Анализ данных о выживаемости при ДТП
Введение
В рамках данного проекта будет проведен анализ массива информации, содержащего подробные сведения о смоделированных дорожно-транспортных происшествиях. Особое внимание будет уделено факторам, влияющим на вероятность выживания участников аварии.
Исследование вдохновлено мой тревожностью и важностью понимания причин и последствий ДТП, что является критически важным для разработки мер по повышению безопасности на дорогах.
В исследовании использованы данные, предоставленные в формате CSV с сайта kaggle.com. Датасет включает такие параметры, как возраст участников, пол, скорость удара, использование шлема, использование ремня безопасности и статус выживания. Эти данные позволяют проанализировать факторы, влияющие на исход аварий, и выявить закономерности, связанные с выживаемостью.
В ходе своей работы я использовала нейросети DeepSeek и Chat GPT.
В коде использовались различные библиотеки: pandas — для работы с CSV-файлом, matplotlib.pyplot — для визуализации данных, seaborn — для стилизации графиков, matplotlib.colors — для создания цветовых градиентов, а также matplotlib.patches — для дополнительной стилизации элементов диаграмм.
Данные представлены в виде различных типов диаграмм: коробчатые (для распределения данных), круговые и кольцевые (для процентных соотношений), а также столбчатые и линейные (для взаимосвязей между переменными). Такой подход обеспечил комплексный анализ и позволил выявить важные факторы, влияющие на исход аварий.
Визуальное решение
Для поиска визуального решения я воспользовалась сервисом leonardo.ai, который генерирует разнообразные тематические изображения. Затем я обработала результат в Adobe Colour, чтобы определить подходящую цветовую палитру.
Визуализация
На графике отчётливо заметно, что число мужчин и женщин, ставших участниками дорожно-транспортных происшествий, не одинаково. Это может быть обусловлено различными причинами, включая стиль управления автомобилем, интенсивность использования транспортных средств и другие социальные факторы.
Диаграмма демонстрирует, в каких возрастных категориях чаще всего происходят дорожно-транспортные происшествия. К примеру, молодые водители могут быть более склонны к рискованному поведению, что ведёт к увеличению числа аварий. Также можно увидеть разницу в возрастном распределении между мужчинами и женщинами.
На диаграмме заметно, что большинство столкновений происходит при средних показателях скорости удара.
Высокие показатели на графике могут свидетельствовать о наиболее часто встречающихся скоростях, при которых происходят аварии. Это может быть полезно для изучения причин, влияющих на серьёзность последствий дорожно-транспортных происшествий.
График демонстрирует, что значительная часть участников аварий не использовала шлемы. Это может указывать на необходимость повышения осведомленности о важности использования шлемов для снижения риска травм.
На диаграмме отчётливо видно, что значительное число участников дорожно-транспортных происшествий не были зафиксированы ремнями безопасности. Это ещё раз подчёркивает необходимость активной пропаганды использования ремней безопасности для снижения тяжести последствий аварий.
На графике видно, что количество выживших и погибших отличается. Это может быть связано с эффективностью мер безопасности, таких как использование ремней безопасности или шлемов, а также с другими факторами, такими как скорость удара или возраст участников.
Вывод
Анализ данных о дорожно-транспортных происшествиях позволяет выявить ключевые факторы, влияющие на их исход. К таким факторам относятся использование средств индивидуальной защиты, таких как шлемы и ремни безопасности, которые существенно снижают риск получения травм и повышают шансы на выживание в случае аварии.
Также необходимо учитывать возраст и пол участников дорожного движения, поскольку эти факторы могут оказывать значительное влияние на частоту и тяжесть аварий. Полученные результаты могут быть использованы для разработки эффективных мер по повышению безопасности на дорогах.
Промты
1. Design a modern and impactful cover for a data analysis project focused on road accident survival factors. The scene should depict a dynamic, data-driven visualization of a highway at night, with glowing lines representing survival probabilities and risk factors. Incorporate abstract elements like a car crash scene dissolving into digital data points, surrounded by glowing charts, graphs, and percentages. Use a dark, moody background with vibrant neon colors (electric blue, bright green, and white) to highlight key insights. Add subtle icons like a seatbelt, airbag, and speed limit sign to symbolize safety measures. The overall design should convey a balance between danger and hope, with a strong emphasis on data and technology.
2. «Create a visually striking cover for a data analysis project on road accident survival outcomes. The design should feature a dark, futuristic theme with glowing elements representing data points and survival factors. Include abstract visuals of a road at night, illuminated by neon lights, with glowing graphs and charts overlaying the scene. Use a color palette of dark blues, blacks, and bright neon accents (white, cyan, and yellow) to emphasize the contrast between danger and safety. Add subtle elements like a car silhouette, speedometer, and safety belt to symbolize road safety. The overall mood should be serious yet modern, with a focus on data-driven insights and technology.
Ссылка на датасет и блокнот:
