = sns.load_dataset('titanic') # csv de gitub
datas.columns
datas.head()
res = datas.pivot_table('survived', 
                     aggfunc=np.mean,
                     index='class',
                     columns='sex')
res

sex	female	male
class
First	0.968085	0.368852
Second	0.921053	0.157407
Third	0.500000	0.135447

import matplotlib.pyplot as plt 
res.plot(kind='bar')
plt.show()