[EDA] 타이타닉 생존자 분석

📌 들어가며

이번 글에서는 타이타닉 데이터셋으로 생존자 분석 EDA를 진행한다. 결측치 확인·대치(특히 나이의 그룹별 평균 대치)부터, 좌석 등급·성별·연령대에 따른 생존률을 시각화로 파헤친다.

EDA 목표 — 단순히 결측치를 채우는 게 아니라, 원래 분포를 훼손하지 않으면서 데이터를 보완하고, 어떤 요인이 생존에 영향을 주는지 찾는 것이다.

---

1. 결측치 확인

plt.figure(figsize=(8,6))
msno.matrix(df)
plt.show()

age에 결측치가 꽤 있고 fare는 거의 없다. fare는 평균으로 바로 대치해도 되지만, age는 그냥 평균을 넣으면 분포가 왜곡된다.

---

2. 나이 결측치 — 전체 평균의 문제

df['age'].fillna(df['age'].mean(), inplace=True)
# original vs tuned 분포 비교(kdeplot)

⚠️ 전체 평균으로 대치하면 평균 지점만 뾰족하게 솟는다. 결측치가 모두 한 값(평균)으로 채워져, 원래의 완만한 분포 형태가 무너진다. 대치 전후 분포를 항상 비교해야 하는 이유다.

---

3. 그룹별 평균 대치 (개선)

성별·좌석 등급으로 세분화해 각 그룹의 평균을 결측치에 넣는다.

df['age'].fillna(
    df.groupby(["sex","pclass"])['age'].transform('mean'),
    inplace=True)

💡 groupby + transform('mean')이 핵심이다. transform은 그룹 평균을 원본과 같은 길이로 반환해, 각 행의 결측치에 그 행이 속한 그룹의 평균을 정확히 매핑한다. 결과적으로 전체 분포 형태를 유지하면서 볼륨만 커진다.

---

4. 좌석 등급 & 성별 생존률

sns.FacetGrid(df, col='pclass', row='sex').map(sns.histplot, 'survived')

결과: 등급이 좋을수록 생존률↑. 특히 등급이 낮을수록 남성의 생존률이 급격히 하락한다.

---

5. 연령대별 생존률

에버랜드 입장권 기준(?)으로 5개 연령대로 나눈다.

def age_make(x):
    if x <= 3.0:   return "baby"
    elif x <= 13.: return "kid"
    elif x <= 18.: return "teenage"
    elif x <= 60.: return "adult"
    else:          return "old"

df['cat.age'] = df['age'].apply(age_make)
sns.barplot(data=df, x="cat.age", y="survived", hue="sex",
            order=['baby','kid','teenage','adult','old'])

관찰	내용
여성	연령대가 높아질수록 생존률↑
남성	연령대가 높아질수록 생존률↓

등급(pclass)으로 나눠보면 kid는 1·2등급이 전부 생존했다.

💡 표본 크기를 항상 의식하자. baby·old를 등급으로 또 3분할하니 각 그룹 표본이 너무 적어 신뢰하기 어렵다. 세분화는 유용하지만, 나눌수록 그룹당 데이터가 줄어드는 트레이드오프가 있다.

---

📝 정리

타이타닉 EDA
├─ 결측치   msno로 확인(age 많음)
├─ 대치     전체 평균(왜곡) → 그룹별 평균(groupby+transform)
├─ 분석     등급↑·여성 생존률↑, 낮은 등급 남성 급락
└─ 주의     세분화 시 표본 부족 유의

개념	한 줄 정의
EDA	데이터를 다각도로 탐색
transform(‘mean’)	그룹 평균을 원본 길이로
분포 비교	대치 전후 kdeplot

타이타닉 EDA의 핵심 교훈은 결측치 대치는 분포를 지키며 해야 한다는 것이다. 그룹별 평균 대치로 형태를 유지했고, 등급·성별·연령의 상호작용에서 “여성·고등급 우선 생존”이라는 뚜렷한 패턴을 확인했다.