Анализ данных о пассажирах Титаника

Для данного проекта я выбрала датасет о пассажирах Титаника, размещённый на платформе Kaggle .
Таблица содержит информацию о 891 человеке: их возрасте, поле, классе, цене билета, семейных связях и факте выживания.
Данные представлены в формате CSV и подходят для анализа с помощью Pandas и визуализации в Python

Меня очень зацепила эта тема не за счет известности катастрофы, а счет структуры.
Титаник — это модель социума, записанная в числах.
Формально — таблица, неформально — портрет выживания: кто спасся и почем, какую роль сыграла удача.

Зантересовала не реконструкция трагедии, а попытка рассказать историю через данные.
Не документальность, а атмосфера. Не факт, а глубина

Проект опирается на метафору океанской глубины — каждый график соответствует определённой “глубине анализа”. Графики в этом проекте — это отсылка к затонувшему судну. Каждый цвет — как новая глубина. Я хотела показать, как внутри одной трагедии можно выстроить визуальные уровни — от поверхностного считывания к более глубоким смысловым слоям.Основой визуального оформления стала метафора океанской глубины.

Вдохновением послужили подводные и ночные сцены — холодный свет, синий шум, мерцающие сигналы. Цветовая палитра проекта отсылает к морской глубине: тёмный фон #010817, оттенки бирюзового и графитового, минимальные акценты

Типографика: DejaVu Serif Все подписи и элементы унифицированы по стилю: единый размер шрифта, мягкие обводки, отсутствие сетки, атмосферная подача.

Для генерации обложки мной была использована нейросеть ideogram

Визуальный стиль не просто украшает данные — он поддерживает нарратив

В проекте были использованы три основные библиотеки: Pandas — для загрузки и обработки табличных данных, Matplotlib — для базовой настройки графиков, Seaborn — для визуализации с более сложной стилизацией. Также была настроена цветовая палитра и шрифт для единого визуального стиля

Сначала были импортированы основные библиотеки: Pandas — для анализа, Seaborn и Matplotlib — для визуализации. Файл загружен в формате CSV, структура — табличная

Были обработаны пропуски в трёх ключевых колонках. Возраст и стоимость билета заполнялись медианой, порт посадки — модой (наиболее частым значением)

Из имени был извлечён титул пассажира (Mr, Mrs, Miss и т.д.), чтобы проанализировать роли

Для одного из графиков я использовала цифры из номеров билетов. Из каждого билета были извлечены только цифры, после чего для выживших подсчитано, какие из них встречались чаще

Цветовая палитра и шрифт были заданы вручную по референсам из мудборда. Фон всех графиков — тёмный (#010817), цвета — сдержанные, вдохновлённые морской глубиной

На первом уровне я исследовала распределение возрастов всех пассажиров. График помогает увидеть, что большинство людей на борту были молодыми взрослыми — от 20 до 35 лет. Это логично: именно эта возрастная категория чаще всего путешествовала, особенно в третьем классе. Также на корабле находились дети и пожилые, но значительно меньше.

Катастрофа затронула в первую очередь молодое трудоспособное население

Я сравнила выживаемость по полу. График показывает, что женщины спасались значительно чаще — вероятно, по принципу «женщины и дети первыми». Мужчины, напротив, остались на палубе и стали жертвами катастрофы Использован barplot с поворотом подписей на -45 градусов, как отсылка к накренившемуся кораблю

Построен линейный график выживаемости в зависимости от класса. График отсылает к структурной иерархии на борту: чем выше палуба и класс — тем выше шансы

Наблюдается явная зависимость между классом билета и шансами на спасение: пассажиры первого класса выживали чаще, чем второго, а тем более — третьего. Это говорит о неравенстве доступа к спасательным шлюпкам, физической близости к палубе и социальном статусе

Из имён были извлечены обращения, отражающие роли и социальный статус. Диаграмма показывает, что большинство пассажиров были "Mr", за ним следуют "Miss" и "Mrs", а более редкие звания собраны в категорию "другие"