TP 2 : Analyse préliminaire du jeu de données Titanic

Auteur·rice

HAMLIL Mohamed

Date de publication

2 mars 2026

Introduction

En TP nous travaillerons principalement avec le jeu de données titanic. Notre but sera de prédire la survie des passagers au naufrage du Titanic.

NoteObjectif

Préparer les données (Data Cleaning) et explorer les relations entre les variables (Data Exploration) avant la modélisation.

1. Jeu de données

1.1. Charger le jeu de données

Format du fichier : .csv (Comma Separated Values).

Code 
# Chargement des librairies
library(dplyr)
library(ggplot2)
library(reshape2)
library(gridExtra)

# Chargement des données
# On utilise stringsAsFactors = FALSE pour garder la main sur les types
data = read.csv("../titanic.csv", stringsAsFactors = FALSE)

1.2. Caractéristiques du jeu de données

Code 
dim(data)
[1] 876   8

Le jeu de données contient 876 individus et 8 variables.

1.3. Variables

Code 
colnames(data)
[1] "PassengerId" "Survived"    "Pclass"      "Sex"         "Age"        
[6] "SibSp"       "Parch"       "Fare"

Description des variables :

  • Identifiants (peu utiles pour la prédiction) : PassengerId, Name, Ticket.
  • Target : Survived (0 = Décédé, 1 = Survivant).
  • Socio-démographique : Sex, Age.
  • Voyage : Pclass (Classe), Fare (Prix), Cabin, Embarked (Port).
  • Famille : SibSp (Frères/Sœurs/Époux), Parch (Parents/Enfants).

Types de données attendus :

  • Quantitatives : Age, SibSp, Parch, Fare.
  • Qualitatives : Survived, Pclass, Sex, Embarked.
Code 
str(data)
'data.frame':   876 obs. of  8 variables:
 $ PassengerId: int  1 2 3 4 5 6 7 8 9 10 ...
 $ Survived   : int  0 1 1 1 0 0 0 0 1 1 ...
 $ Pclass     : int  3 1 3 1 3 3 1 3 3 2 ...
 $ Sex        : chr  "male" "female" "female" "female" ...
 $ Age        : num  22 38 26 35 35 NA 54 2 27 14 ...
 $ SibSp      : int  1 1 0 1 0 0 0 3 0 1 ...
 $ Parch      : int  0 0 0 0 0 0 0 1 2 0 ...
 $ Fare       : num  7.25 71.28 7.92 53.1 8.05 ...

1.4. Target

La variable cible est Survived. Elle est initialement codée comme un entier (int).

AstuceBonnes pratiques

Il est préférable de convertir la target en facteur avec des labels explicites pour faciliter la lecture des graphiques et des résultats de modèles.

Code 
target = factor(data$Survived, labels = c("Décédé", "Survivant"))
data$Survived = as.factor(data$Survived)

1.5. Transformation de variables (Feature Engineering)

Nous créons de nouvelles variables pour mieux capturer l’information contenue dans les données brutes.

  1. Taille de la famille (Fam) : Somme des conjoints, frères, sœurs, parents et enfants.
  2. Indicateur de famille (withFam) : Binaire, pour savoir si la personne est seule ou accompagnée.
Code 
data$Fam = data$Parch + data$SibSp
data$withFam = as.factor(ifelse(data$Fam > 0, 1, 0))
  1. Catégories d’âge (Age_cat) : L’âge a souvent un effet non linéaire (les enfants sont sauvés en priorité).
Code 
# Gestion de la valeur max pour inclure tout le monde
max_age = max(data$Age, na.rm = TRUE)

data$Age_cat = cut(data$Age, 
                   breaks = c(0, 13, 18, 60, max_age + 1), 
                   labels = c("Enfant", "Adolescent", "Adulte", "Senior"),
                   right = FALSE)
AvertissementAttention

La variable Age contient des valeurs manquantes (NA). Par conséquent, Age_cat contiendra aussi des NA pour ces individus.

1.6. Sélection des variables prédictives

Nous écartons les identifiants et nous assurons que les variables qualitatives sont bien typées.

Code 
# Typage correct
data$Pclass = as.factor(data$Pclass)
data$Sex    = as.factor(data$Sex)
if("Embarked" %in% colnames(data)) data$Embarked = as.factor(data$Embarked)

# Séparation
qualitative_vars  = data %>% select(Age_cat, Pclass, Sex, withFam)
quantitative_vars = data %>% select(Age, SibSp, Parch, Fam, Fare)

2. Analyse univariée

2.1. Statistiques descriptives

Variables quantitatives

Code 
summary(quantitative_vars)
      Age            SibSp           Parch             Fam         
 Min.   : 0.42   Min.   :0.000   Min.   :0.0000   Min.   : 0.0000  
 1st Qu.:20.00   1st Qu.:0.000   1st Qu.:0.0000   1st Qu.: 0.0000  
 Median :28.00   Median :0.000   Median :0.0000   Median : 0.0000  
 Mean   :29.65   Mean   :0.532   Mean   :0.3881   Mean   : 0.9201  
 3rd Qu.:38.00   3rd Qu.:1.000   3rd Qu.:0.0000   3rd Qu.: 1.0000  
 Max.   :80.00   Max.   :8.000   Max.   :6.0000   Max.   :10.0000  
 NA's   :169                                                       
      Fare        
 Min.   :  4.013  
 1st Qu.:  7.925  
 Median : 14.500  
 Mean   : 32.756  
 3rd Qu.: 31.275  
 Max.   :512.329

Observations :

  • Age : Environ 20% de données manquantes.
  • Fare : Très dispersée (Moyenne = 32, Max = 512). Distribution probablement très asymétrique.

Variables qualitatives

Code 
summary(qualitative_vars)
       Age_cat    Pclass      Sex      withFam
 Enfant    : 69   1:211         :  2   0:522  
 Adolescent: 44   2:178   female:314   1:354  
 Adulte    :568   3:487   male  :560          
 Senior    : 26                               
 NA's      :169
ImportantNettoyage des chaînes vides

Parfois, les données manquantes dans les fichiers CSV sont encodées par du vide "" au lieu de NA. Il faut les corriger.

Code 
# Exemple de correction si nécessaire (notamment pour Embarked)
# data$Embarked[data$Embarked == ""] <- NA
# data$Embarked <- droplevels(data$Embarked)

Target

Code 
table(target)
target
   Décédé Survivant 
      535       341
Code 
prop.table(table(target))
target
   Décédé Survivant 
0.6107306 0.3892694

Environ 38% de survie. Les classes sont déséquilibrées, mais c’est gérable.

2.2. Analyse graphique

Variables quantitatives (Histogrammes)

Code 
# Transformation en format long pour ggplot
quant_long = melt(quantitative_vars)

ggplot(quant_long, aes(x = value)) +
  geom_histogram(bins = 30, fill = "steelblue", color = "white") +
  facet_wrap(~variable, scales = "free") +
  theme_minimal() +
  labs(x = "Valeur", y = "Fréquence")

Distribution des variables quantitatives

Remarque : Les distributions ne sont pas gaussiennes (normales).

  • Problème pour Naive Bayes : Ce modèle suppose souvent la normalité des variables continues.
  • Solutions : Transformation logarithmique (log(x+1)) ou discrétisation.

Variables qualitatives (Barplots)

Code 
qual_long = melt(qualitative_vars, id.vars = NULL)

ggplot(qual_long, aes(x = value)) +
  geom_bar(fill = "coral", color = "black") +
  facet_wrap(~variable, scales = "free") +
  theme_minimal() +
  labs(x = "Catégories", y = "Effectif")

Distribution des variables qualitatives

3. Analyse multivariée

3.1. Corrélations entre variables quantitatives

Code 
cor_mat = cor(quantitative_vars, use = "complete.obs")
melted_cor_mat = melt(cor_mat)

ggplot(data = melted_cor_mat, aes(x = Var1, y = Var2, fill = value)) + 
  geom_tile() + 
  scale_fill_gradient2(low = "blue", mid = "white", high = "red", limit = c(-1,1)) +
  geom_text(aes(label = round(value, 2)), size = 3) +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  labs(x = "", y = "", fill = "Corr")

Matrice de corrélation

Multicolinéarité : Forte corrélation entre Fam, SibSp et Parch. C’est attendu car Fam = SibSp + Parch. Il faudra éviter de mettre toutes ces variables ensemble dans certains modèles (ex: régression logistique) pour éviter la redondance.

3.2. Variables quantitatives vs Target

On utilise des boxplots pour voir si la distribution d’une variable change selon la survie.

Code 
plot_data = cbind(quantitative_vars, Target = target)
plot_data_long = melt(plot_data, id.vars = "Target")

ggplot(plot_data_long, aes(x = Target, y = value, fill = Target)) +
  geom_boxplot() +
  facet_wrap(~variable, scales = "free") +
  scale_fill_manual(values = c("pink", "lightblue")) +
  theme_minimal() +
  labs(x = "")

Impact des variables quantitatives sur la survie

Interprétation :

  • Fare : Les survivants ont payé plus cher en moyenne.
  • Age : Différence subtile, mais les enfants semblent avantagés (moins d’outliers bas chez les décédés).

3.3. Variables qualitatives vs Target

Nous comparons les proportions (fill) pour neutraliser l’effet d’effectif total.

Code 
# Fonction pour générer les plots
plot_list = list()
for(col in names(qualitative_vars)){
  p = ggplot(data = data.frame(var = qualitative_vars[[col]], Target = target) %>% na.omit(), 
             aes(x = var, fill = Target)) +
      geom_bar(position = "fill", color = "black") +
      scale_fill_manual(values = c("gray70", "lightgreen")) +
      theme_minimal() +
      geom_hline(yintercept = 0.38, linetype="dashed", color="red") + # Moyenne survie
      labs(title = col, x = "", y = "Proportion") +
      theme(legend.position = "bottom")
  plot_list[[col]] = p
}

grid.arrange(grobs = plot_list, ncol = 2)

Proportion de survie par catégorie

Conclusions majeures :

  1. Sex : Les femmes ont beaucoup plus survécu.
  2. Pclass : La 1ère classe a un net avantage.
  3. Age_cat : Les enfants ont été protégés.

4. Gestion des données manquantes

Code 
colSums(is.na(data))
PassengerId    Survived      Pclass         Sex         Age       SibSp 
          0           0           0           0         169           0 
      Parch        Fare         Fam     withFam     Age_cat 
          0           0           0           0         169
  • Qualitatives (ex: Cabin, Embarked) : Créer une catégorie “Inconnu” ou imputer par le mode.
  • Quantitatives (ex: Age) : Imputer par la médiane ou utiliser une régression basée sur le titre (Mr, Mrs, Master…).

5. Sauvegarde

Nous sauvegardons les données nettoyées pour le prochain TP.

Code 
write.csv(data, "titanic_pre_processed.csv", row.names = FALSE)
write.csv(target, "titanic_pre_processed_target.csv", row.names = FALSE)
write.csv(quantitative_vars, "titanic_pre_processed_quantitative_vars.csv", row.names = FALSE)
write.csv(qualitative_vars, "titanic_pre_processed_qualitative_vars.csv", row.names = FALSE)