Análise exploratória dos fatores de sobrevivência no Titanic
uma abordagem computacional utilizando pandas para processamento de dados históricos
DOI:
https://doi.org/10.47385/tudoeciencia.2486.2025Palavras-chave:
Titanic. Análise de dados. Pandas. Sobrevivência. Estratificação social. Python.Resumo
O presente estudo investiga os padrões de sobrevivência dos passageiros do RMS Titanic através de uma análise exploratória de dados utilizando a biblioteca Pandas do Python. A pesquisa examina 891 registros de passageiros, analisando as variáveis de porto de embarque, classe socioeconômica, gênero e status de sobrevivência. Através de técnicas de agrupamento e mapeamento de dados, foram identificados padrões significativos que confirmam as disparidades históricas documentadas sobre o acesso desigual aos recursos de salvamento durante o naufrágio. Os resultados revelam que 25,93% dos registros correspondem a homens da terceira classe embarcados em Southampton que não sobreviveram, representando o maior grupo de fatalidades. A análise demonstra a eficácia do Pandas para manipulação e análise de dados históricos complexos, proporcionando insights quantitativos sobre eventos históricos traumáticos. As descobertas corroboram a literatura existente sobre estratificação social e gênero como fatores determinantes na sobrevivência durante desastres marítimos do início do século XX.
Downloads
Referências
Butler, D. A. (1998). Unsinkable: The Full Story of the RMS Titanic. Stackpole Books. ISBN: 978-0811714020.
Chirnside, M. (2004). The Olympic-Class Ships: Olympic, Titanic, Britannic. Tempus Publishing. ISBN: 978-0752426891.
Data Science Dojo. (2021). Titanic Dataset. GitHub Repository. Disponível em: https://github.com/datasciencedojo/datasets. Acesso em: 15 março 2024.
Frey, B. S., Savage, D. A., & Torgler, B. (2011). Behavior under extreme conditions: The Titanic disaster. Journal of Economic Perspectives, 25(1), 209-222. DOI: 10.1257/jep.25.1.209. Disponível em: https://www.aeaweb.org/articles?id=10.1257/jep.25.1.209. Acesso em: 12 março 2024.
GLEICHER, David. The Rescue of the Third Class on the Titanic: A Revisionist History. Liverpool University Press, 2017.
Hall, W. (1986). Social Class and Survival on the SS Titanic. Social Science & Medicine, 22(6), 687-690. DOI: 10.1016/0277-9536(86)90041-9. Disponível em: https://www.sciencedirect.com/science/article/abs/pii/0277953686900419. Acesso em: 8 março 2024.
Kaggle. (2012). Titanic: Machine Learning from Disaster. Kaggle Competition Dataset. Disponível em: https://www.kaggle.com/c/titanic. Acesso em: 14 março 2024.
McKinney, W. (2010). Data structures for statistical computing in Python. Proceedings of the 9th Python in Science Conference, 51-56. DOI: 10.25080/Majora-92bf1922-00a. Disponível em: https://conference.scipy.org/proceedings/scipy2010/pdfs/mckinney.pdf. Acesso em: 5 março 2024.
McKinney, W. (2017). Python for Data Analysis: Data Wrangling with Pandas, NumPy, and IPython. 2nd Edition. O'Reilly Media. ISBN: 978-1491957660.
Moretti, F. (2013). Distant Reading. Verso Books. ISBN: 978-1781680841.
Peng, R. D. (2011). Reproducible research in computational science. Science, 334(6060), 1226-1227. DOI: 10.1126/science.1213847. Disponível em: https://science.sciencemag.org/content/334/6060/1226. Acesso em: 7 março 2024.
Tukey, J. W. (1977). Exploratory Data Analysis. Addison-Wesley. ISBN: 978-0201076165.
VanderPlas, J. (2016). Python Data Science Handbook: Essential Tools for Working with Data. O'Reilly Media. ISBN: 978-1491912058.
Wickham, H. (2014). Tidy data. Journal of Statistical Software, 59(10), 1-23. DOI: 10.18637/jss.v059.i10. Disponível em: https://www.jstatsoft.org/article/view/v059i10. Acesso em: 9 março 2024.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 Tudo é Ciência: Congresso Brasileiro de Ciências e Saberes Multidisciplinares
Este trabalho está licenciado sob uma licença Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
