Ανάλυση δεδομένων μέσω της οπτικοποίησης δεδομένων

Εισαγωγή

Σε αυτό το κεφάλαιο, επανερχόμαστε στο σύνολο δεδομένων titanic, το οποίο χρησιμοποιήσαμε προηγουμένως για να εξασκηθούμε στη δημιουργία διαγραμμάτων από την αρχή. Αυτή τη φορά, η εστίασή μας μετατοπίζεται από τη δημιουργία οπτικοποιήσεων στη χρήση τους ως εργαλείων ανάλυσης. Μέσα από την περίπτωση του Titanic, στόχος μας είναι να εξερευνήσουμε πώς οι οπτικοποιήσεις δεδομένων μπορούν να μας βοηθήσουν να κατανοήσουμε καλύτερα τη δομή ενός συνόλου δεδομένων (και ενός προβλήματος), να εντοπίσουμε διαφορές μεταξύ ομάδων, να παρατηρήσουμε τάσεις και να αποκαλύψουμε ουσιαστικά μοτίβα.

Στόχος μας είναι να δούμε, στην πράξη, πώς η οπτικοποίηση δεδομένων υποστηρίζει τη διαδικασία της ανάλυσης δεδομένων, όχι μόνο για την παρουσίαση, αλλά ως αναπόσπαστο μέρος της διερευνητικής ανάλυσης. Εξετάζοντας οπτικά τα δεδομένα από πολλές οπτικές γωνίες, μπορούμε να σχηματίσουμε εντυπώσεις βασισμένες στα δεδομένα και να αρχίσουμε να ερμηνεύουμε τι μπορεί να υποδηλώνουν, έχοντας πάντα κατά νου ότι η οπτικοποίηση είναι αφετηρία για γνώση, όχι τελική απάντηση.

Φόρτωση packages και εισαγωγή δεδομένων

Ξεκινάμε φορτώνοντας τα packages του tidyverse και το package scales, το οποίο είναι χρήσιμο για τη μορφοποίηση των ετικετών των αξόνων, όπως ποσοστά ή νομισματικές μονάδες. Ορίζουμε επίσης ένα συνεπές οπτικό στυλ για τα διαγράμματά μας, με τη συνάρτηση theme_light() μέσα στην theme_set():

# Βιβλιοθήκες
library(tidyverse)
library(scales)

# Ορισμός θέματος
theme_set(theme_light())

Με το περιβάλλον έτοιμο, εισάγουμε τώρα το σύνολο δεδομένων titanic απευθείας από το GitHub:

# Εισαγωγή του titanic
titanic <- read_csv("https://raw.githubusercontent.com/Datakortex/Datasets/refs/heads/main/titanic.csv")

Όπως παρουσιάστηκε στο προηγούμενο κεφάλαιο, το σύνολο δεδομένων titanic περιέχει πληροφορίες για τους επιβάτες που βρίσκονταν στο RMS Titanic, το οποίο βυθίστηκε τραγικά στις 15 Απριλίου 1912, αφού είχε προσκρούσει σε παγόβουνο αργά το προηγούμενο βράδυ. Το σύνολο δεδομένων περιλαμβάνει μια σειρά από μεταβλητές που μας βοηθούν να εξερευνήσουμε διάφορες πτυχές των δημογραφικών χαρακτηριστικών και των συνθηκών ταξιδιού των επιβατών:

  • PassengerId: Ένα μοναδικό αναγνωριστικό για κάθε επιβάτη

  • Survived: Αν ο επιβάτης επέζησε (1) ή δεν επέζησε (0)

  • Pclass: Θέση εισιτηρίου (1 = 1η, 2 = 2η, 3 = 3η)

  • Name: Ονοματεπώνυμο του επιβάτη

  • Sex: Φύλο του επιβάτη

  • Age: Ηλικία σε έτη

  • SibSp: Αριθμός αδελφών ή συζύγων στο πλοίο

  • Parch: Αριθμός γονέων ή παιδιών στο πλοίο

  • Ticket: Αριθμός εισιτηρίου

  • Fare: Ναύλο που πληρώθηκε για το εισιτήριο

  • Cabin: Αριθμός καμπίνας

  • Embarked: Λιμάνι επιβίβασης (C = Cherbourg, Q = Queenstown, S = Southampton)

Το σύνολο δεδομένων προσφέρει ένα πλούσιο πλαίσιο για να εξερευνήσουμε πώς μπορούμε να χρησιμοποιήσουμε την οπτικοποίηση δεδομένων για να κατανοήσουμε διάφορα χαρακτηριστικά και κατανομές σε πραγματικά δεδομένα.

Προεπεξεργασία των δεδομένων

Πριν προχωρήσουμε στην οπτική εξερεύνηση, ξεκινάμε με μερικά βήματα προεπεξεργασίας για να προετοιμάσουμε το σύνολο δεδομένων titanic. Αρχικά, δημιουργούμε μια νέα μεταβλητή τύπου factor με το όνομα Survived_Label. Με τη συνάρτηση if_else(), η μεταβλητή αυτή παίρνει την ετικέτα "Survived" αν ο επιβάτης επέζησε (δηλαδή, Survived == 1) και "Not Survived" σε κάθε άλλη περίπτωση. Αυτός ο μετασχηματισμός κάνει τα δεδομένα πιο κατανοητά και πιο εύκολα στην ερμηνεία τους στα διαγράμματα.

Επιπλέον, μετατρέπουμε αρκετές κατηγορικές μεταβλητές σε τύπο factor. Συγκεκριμένα, οι Pclass, Sex και Embarked εισάγονται είτε ως αριθμητικές είτε ως μεταβλητές χαρακτήρων, αλλά αναπαριστούν διακριτές κατηγορίες και θα πρέπει να αντιμετωπίζονται αντίστοιχα στην ανάλυσή μας:

# Προεπεξεργασία του titanic
titanic <- titanic %>%
  mutate(Survived_Label = if_else(Survived == 1, "Survived", "Not Survived"),
         Survived_Label = as.factor(Survived_Label),
         Pclass = as.factor(Pclass),
         Sex = as.factor(Sex),
         Embarked = as.factor(Embarked))

Διερευνητική ανάλυση δεδομένων και οπτικοποίηση δεδομένων

Μέχρι τώρα, έχουμε προετοιμάσει το περιβάλλον της R, έχουμε εισαγάγει το σύνολο δεδομένων μας και έχουμε εκτελέσει τα απαραίτητα βήματα προεπεξεργασίας. Πώς όμως ξεκινάμε στην πράξη την ανάλυση ενός συνόλου δεδομένων; Μπορεί να δημιουργήσουμε κάποια διαγράμματα ή να υπολογίσουμε συνοπτικά στατιστικά μέτρα—αλλά από πού ξεκινάμε και τι πρέπει να αναζητήσουμε; Όπως αποδεικνύεται, δεν υπάρχει καθολική απάντηση σε αυτό το ερώτημα.

Στόχος μας στην ανάλυση δεδομένων είναι να κατανοήσουμε τα δεδομένα που έχουμε. Η διαδικασία αυτή ξεκινά με το να θέτουμε ουσιαστικά ερωτήματα και στη συνέχεια να χρησιμοποιούμε τα δεδομένα για να τα απαντήσουμε. Από εκεί, εμβαθύνουμε στα δεδομένα για να εξερευνήσουμε μοτίβα και να αντλήσουμε γνώσεις. Ωστόσο, η διαδικασία αυτή σπάνια είναι γραμμική. Τα ίδια τα ερωτήματα δεν είναι πάντα προφανή, ιδίως σε επιχειρηματικά περιβάλλοντα, όπου το να βρούμε ποια ερωτήματα πρέπει να θέσουμε μπορεί να είναι από τα πιο δύσκολα κομμάτια της δουλειάς. Στην πραγματικότητα, ένα ερώτημα που απαντήθηκε συχνά οδηγεί σε αρκετά νέα. Αυτή η διαδικασία πήγαινε-έλα βρίσκεται στον πυρήνα αυτού που κάνει τη Διερευνητική Ανάλυση Δεδομένων (Exploratory Data Analysis, EDA) τόσο σημαντική.

Υπό αυτή την έννοια, η εργασία με δεδομένα μοιάζει συχνά περισσότερο με τη δουλειά ενός ντετέκτιβ παρά ενός στατιστικολόγου. Πριν εκτελέσουμε οποιουσδήποτε τυπικούς ελέγχους ή μοντέλα, πρέπει να ερευνήσουμε τα δεδομένα για να αποκαλύψουμε μοτίβα, ανωμαλίες ή ενδείξεις που καθοδηγούν την κατανόησή μας. Ο John Tukey, πρωτοπόρος της EDA, τόνισε αυτή την ιδέα όταν είπε: «Η μεγαλύτερη αξία μιας εικόνας είναι όταν μας αναγκάζει να προσέξουμε αυτό που ποτέ δεν περιμέναμε να δούμε» (Tukey, 1977). Η οπτικοποίηση των δεδομένων μάς επιτρέπει να εντοπίσουμε τάσεις και εκπλήξεις που οι σκέτοι αριθμοί μπορεί να κρύβουν. Μας βοηθά όχι μόνο να κατανοήσουμε τα δεδομένα μας σε μεγαλύτερο βάθος, αλλά και να επικοινωνήσουμε τα ευρήματά μας με μεγαλύτερη σαφήνεια και πειστικότητα.

Ο Hadley Wickham, κορυφαία μορφή της σύγχρονης επιστήμης δεδομένων, συμμερίζεται αυτή την άποψη: «Η EDA δεν είναι μια τυπική διαδικασία με αυστηρό σύνολο κανόνων. Πάνω απ’ όλα, η EDA είναι ένας τρόπος σκέψης» (Wickham, Çetinkaya-Rundel, & Grolemund, 2023). Αντί να προσπαθούμε να επιβεβαιώσουμε μια θεωρία από την αρχή, εξερευνούμε τα δεδομένα για να σχηματίσουμε νέες ιδέες που αξίζει να ελεγχθούν αργότερα. Όπως ακριβώς ένας ντετέκτιβ ακολουθεί στοιχεία και βελτιώνει τις θεωρίες του με βάση τα τεκμήρια, έτσι και ένας αναλυτής δεδομένων χρησιμοποιεί οπτικοποιήσεις και συνόψεις για να βγάλει νόημα από σύνθετη πληροφορία.

Τελικά, η EDA είναι μια δημιουργική, επαναληπτική διαδικασία που καθοδηγείται από ερωτήματα, η οποία ζωντανεύει τα δεδομένα και μας προετοιμάζει για βαθύτερη στατιστική διερεύνηση. Εδώ η οπτικοποίηση δεδομένων γίνεται ένα από τα πιο ισχυρά εργαλεία μας. Οι οπτικοποιήσεις μάς επιτρέπουν να «δούμε» τη δομή των δεδομένων—τις κατανομές τους, τις σχέσεις τους και τα outliers—αποκαλύπτοντας συχνά γνώσεις που θα ήταν δύσκολο να εντοπιστούν μόνο μέσα από πίνακες ή συνοπτικά στατιστικά μέτρα.

Μέσα από την οπτική εξερεύνηση, μπορούμε να θέσουμε καλύτερα ερωτήματα: Υπάρχουν ασυνήθιστες αιχμές στις πωλήσεις; Συμπεριφέρονται διαφορετικά ορισμένες ομάδες πελατών; Κρύβεται κάποια τάση πίσω από την εποχική διακύμανση; Κάθε οπτικοποίηση λειτουργεί σαν προβολέας, φωτίζοντας διαφορετικά μέρη του συνόλου δεδομένων και βοηθώντας μας να αποφασίσουμε πού θα κοιτάξουμε στη συνέχεια.

Επιπλέον, η οπτικοποίηση δεδομένων δεν μας βοηθά μόνο να κατανοήσουμε τα δεδομένα—μας βοηθά να αφηγηθούμε την ιστορία τους. Ένα καλοσχεδιασμένο διάγραμμα μπορεί να επικοινωνήσει τα ευρήματα πιο αποτελεσματικά από αρκετές παραγράφους επεξήγησης. Είτε πρόκειται για ένα διάγραμμα διασποράς που δείχνει μια σαφή σχέση, είτε για ένα ραβδόγραμμα που συγκρίνει κατηγορίες, είτε για μια χρονοσειρά που αποκαλύπτει τάσεις, οι οπτικοποιήσεις μετατρέπουν τους σκέτους αριθμούς σε κάτι που είναι ταυτόχρονα ερμηνεύσιμο και πειστικό.

Ανάλυση του συνόλου δεδομένων Titanic

Για να συνεχίσουμε τη μελέτη περίπτωσης του Titanic, ξεκινάμε με το πιο βασικό ερώτημα: Πόσοι επιβάτες επέζησαν και πόσοι όχι;

Μπορούμε να απαντήσουμε σε αυτό το ερώτημα δημιουργώντας ένα bar plot με τη μεταβλητή Survived_Label που δημιουργήσαμε νωρίτερα. Επειδή πρόκειται για κατηγορική μεταβλητή, αρκεί να την ορίσουμε στον άξονα x μέσα στην aes()—το ggplot2 θα μετρήσει αυτόματα τις εμφανίσεις:

# Δημιουργία ενός βασικού bar plot με τον αριθμό των επιζώντων και των μη επιζώντων
titanic %>%
  ggplot(aes(x = Survived_Label)) +
  geom_bar()

Εικόνα 14.1: Αριθμός επιβατών ανά κατάσταση επιβίωσης.

Αυτό το bar plot δείχνει ότι οι περισσότεροι επιβάτες στο σύνολο δεδομένων δεν επέζησαν. Οπτικά, μπορούμε να εκτιμήσουμε ότι περισσότεροι από 500 επιβάτες έχασαν τη ζωή τους, ενώ περίπου 350 επέζησαν.

Μπορούμε να βελτιώσουμε αυτό το διάγραμμα ώστε να είναι πιο ελκυστικό οπτικά και πιο εύκολο στην ερμηνεία. Συγκεκριμένα, μπορούμε να:

  • Αλλάξουμε το χρώμα των ράβδων σε "skyblue"

  • Αφαιρέσουμε τον τίτλο του άξονα x (αφού τα ονόματα των κατηγοριών είναι αυτονόητα)

  • Μετονομάσουμε τον άξονα y σε «Number of Passengers»

Χρησιμοποιούμε το όρισμα fill στην geom_bar() για να αλλάξουμε το χρώμα και τη συνάρτηση labs() για να αλλάξουμε τις ετικέτες των αξόνων:

# Δημιουργία ενός βελτιωμένου bar plot με τον αριθμό των επιζώντων και των μη επιζώντων
titanic %>%
  ggplot(aes(x = Survived_Label)) +
  geom_bar(fill = "skyblue") +
  labs(x = "",
       y = "Number of Passengers")

Εικόνα 14.2: Αριθμός επιβατών ανά κατάσταση επιβίωσης (βελτιωμένο διάγραμμα).

Στη συνέχεια, ρωτάμε: Πώς διαφέρει η αναλογία επιζώντων ανάλογα με το φύλο;

Θα περιμέναμε υψηλότερη αναλογία επιζώντων στις γυναίκες, καθώς, ιστορικά, στις γυναίκες και στα παιδιά δίνεται συχνά προτεραιότητα σε καταστάσεις εκκένωσης.

Για να το εξερευνήσουμε, χρησιμοποιούμε ξανά ένα bar plot. Αυτή τη φορά, όμως, μας ενδιαφέρει η αναλογία και όχι ο απόλυτος αριθμός των επιβατών. Επειδή η μεταβλητή Survived είναι δυαδική (0 για όσους δεν επέζησαν, 1 για όσους επέζησαν), μπορούμε να τη χρησιμοποιήσουμε για να υπολογίσουμε την αναλογία επιζώντων ανά φύλο.

Για να το κάνουμε αυτό, χρησιμοποιούμε τις συναρτήσεις group_by() και summarize(), εφαρμόζοντας τη συνάρτηση mean() για να υπολογίσουμε την αναλογία επιζώντων για κάθε φύλο. Επειδή η μεταβλητή Survived έχει κωδικοποιηθεί με 1 για τους επιβάτες που επέζησαν και 0 για όσους δεν επέζησαν, το mean αυτής της δυαδικής μεταβλητής μέσα σε μια ομάδα αντιπροσωπεύει την αναλογία επιζώντων:

# Υπολογισμός της αναλογίας επιζώντων ανά φύλο
titanic %>%
  group_by(Sex) %>%
  summarize(Proportion_Survivors = mean(Survived))
# A tibble: 2 × 2
  Sex    Proportion_Survivors
  <fct>                 <dbl>
1 female                0.742
2 male                  0.189

Αυτό μάς δίνει την αναλογία επιζώντων για κάθε φύλο, την οποία μπορούμε τώρα να οπτικοποιήσουμε. Επειδή ορίζουμε και την αισθητική ιδιότητα x και την y, χρησιμοποιούμε την geom_col() αντί για την geom_bar() για να δημιουργήσουμε το διάγραμμα:

# Διάγραμμα της αναλογίας επιζώντων ανά φύλο
titanic %>%
  group_by(Sex) %>%
  summarize(Proportion_Survivors = mean(Survived)) %>%
  ggplot(aes(x = Sex, y = Proportion_Survivors)) +
  geom_col(fill = "skyblue") +
  labs(x = "",
       y = "Proportion of Survivors")

Εικόνα 14.3: Αναλογία επιζώντων ανά φύλο.

Σε αυτό το στάδιο, το διάγραμμα εμφανίζει τις αναλογίες επιζώντων ως δεκαδικούς αριθμούς (π.χ. 0.75 για 75%). Για να εκφράσουμε αυτές τις τιμές ως ποσοστά, χρησιμοποιούμε τη συνάρτηση percent_format() του package scales και την εφαρμόζουμε στον άξονα y:

# Διάγραμμα της αναλογίας επιζώντων ανά φύλο με ετικέτες ποσοστών
titanic %>%
  group_by(Sex) %>%
  summarize(Proportion_Survivors = mean(Survived)) %>%
  ggplot(aes(x = Sex, y = Proportion_Survivors)) +
  geom_col(fill = "skyblue") +
  scale_y_continuous(labels = percent_format()) +
  labs(x = "",
       y = "Proportion of Survivors")

Εικόνα 14.4: Αναλογία επιζώντων ανά φύλο (βελτιωμένο διάγραμμα).

Αυτό το τελικό διάγραμμα δείχνει ότι περίπου το 74% των γυναικών επέζησε, σε σύγκριση με μόλις το 19% των ανδρών. Αυτή η έντονη αντίθεση αναδεικνύει ένα σαφές μοτίβο στα δεδομένα και μας δίνει μια ισχυρή οπτική εικόνα της επίδρασης του φύλου στην επιβίωση.

Η μεταβλητή Sex μας λέει αν ένας επιβάτης ήταν άνδρας ή γυναίκα, αλλά δεν μας δίνει καμία πληροφορία για την ηλικιακή του κατηγορία—αν ήταν παιδί, έφηβος, ενήλικας ή ηλικιωμένος.

Έτσι, ένα φυσικό επόμενο ερώτημα είναι: Πώς μεταβάλλεται η αναλογία επιζώντων ανάλογα με το φύλο και την ηλικιακή ομάδα μαζί;

Για παράδειγμα, θα περιμέναμε τα αγόρια και τα κορίτσια να έχουν παρόμοιες (και σχετικά υψηλές) αναλογίες επιζώντων, αφού στα παιδιά δίνεται συχνά προτεραιότητα κατά την εκκένωση. Αντίθετα, θα περιμέναμε οι ενήλικες άνδρες να έχουν τη χαμηλότερη αναλογία επιζώντων.

Για να το εξερευνήσουμε, επεκτείνουμε την προηγούμενη ανάλυσή μας. Αρχικά, χρησιμοποιούμε τη συνάρτηση case_when() για να δημιουργήσουμε μια νέα μεταβλητή, την Category, με βάση τη μεταβλητή Age. Ορίζουμε πέντε ηλικιακές ομάδες:

  • 0–12: Child (παιδί)

  • 13–17: Teenager (έφηβος)

  • 18–64: Adult (ενήλικας)

  • 65+: Elder (ηλικιωμένος)

  • NA: Missing (ελλείπουσα τιμή)

Η κατηγορία "Missing" χρησιμοποιείται για τους επιβάτες των οποίων η ηλικία δεν είναι διαθέσιμη στο σύνολο δεδομένων. Η δημιουργία μιας ρητής κατηγορίας για αυτές τις παρατηρήσεις μάς επιτρέπει να τις κρατήσουμε στην ανάλυση αντί να εξαιρεθούν αυτόματα. Επιπλέον, δεν υπάρχει κάποιος καθολικός κανόνας για αυτές τις συγκεκριμένες ηλικιακές ομάδες· τέτοιες επιλογές είναι, σε τελική ανάλυση, υποκειμενικές.

Μπορούμε τώρα να υπολογίσουμε τις αναλογίες επιζώντων σε κάθε συνδυασμό φύλου–κατηγορίας με την ίδια διαδικασία όπως πριν: group_by() και summarize() με τη συνάρτηση mean(), ώστε να υπολογίσουμε τις αναλογίες επιζώντων.

Τέλος, προσθέτουμε την Category ως facet στο διάγραμμα, ώστε να κάνουμε συγκρίσεις μεταξύ των ηλικιακών ομάδων:

# Δημιουργία ηλικιακών κατηγοριών και διάγραμμα της αναλογίας επιζώντων ανά φύλο και ηλικιακή κατηγορία
titanic %>%
  mutate(Category = case_when(
    Age <= 12 ~ "Child",
    Age <= 17 ~ "Teenager",
    Age <= 64 ~ "Adult",
    Age > 64 ~ "Elder",
    TRUE ~ "Missing")) %>%
  group_by(Sex, Category) %>%
  summarize(Proportion_Survivors = mean(Survived)) %>%
  ggplot(aes(x = Sex, y = Proportion_Survivors)) +
  geom_col(fill = "skyblue") +
  scale_y_continuous(labels = percent_format()) +
  labs(x = "",
       y = "Proportion of Survivors") +
  facet_grid(. ~ Category)

Εικόνα 14.5: Αναλογία επιζώντων ανά φύλο, με facets ανά ηλικιακή κατηγορία.

Όπως αναμενόταν, η αναλογία επιζώντων στα παιδιά είναι υψηλή και περίπου ίδια για αγόρια και κορίτσια. Επίσης, όλοι οι ηλικιωμένοι επιβάτες ήταν άνδρες, και μόνο περίπου το 10% από αυτούς επέζησε. Ωστόσο, παρατηρούμε επίσης ότι οι έφηβες έχουν αισθητά υψηλότερη αναλογία επιζώντων από τους εφήβους, όπως ακριβώς και οι ενήλικες γυναίκες. Ένα παρόμοιο μοτίβο παρατηρείται και στους επιβάτες χωρίς πληροφορία για την ηλικία, όπου οι γυναίκες εμφανίζουν επίσης σημαντικά υψηλότερη αναλογία επιζώντων από τους άνδρες. Σημαίνει αυτό ότι και οι γυναίκες σε αυτές τις ομάδες είχαν μεγαλύτερη προτεραιότητα από τους άνδρες; Είναι πιθανό. Πριν όμως καταλήξουμε σε ασφαλή συμπεράσματα, πρέπει να λάβουμε υπόψη τον αριθμό των επιβατών σε κάθε ομάδα. Αν μια ομάδα έχει λίγα μόνο άτομα, ένας μόνο επιζών μπορεί να επηρεάσει δυσανάλογα την αναλογία επιζώντων.

Για να το διερευνήσουμε, δημιουργούμε ένα δεύτερο διάγραμμα που δείχνει τον αριθμό των επιβατών (και όχι την αναλογία επιζώντων), ομαδοποιημένο ανά φύλο και ηλικιακή κατηγορία:

# Διάγραμμα του αριθμού των επιβατών ανά φύλο και ηλικιακή κατηγορία
titanic %>%
  mutate(Category = case_when(
    Age <= 12 ~ "Child",
    Age <= 17 ~ "Teenager",
    Age <= 64 ~ "Adult",
    Age > 64 ~ "Elder",
    TRUE ~ "Missing")) %>%
  ggplot(aes(x = Sex)) +
  geom_bar(fill = "skyblue") +
  labs(x = "",
       y = "Number of Passengers") +
  facet_grid(. ~ Category)

Εικόνα 14.6: Αριθμός επιβατών ανά φύλο, με facets ανά ηλικιακή κατηγορία.

Αυτό το διάγραμμα δείχνει ότι:

  • Ο αριθμός των εφήβων αγοριών και κοριτσιών είναι περίπου ίδιος

  • Η συντριπτική πλειονότητα των επιβατών ήταν ενήλικες

  • Στην ομάδα με ελλείπουσα ηλικία, ο αριθμός των ανδρών είναι αισθητά μεγαλύτερος από αυτόν των γυναικών

Επομένως, οι προηγούμενες αναλογίες επιζώντων δεν είναι παραμορφωμένες λόγω μικρών μεγεθών δείγματος. Οι διαφορές μεταξύ των φύλων στην επιβίωση ανά ηλικιακή κατηγορία είναι επομένως ουσιαστικές και υποδηλώνουν ένα συνεπές μοτίβο: στις κατηγορίες όπου υπάρχουν και άνδρες και γυναίκες επιβάτες, οι γυναίκες—ανεξαρτήτως ηλικίας—είχαν μεγαλύτερη πιθανότητα να επιζήσουν από τους άνδρες.

Το επόμενο ερώτημα είναι: ποια είναι η αναλογία επιζώντων ανά φύλο στις διάφορες θέσεις εισιτηρίου;

Για να απαντήσουμε σε αυτό, υπολογίζουμε την αναλογία επιζώντων ξεχωριστά για τους άνδρες και τις γυναίκες σε κάθε μία από τις τρεις θέσεις εισιτηρίου και βάζουμε τη θέση του εισιτηρίου στον άξονα x.

Αυτή τη φορά, αντί να χρησιμοποιήσουμε facets, θέλουμε να εμφανίσουμε τις ράβδους για κάθε φύλο δίπλα δίπλα. Για να το κάνουμε αυτό, ορίζουμε το όρισμα position της geom_col() σε position_dodge(). Για αισθητικούς λόγους, χρησιμοποιούμε επίσης τη συνάρτηση scale_fill_manual() για να δώσουμε διακριτά χρώματα σε κάθε φύλο: απαλό ροζ για τις γυναίκες και απαλό μπλε για τους άνδρες:

# Διάγραμμα της αναλογίας επιζώντων ανά φύλο και θέση εισιτηρίου
titanic %>%
  group_by(Pclass, Sex) %>%
  summarize(Proportion_Survivors = mean(Survived)) %>%
  ggplot(aes(x = Pclass,
             y = Proportion_Survivors,
             fill = Sex)) +
  geom_col(position = position_dodge()) +
  scale_y_continuous(labels = percent_format()) +
  scale_fill_manual(values = c("lightpink", "lightblue")) +
  labs(x = "Ticket Class",
       y = "Proportion of Survivors")

Εικόνα 14.7: Αναλογία επιζώντων ανά φύλο και θέση εισιτηρίου.

Το διάγραμμα που προκύπτει δείχνει μια σαφή τάση: και στα δύο φύλα, η αναλογία επιζώντων τείνει να μειώνεται όσο χαμηλότερη είναι η θέση του εισιτηρίου (δηλαδή από την 1η προς την 3η θέση). Ωστόσο, η πτώση εμφανίζεται σε διαφορετικό σημείο για κάθε φύλο. Για τις γυναίκες, η αναλογία επιζώντων παραμένει σχετικά σταθερή μεταξύ 1ης και 2ης θέσης (περίπου 97% και 92%), με σημαντική πτώση μόνο στην 3η θέση (50%). Για τους άνδρες, υπάρχει αξιοσημείωτη μείωση από την 1η στη 2η θέση (από περίπου 37% σε 16%), και στη συνέχεια μια μικρή περαιτέρω μείωση από τη 2η στην 3η θέση (14%). Μια πιθανή εξήγηση για αυτό το μοτίβο είναι ότι στις γυναίκες επιβάτες δόθηκε γενικά προτεραιότητα στην εκκένωση ανεξάρτητα από τη θέση τους, ιδίως στην 1η και τη 2η θέση, όπου οι διαδικασίες εκκένωσης ίσως ήταν πιο οργανωμένες και πιο προσβάσιμες. Αντίθετα, οι άνδρες επιβάτες, ιδίως όσοι ταξίδευαν σε χαμηλότερες θέσεις, μπορεί να είχαν πιο περιορισμένη πρόσβαση στις σωσίβιες λέμβους λόγω της θέσης τους στο πλοίο (π.χ. καμπίνες στα κατώτερα καταστρώματα), των πρωτοκόλλων του πληρώματος ή των κοινωνικών νορμών που έδιναν προτεραιότητα στις γυναίκες και στα παιδιά. Ως αποτέλεσμα, για τους άνδρες η κύρια διαχωριστική γραμμή ήταν μεταξύ της 1ης θέσης και των άλλων δύο, ενώ για τις γυναίκες ήταν μεταξύ της 3ης θέσης και των άλλων δύο.

Αυτή η παρατήρηση μπορεί επίσης να βοηθήσει να εξηγήσουμε γιατί οι έφηβοι είχαν πολύ χαμηλότερη αναλογία επιζώντων από τις έφηβες. Λογικά, δεν θα περιμέναμε απαραίτητα οι έφηβες να έχουν μεγαλύτερη προτεραιότητα από τους εφήβους. Ωστόσο, αν η θέση και η τοποθεσία στο πλοίο έπαιξαν βασικό ρόλο στην πρόσβαση στην εκκένωση, τότε η ίδια προτεραιότητα με βάση το φύλο που βλέπουμε στους ενήλικες επιβάτες πιθανότατα επεκτάθηκε και στις υπόλοιπες ηλικιακές ομάδες, με αποτέλεσμα καλύτερη έκβαση για τις γυναίκες, ανεξάρτητα από την ηλικία.

Μπορούμε να εξερευνήσουμε αυτή την υπόθεση επεκτείνοντας τον προηγούμενο κώδικα ώστε να περιλαμβάνει το βήμα στο οποίο δημιουργούμε τη μεταβλητή Category και προσθέτοντας στη συνέχεια facets, για να οπτικοποιήσουμε τις αναλογίες επιζώντων ανά ηλικιακή ομάδα:

# Διάγραμμα των αναλογιών επιζώντων ανά ηλικιακή κατηγορία, ηλικία και θέση εισιτηρίου
titanic %>%
  mutate(Category = case_when(
    Age <= 12 ~ "Child",
    Age <= 17 ~ "Teenager",
    Age <= 64 ~ "Adult",
    Age > 64 ~ "Elder",
    TRUE ~ "Missing")) %>%
  group_by(Pclass, Sex, Category) %>%
  summarize(Proportion_Survivors = mean(Survived)) %>%
  ggplot(aes(x = Pclass,
             y = Proportion_Survivors,
             fill = Sex)) +
  geom_col(position = position_dodge()) +
  scale_y_continuous(labels = percent_format()) +
  scale_fill_manual(values = c("lightpink", "lightblue")) +
  labs(x = "Ticket Class",
       y = "Proportion of Survivors") +
  facet_grid(. ~ Category)

Εικόνα 14.8: Αναλογία επιζώντων ανά φύλο, ηλικιακή κατηγορία και θέση εισιτηρίου.

Παρόλο που οι αναλογίες επιζώντων στις γυναίκες ήταν σταθερά υψηλότερες, ή τουλάχιστον ίσες, σε όλες τις ομάδες, παρατηρούμε ότι στη δεύτερη θέση δεν υπήρχαν έφηβοι άνδρες, ενώ οι έφηβες της δεύτερης θέσης είχαν αναλογία επιζώντων 100%. Αυτή η απουσία δεδομένων για τους άνδρες σε εκείνη την υποομάδα μπορεί να εξηγεί εν μέρει την εντυπωσιακή διαφορά μεταξύ των φύλων. Ένα ακόμη αξιοσημείωτο εύρημα είναι ότι τα παιδιά τόσο της πρώτης όσο και της δεύτερης θέσης είχαν αναλογίες επιζώντων 100%, γεγονός που ενισχύει περαιτέρω την ιδέα ότι η θέση του εισιτηρίου—και πιθανότατα η θέση της καμπίνας—είχε μεγάλη επίδραση στην επιβίωση.

Αυτό εγείρει ένα επιπλέον ερώτημα: θα μπορούσε η αναλογία επιζώντων να επηρεάζεται και από το αν οι ενήλικες ταξίδευαν μόνοι ή με την οικογένειά τους;

Είναι εύλογο ότι οι ενήλικες που ταξίδευαν μόνοι είχαν μεγαλύτερη πιθανότητα να έχουν εισιτήρια χαμηλότερης θέσης, ίσως λόγω κόστους ή προσωπικών συνθηκών, κάτι που με τη σειρά του μπορεί να επηρέασε τις πιθανότητες επιβίωσής τους. Επιπλέον, όσοι ταξίδευαν με μέλη της οικογένειάς τους ίσως έλαβαν περισσότερη προσοχή ή βοήθεια κατά την εκκένωση.

Για να απαντήσουμε σε αυτό το ερώτημα, χρησιμοποιούμε τη συνάρτηση filter() για να αφαιρέσουμε από το σύνολο δεδομένων όλα τα παιδιά, τους εφήβους και τους ηλικιωμένους. Αυτές οι ηλικιακές ομάδες αντιμετωπίζονται συνήθως διαφορετικά σε καταστάσεις έκτακτης ανάγκης, καθώς συχνά έχουν προτεραιότητα κατά την εκκένωση, ανεξάρτητα από άλλους παράγοντες, όπως η θέση του εισιτηρίου ή το αν ταξίδευαν μόνοι. Εστιάζοντας μόνο στους ενήλικες, μειώνουμε αυτή τη μεταβλητότητα και εξασφαλίζουμε μια πιο καθαρή σύγκριση. Οι ενήλικες είναι επίσης πιθανότερο να ταξίδευαν μόνοι, γεγονός που τους καθιστά την πιο κατάλληλη ομάδα για τον έλεγχο της υπόθεσής μας σχετικά με τη σχέση μεταξύ των αναλογιών επιζώντων, της συνοδείας στο ταξίδι και της θέσης του εισιτηρίου.

Επιπλέον, δημιουργούμε μια νέα μεταβλητή με το όνομα Adult_Type, η οποία παίρνει την τιμή "Solo Adult" αν και η SibSp και η Parch είναι μηδέν, πράγμα που σημαίνει ότι ο επιβάτης ταξίδευε μόνος. Διαφορετικά, παίρνει την τιμή "Family Adult". Στη συνέχεια, με τις group_by() και summarize(), υπολογίζουμε τις αναλογίες επιζώντων για αυτές τις δύο ομάδες ενηλίκων στις διαφορετικές θέσεις εισιτηρίου και απεικονίζουμε τα αποτελέσματα με facets για κάθε Pclass:

# Διάγραμμα της αναλογίας επιζώντων στους ενήλικες ανά συνοδεία (μόνοι/με οικογένεια) και θέση εισιτηρίου
titanic %>%
  filter(Age >= 18 & Age <= 64) %>%
  mutate(Adult_Type =
           if_else(SibSp == 0 & Parch == 0,
                   "Solo Adult",
                   "Family Adult")) %>%
  group_by(Adult_Type, Pclass) %>%
  summarize(Proportion_Survivors = mean(Survived)) %>%
  ggplot(aes(x = Adult_Type, y = Proportion_Survivors)) +
  geom_col(fill = "skyblue") +
  scale_y_continuous(labels = percent_format()) +
  facet_grid(. ~ Pclass) +
  labs(x = "",
       y = "Proportion of Survivors")

Εικόνα 14.9: Αναλογία επιζώντων στους ενήλικες ανά συνοδεία (μόνοι/με οικογένεια) και θέση εισιτηρίου.

Η αναλογία επιζώντων στους ενήλικες με οικογένεια είναι υψηλότερη από αυτή των μόνων ενηλίκων σε όλες τις θέσεις εισιτηρίου, ιδίως στη δεύτερη θέση (περίπου 52% έναντι 34%), ενώ στην τρίτη θέση η διαφορά είναι μικρή (περίπου 23% έναντι 20%). Αυτό μπορεί να υποδηλώνει ότι οι ενήλικες που ταξίδευαν με την οικογένειά τους είχαν καλύτερες πιθανότητες επιβίωσης, ίσως επειδή τα μέλη της οικογένειας στήριζαν το ένα το άλλο ή έλαβαν περισσότερη βοήθεια κατά την εκκένωση. Αντίθετα, οι ενήλικες που ταξίδευαν μόνοι ίσως είχαν λιγότερη κοινωνική υποστήριξη, κάτι που μπορεί να επηρέασε αρνητικά τις πιθανότητες επιβίωσής τους.

Συμπεράσματα της μελέτης περίπτωσης

Σε αυτή τη μελέτη περίπτωσης εξετάσαμε την αναλογία επιζώντων στο Titanic, διερευνώντας την αλληλεπίδραση μεταξύ φύλου, ηλικιακών κατηγοριών, θέσης εισιτηρίου και συνοδείας στο ταξίδι.

Πρώτον, χωρίζοντας τους επιβάτες σε ηλικιακές κατηγορίες—παιδιά, έφηβους, ενήλικες και ηλικιωμένους—παρατηρήσαμε ότι η αναλογία επιζώντων διέφερε όχι μόνο ανάλογα με το φύλο αλλά και μεταξύ αυτών των ηλικιακών ομάδων. Ενώ τα παιδιά και των δύο φύλων είχαν παρόμοια, σχετικά υψηλή αναλογία επιζώντων, μεγάλες διαφορές μεταξύ των φύλων εμφανίστηκαν στους ενήλικες και στους εφήβους. Η αναλογία επιζώντων στις γυναίκες ήταν γενικά υψηλότερη από αυτή των ανδρών στις περισσότερες ομάδες.

Στη συνέχεια, η ανάλυση της αναλογίας επιζώντων ανά θέση εισιτηρίου αποκάλυψε μια σαφή θετική σχέση μεταξύ θέσης εισιτηρίου και επιβίωσης: οι επιβάτες των υψηλότερων θέσεων είχαν καλύτερες πιθανότητες επιβίωσης ανεξάρτητα από το φύλο. Ωστόσο, η πτώση της αναλογίας επιζώντων μεταξύ των θέσεων διέφερε μεταξύ ανδρών και γυναικών, υποδηλώνοντας μια σύνθετη αλληλεπίδραση κοινωνικής θέσης και προτεραιότητας στην εκκένωση.

Σημαντικό είναι ότι, όταν εξετάσαμε χωριστά τους ενήλικες και διακρίναμε όσους ταξίδευαν μόνοι από όσους ταξίδευαν με την οικογένειά τους, διαπιστώσαμε ότι οι ενήλικες που συνοδεύονταν από μέλη της οικογένειάς τους είχαν υψηλότερη αναλογία επιζώντων σε όλες τις θέσεις εισιτηρίου, αν και η διαφορά ήταν μικρή στην τρίτη θέση. Αυτό υποδηλώνει ότι η συνοδεία και η κοινωνική υποστήριξη πιθανότατα έπαιξαν κρίσιμο ρόλο στην επιβίωση.

Συνολικά, τα ευρήματα αυτά δείχνουν ότι η επιβίωση επηρεάστηκε όχι μόνο από το φύλο ή τη θέση του εισιτηρίου, αλλά από έναν συνδυασμό ηλικίας, κοινωνικής θέσης και συνθηκών ταξιδιού. Η αισθητά χαμηλότερη αναλογία επιζώντων στους εφήβους μπορεί να αντανακλά το ότι τα άτομα αυτής της ομάδας ταξίδευαν λιγότερο συχνά σε υψηλότερες θέσεις, ένας παράγοντας που μπορεί να επιβάρυνε τον κίνδυνο που αντιμετώπιζαν.

Αυτή η πιο λεπτομερής κατανόηση αναδεικνύει την αξία του να λαμβάνουμε υπόψη πολλούς αλληλεπιδρώντες παράγοντες όταν αναλύουμε μοτίβα επιβίωσης σε καταστάσεις έκτακτης ανάγκης, και υποδηλώνει ότι η περαιτέρω διερεύνηση της κοινωνικής δυναμικής στο Titanic θα μπορούσε να δώσει βαθύτερες γνώσεις.

Το πιο σημαντικό είναι ότι, σε όλη αυτή τη μελέτη περίπτωσης, η οπτικοποίηση δεδομένων αποδείχθηκε απαραίτητο εργαλείο για την εξερεύνηση και την επικοινωνία σύνθετων σχέσεων μέσα στο σύνολο δεδομένων του Titanic. Χρησιμοποιώντας bar plots, διαγράμματα με facets και χρωματική κωδικοποίηση, αποκαλύψαμε και απεικονίσαμε λεπτά μοτίβα επιβίωσης σε πολλούς παράγοντες, όπως η ηλικία, το φύλο, η θέση του εισιτηρίου και η συνοδεία στο ταξίδι. Αυτό ενισχύει την αξία της οπτικής ανάλυσης (visual analytics) στο να γίνονται οι αφηγήσεις που βασίζονται στα δεδομένα πιο προσιτές και πιο διαφωτιστικές, ιδίως όταν δουλεύουμε με πολύπλευρα δεδομένα από τον πραγματικό κόσμο.