text = pd.read_csv(r'result.csv')
text.head()
#可视化展示泰坦尼克号数据集中男女中生存人数分布情况（用柱状图试试）。
sex=text.group.by('Sex')['Survived'].sum()
sex.plot.bar()
plt.title('survived_count')
plt.show()

sex = text.groupby('Sex')['Survived'].count()
sex.plot.bar()
plt.title('survived_count')
plt.show()

由于这里的不生存为0，所以用sum计算出来的就是生存的人数的分布

#可视化展示泰坦尼克号数据集中男女中生存人与死亡人数的比例图（用柱状图试试）。
text.groupby(['Sex','Survived']).count().unstack().plot(kind='bar',stacked='True')
plt.title('survived_count')
plt.ylabel('count')

当一个DataFrame有多个索引时，unstack() 这是一个根据索引行列转换的函数。
https://www.cnblogs.com/cgmcoding/p/13497013.html

#可视化展示泰坦尼克号数据集中不同票价的人生存和死亡人数分布情况。（用折线图试试）（横轴是不同票价，纵轴是存活人数）
fare_sur = text.groupby(['Fare'])['Survived'].value_counts().sort_values(ascending=False)
fare_sur

# 排序后绘折线图
fig = plt.figure(figsize=(20, 18))
fare_sur.plot(grid=True)
plt.legend()
plt.show()

# 排序前绘折线图
fare_sur1 = text.groupby(['Fare'])['Survived'].value_counts()
fare_sur1
fig = plt.figure(figsize=(20, 18))
fare_sur1.plot(grid=True)
plt.legend()
plt.show()

#可视化展示泰坦尼克号数据集中不同仓位等级的人生存和死亡人员的分布情况。
# 1表示生存，0表示死亡
pclass_sur = text.groupby(['Pclass'])['Survived'].value_counts()
pclass_su

Pclass Survived
1 1 136
0 80
2 0 97
1 87
3 0 372
1 119
Name: Survived, dtype: int64

import seaborn as sns
sns.countplot(x="Pclass", hue="Survived", data=text)

#可视化展示泰坦尼克号数据集中不同年龄的人生存与死亡人数分布情况。(不限表达方式)
facet = sns.FacetGrid(text, hue="Survived",aspect=3)
facet.map(sns.kdeplot,'Age',shade= True)
facet.set(xlim=(0, text['Age'].max()))
facet.add_legend()

#可视化展示泰坦尼克号数据集中不同仓位等级的人年龄分布情况。（用折线图试试）
text.Age[text.Pclass == 1].plot(kind='kde')
text.Age[text.Pclass == 2].plot(kind='kde')
text.Age[text.Pclass == 3].plot(kind='kde')
plt.xlabel("age")
plt.legend((1,2,3),loc="best")