Titanic DV
Septiana Sacharinawati
3/3/2022
1. Mari mulai dengan Titanic
Ini adalah Dataset Titanic yang saya dapatkan dari kaggle. Dataset ini tentang Orang yang Selamat di Kapal Titanic, kita bisa melihat Umur, Jenis Kelamin dan banyak lagi. Kita akan memeriksa rahasia Orang yang Selamat, apakah itu tergantung pada Usia, Jenis Kelamin atau Pclass.
Kita akan menggunakan beberapa library di R, ada ggplot, scales, ggthemes, tidyr, and ggpubr . Contoh install.packages(“ggplot”) dan seterusnya
library(ggplot2)
library(scales)
library(ggthemes)
library(ggpubr)
library(tidyr)2. Data Pre-Processing
Import The Titanic Dataset
titanic <- read.csv("train.csv")Dataset Inspection
Get first 10 rows
head(titanic, 10)## PassengerId Survived Pclass
## 1 1 0 3
## 2 2 1 1
## 3 3 1 3
## 4 4 1 1
## 5 5 0 3
## 6 6 0 3
## 7 7 0 1
## 8 8 0 3
## 9 9 1 3
## 10 10 1 2
## Name Sex Age SibSp Parch
## 1 Braund, Mr. Owen Harris male 22 1 0
## 2 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1 0
## 3 Heikkinen, Miss. Laina female 26 0 0
## 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1 0
## 5 Allen, Mr. William Henry male 35 0 0
## 6 Moran, Mr. James male NA 0 0
## 7 McCarthy, Mr. Timothy J male 54 0 0
## 8 Palsson, Master. Gosta Leonard male 2 3 1
## 9 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) female 27 0 2
## 10 Nasser, Mrs. Nicholas (Adele Achem) female 14 1 0
## Ticket Fare Cabin Embarked
## 1 A/5 21171 7.2500 S
## 2 PC 17599 71.2833 C85 C
## 3 STON/O2. 3101282 7.9250 S
## 4 113803 53.1000 C123 S
## 5 373450 8.0500 S
## 6 330877 8.4583 Q
## 7 17463 51.8625 E46 S
## 8 349909 21.0750 S
## 9 347742 11.1333 S
## 10 237736 30.0708 CDapatkan 10 baris terakhir
tail(titanic, 10)## PassengerId Survived Pclass Name Sex
## 882 882 0 3 Markun, Mr. Johann male
## 883 883 0 3 Dahlberg, Miss. Gerda Ulrika female
## 884 884 0 2 Banfield, Mr. Frederick James male
## 885 885 0 3 Sutehall, Mr. Henry Jr male
## 886 886 0 3 Rice, Mrs. William (Margaret Norton) female
## 887 887 0 2 Montvila, Rev. Juozas male
## 888 888 1 1 Graham, Miss. Margaret Edith female
## 889 889 0 3 Johnston, Miss. Catherine Helen "Carrie" female
## 890 890 1 1 Behr, Mr. Karl Howell male
## 891 891 0 3 Dooley, Mr. Patrick male
## Age SibSp Parch Ticket Fare Cabin Embarked
## 882 33 0 0 349257 7.8958 S
## 883 22 0 0 7552 10.5167 S
## 884 28 0 0 C.A./SOTON 34068 10.5000 S
## 885 25 0 0 SOTON/OQ 392076 7.0500 S
## 886 39 0 5 382652 29.1250 Q
## 887 27 0 0 211536 13.0000 S
## 888 19 0 0 112053 30.0000 B42 S
## 889 NA 1 2 W./C. 6607 23.4500 S
## 890 26 0 0 111369 30.0000 C148 C
## 891 32 0 0 370376 7.7500 QDapatkan total baris / observasi
nrow(titanic)## [1] 891Dapatkan total kolom
ncol(titanic)## [1] 12Dapatkan semua nama kolom
names(titanic)## [1] "PassengerId" "Survived" "Pclass" "Name" "Sex"
## [6] "Age" "SibSp" "Parch" "Ticket" "Fare"
## [11] "Cabin" "Embarked"Dapatkan dimensi kumpulan data
dim(titanic)## [1] 891 12Dari pemeriksaan kami dapat mengambil beberapa informasi: Titanic Dataset berisi 891 baris dan 12 kolom Setiap kolom nama : PassengerId, Survived, Pclass, Name, Sex, Age, SibSp, Parch, Ticket, Fare, Cabin, Embarked
Data Cleaning & Coertions Periksa tipe data untuk setiap kolom menggunakan str(struktur)
str(titanic)## 'data.frame': 891 obs. of 12 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 ...
## $ Name : chr "Braund, Mr. Owen Harris" "Cumings, Mrs. John Bradley (Florence Briggs Thayer)" "Heikkinen, Miss. Laina" "Futrelle, Mrs. Jacques Heath (Lily May Peel)" ...
## $ 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 ...
## $ Ticket : chr "A/5 21171" "PC 17599" "STON/O2. 3101282" "113803" ...
## $ Fare : num 7.25 71.28 7.92 53.1 8.05 ...
## $ Cabin : chr "" "C85" "" "C123" ...
## $ Embarked : chr "S" "C" "S" "S" ...Dapat kita lihat dari hasil di atas, ada beberapa tipe data yang salah, mari kita ubah tipe data ke tipe yang benar (Explicit Coertion)
titanic$Sex <- as.factor(titanic$Sex)
titanic$Pclass <- as.factor(titanic$Pclass)
titanic$Age <- as.integer(titanic$Age)
titanic$Survived <- as.factor(titanic$Survived)
str(titanic)## 'data.frame': 891 obs. of 12 variables:
## $ PassengerId: int 1 2 3 4 5 6 7 8 9 10 ...
## $ Survived : Factor w/ 2 levels "0","1": 1 2 2 2 1 1 1 1 2 2 ...
## $ Pclass : Factor w/ 3 levels "1","2","3": 3 1 3 1 3 3 1 3 3 2 ...
## $ Name : chr "Braund, Mr. Owen Harris" "Cumings, Mrs. John Bradley (Florence Briggs Thayer)" "Heikkinen, Miss. Laina" "Futrelle, Mrs. Jacques Heath (Lily May Peel)" ...
## $ Sex : Factor w/ 2 levels "female","male": 2 1 1 1 2 2 2 2 1 1 ...
## $ Age : int 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 ...
## $ Ticket : chr "A/5 21171" "PC 17599" "STON/O2. 3101282" "113803" ...
## $ Fare : num 7.25 71.28 7.92 53.1 8.05 ...
## $ Cabin : chr "" "C85" "" "C123" ...
## $ Embarked : chr "S" "C" "S" "S" ...summary(titanic)## PassengerId Survived Pclass Name Sex
## Min. : 1.0 0:549 1:216 Length:891 female:314
## 1st Qu.:223.5 1:342 2:184 Class :character male :577
## Median :446.0 3:491 Mode :character
## Mean :446.0
## 3rd Qu.:668.5
## Max. :891.0
##
## Age SibSp Parch Ticket
## Min. : 0.00 Min. :0.000 Min. :0.0000 Length:891
## 1st Qu.:20.00 1st Qu.:0.000 1st Qu.:0.0000 Class :character
## Median :28.00 Median :0.000 Median :0.0000 Mode :character
## Mean :29.68 Mean :0.523 Mean :0.3816
## 3rd Qu.:38.00 3rd Qu.:1.000 3rd Qu.:0.0000
## Max. :80.00 Max. :8.000 Max. :6.0000
## NA's :177
## Fare Cabin Embarked
## Min. : 0.00 Length:891 Length:891
## 1st Qu.: 7.91 Class :character Class :character
## Median : 14.45 Mode :character Mode :character
## Mean : 32.20
## 3rd Qu.: 31.00
## Max. :512.33
## Setiap jenis kolom sekarang sudah benar. Kita bisa melihat rangkuman yang kita dapatkan, banyak informasi yang bisa kita dapatkan (terutama untuk tipe data faktor) karena tipe data yang sekarang sudah benar.
Periksa nilai yang hilang
colSums(is.na(titanic))## PassengerId Survived Pclass Name Sex Age
## 0 0 0 0 0 177
## SibSp Parch Ticket Fare Cabin Embarked
## 0 0 0 0 0 0Kami memiliki nilai yang hilang di Kolom Usia(Age)
anyNA(titanic)## [1] TRUEBerikut adalah 6 sampel nilai yang hilang di Kolom Usia(Age) Berdasarkan Nama(Name)
head(titanic[which(is.na(titanic$Age)), c("Name", "Age")])## Name Age
## 6 Moran, Mr. James NA
## 18 Williams, Mr. Charles Eugene NA
## 20 Masselmani, Mrs. Fatima NA
## 27 Emir, Mr. Farred Chehab NA
## 29 O'Dwyer, Miss. Ellen "Nellie" NA
## 30 Todoroff, Mr. Lalio NADari hasil di atas, kita bisa melihat nilai yang hilang untuk kolom usia (Age), ada 177 baris. Mari bersihkan nilai yang hilang menggunakan fungsi complete_case() di R
titanic <- titanic[complete.cases(titanic), ]nrow(titanic)## [1] 714anyNA(titanic)## [1] FALSETidak ada nilai yang hilang dalam dataset kami saat ini. Jika kami hanya menghapus 19% baris dari dataset kami, itu berarti kami masih dapat mengekstrak informasi penting dari dataset kami.
Mari subsetting dataset kita,karena kita tidak menggunakan semua kolom
titanic <- titanic[, !(colnames(titanic) %in% c("Ticket", "Fare", "Cabin", "Embarked"))]head(titanic, 10)## PassengerId Survived Pclass
## 1 1 0 3
## 2 2 1 1
## 3 3 1 3
## 4 4 1 1
## 5 5 0 3
## 7 7 0 1
## 8 8 0 3
## 9 9 1 3
## 10 10 1 2
## 11 11 1 3
## Name Sex Age SibSp Parch
## 1 Braund, Mr. Owen Harris male 22 1 0
## 2 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1 0
## 3 Heikkinen, Miss. Laina female 26 0 0
## 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1 0
## 5 Allen, Mr. William Henry male 35 0 0
## 7 McCarthy, Mr. Timothy J male 54 0 0
## 8 Palsson, Master. Gosta Leonard male 2 3 1
## 9 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) female 27 0 2
## 10 Nasser, Mrs. Nicholas (Adele Achem) female 14 1 0
## 11 Sandstrom, Miss. Marguerite Rut female 4 1 1Kita berhasil menghapus Ticket, Fare, Cabin dan Embarked Column. Karena fokus di Survived Peopel by Age, Sex and Pclass
3. Data Processing and Visualization
Mari kita rangkum data kita dengan fungsi ringkasan di R
summary(titanic)## PassengerId Survived Pclass Name Sex
## Min. : 1.0 0:424 1:186 Length:714 female:261
## 1st Qu.:222.2 1:290 2:173 Class :character male :453
## Median :445.0 3:355 Mode :character
## Mean :448.6
## 3rd Qu.:677.8
## Max. :891.0
## Age SibSp Parch
## Min. : 0.00 Min. :0.0000 Min. :0.0000
## 1st Qu.:20.00 1st Qu.:0.0000 1st Qu.:0.0000
## Median :28.00 Median :0.0000 Median :0.0000
## Mean :29.68 Mean :0.5126 Mean :0.4314
## 3rd Qu.:38.00 3rd Qu.:1.0000 3rd Qu.:1.0000
## Max. :80.00 Max. :5.0000 Max. :6.0000Ringkasan : 1. Ada 424 Kematian dan 290 Orang Hidup. Itu berarti, lebih banyak orang mati daripada selamat
Di kapal Titanic ada beberapa Kelas. Kelayakan kelas sesuai dengan urutannya :Kelas 1 adalah kelas VIP, kelas 2 adalah kelas normal, kelas 3 adalah kelas biasa dan kebanyakan Orang berada di Kelas 3
Ada lebih banyak pria daripada wanita di titanic. Ada 453 Pria dan 261 Wanita
Usia rata-rata penumpang Titanic adalah 29 tahun, sedangkan penumpang dengan usia tertua berusia 80 tahun
Mari kita lihat apakah tingkat kematian dan kehidupan di titanic bergantung pada Usia dan jenis kelamin
Pertama Mari kita periksa orang yang selamat berdasarkan Jenis Kelamin dan Usia
# Calculate the frequency of Death and Live by Age and Sex
sex_freq <- as.data.frame(table(titanic$Sex, titanic$Survived))
age_freq <- as.data.frame(table(titanic$Age, titanic$Survived))
# Take the highest frequency of Death and Live
sex_freq <- sex_freq[order(sex_freq$Freq, decreasing = T),]
age_freq <- age_freq[order(age_freq$Freq, decreasing = T),]
library(ggplot2)
# Let's Plot the sex_freq data.frame
ggplot(sex_freq, aes(x = reorder(Var1, Freq) , y = Freq)) +
geom_col(aes(fill = Var2), position = "fill") +
labs(
title = "Total of Male and Female",
subtitle = " that Survived and Not",
x = "Sex",
y = "Total Survived"
) +
theme_solarized() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold"),
plot.subtitle = element_text(hjust = 0.5),
legend.title = element_blank()
) +
scale_fill_brewer(palette = "Set4", labels = c("Death", "Live")) ## Warning in pal_name(palette, type): Unknown palette Set4
Mari kita lihat apakah tingkat kematian dan kehidupan di titanic bergantung pada Usia dan jenis kelamin
Untuk visualisasi dan pemahaman yang lebih baik, kami akan memecah plot menjadi panel oleh masing-masing wanita dan pria menggunakan plot facet di library ggplot
ggplot(sex_freq, aes(x = reorder(Var1, Freq) , y = Freq)) +
geom_col(aes(fill = Var2), position = "dodge") +
facet_wrap(~Var1, scales = "free_y") +
labs(
title = "Total Death and Live of Male and Female",
subtitle = "In Titanic Ship",
caption = "Source: Titanic dataset-kaggle",
x = "Sex",
y = "Total Survived"
) +
theme_solarized() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold"),
plot.subtitle = element_text(hjust = 0.5),
axis.text.x = element_blank(),
legend.title = element_blank()
) +
scale_fill_brewer(palette = "Set4", labels = c("Death", "Live"))## Warning in pal_name(palette, type): Unknown palette Set4
Hasil diatas menyatakan bahwa wanita bertahan hidup lebih lama daripada pria. Hal ini terlihat dari jumlah kematian perempuan yang jauh lebih rendah dibandingkan dengan laki-laki. Ada kemungkinan proses evakuasi kapal titanic lebih mengutamakan perempuan daripada laki-laki. Masuk akal karena wanita lebih rentan daripada pria dalam situasi itu
Berikutnya kita akan memeriksa orang yang selamat berdasarkan Usia
age_death <- head(age_freq[age_freq$Var2 == 0,])
age_death## Var1 Var2 Freq
## 29 28 0 20
## 22 21 0 19
## 19 18 0 17
## 26 25 0 17
## 31 30 0 17
## 20 19 0 16age_live <- head(age_freq[age_freq$Var2 == 1,])
age_live## Var1 Var2 Freq
## 96 24 1 15
## 94 22 1 11
## 99 27 1 11
## 107 35 1 11
## 108 36 1 11
## 102 30 1 10# create function for reusable plotting
plot_fn <- function(data, y_title, fill_color) {
plot_live <- ggplot(data, aes(x = Var1 , y = Freq)) +
geom_col(fill = fill_color , position = "dodge") +
labs(x = "Age",
y = y_title) +
theme_solarized() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold"),
plot.subtitle = element_text(hjust = 0.5),
) +
scale_fill_brewer(palette = "Set")
}
# assign the plot function to object / variable plot_death and plot_live
plot_death <- plot_fn(age_death, "Total Death", "#e41a1c")## Warning in pal_name(palette, type): Unknown palette Setplot_live <- plot_fn(age_live, "Total Live", "#377eb8")## Warning in pal_name(palette, type): Unknown palette Set# unite plot together
figure_one <- ggarrange(plot_death, plot_live)
annotate_figure(
figure_one,
top = text_grob(
"Total Death and Live Male of Female by Age",
color = "black",
face = "bold",
size = 14
),
bottom = text_grob(
"Data source: \n Titanic dataset-kaggle",
color = "black",
hjust = 1.1,
x = 1,
face = "italic",
size = 10
),
)
Dapat kita simpulkan dari visual di atas, bahwa banyak orang meninggal pada usia antara 18 - 30 tahun. Untuk orang yang selamat antara 22 - 36 tahun. Itu berarti banyak anak muda mulai dari usia 18, 21 dan 28 tahun tewas dalam insiden kapal titanic. Karena jika melihat frekuensi data, sebagian besar yang selamat hanya berkisar antara 22 hingga 36 tahun
Mari kita pastikan mayoritas penumpang di Titanic
titanic_age <- as.data.frame(table(titanic$Age))
head(titanic_age[order(titanic_age$Freq, decreasing = T),], 30)## Var1 Freq
## 25 24 31
## 23 22 27
## 29 28 27
## 31 30 27
## 19 18 26
## 20 19 25
## 22 21 24
## 26 25 23
## 37 36 23
## 30 29 20
## 33 32 20
## 27 26 18
## 28 27 18
## 36 35 18
## 17 16 17
## 32 31 17
## 21 20 16
## 24 23 16
## 35 34 16
## 34 33 15
## 41 40 15
## 40 39 14
## 46 45 14
## 18 17 13
## 43 42 13
## 39 38 11
## 3 2 10
## 5 4 10
## 51 50 10
## 45 44 9Mayoritas penumpang Titanic berusia antara 20 hingga 40 tahun. Makanya banyak yang bertahan dari rentang usia 22 hingga 36 tahun
Mari kita periksa berapa orang bertahan hidup sesuai Pclass
summary(titanic$Pclass)## 1 2 3
## 186 173 355Kita bisa lihat, banyak orang di Pclass 3 atau Class biasa Kita dapat menjumlahkan total Kematian dan Kehidupan orang-orang di Kapal Titanic berdasarkan Pclass
pclass_death <- aggregate(Survived == 0~ Pclass, titanic, sum)
names(pclass_death) <- c("Pclass", "Death")
pclass_live <- aggregate(Survived == 1~ Pclass, titanic, sum)
names(pclass_live) <- c("Pclass", "Live")Tambahkan kolom ke pclass_death dari pclass_live data.frame
pclass_combine <- cbind(pclass_death, Live = pclass_live$Live)Mari kita ubah format tabel kita dari format lebar menjadi format panjang
pclass_pivot <- pivot_longer(data = pclass_combine,
cols = c("Death", "Live"),
names_to = "Survived",
values_to = "Value")
pclass_pivot## # A tibble: 6 x 3
## Pclass Survived Value
## <fct> <chr> <int>
## 1 1 Death 64
## 2 1 Live 122
## 3 2 Death 90
## 4 2 Live 83
## 5 3 Death 270
## 6 3 Live 85Tabel kita sudah format panjang, jadi kita bisa menggunakan fungsi facet di ggplot untuk membuat plot terpisah oleh setiap kolom Survived Mari visualisasikan data menggunakan Bar Plot dan gunakan facet_wrap untuk dipisahkan oleh setiap kolom yang bertahan
ggplot(pclass_pivot, aes(x = Pclass , y = Value)) +
geom_col(aes(fill = Survived), position = "dodge") +
facet_wrap(~Survived, scales = "free_y") +
labs(
title = "Total Live and Death of Male and Female",
subtitle = "In Titanic Ship",
caption = "Source: Titanic dataset-kaggle",
x = "Sex",
y = "Total",
) +
theme_solarized() +
theme(
plot.title = element_text(hjust = 0.5, face = "bold"),
plot.subtitle = element_text(hjust = 0.5),
legend.title = element_blank()
) +
scale_fill_brewer(palette = "Set4", labels = c("Death", "Live")) ## Warning in pal_name(palette, type): Unknown palette Set4
Menurut pengamatan bahwa setiap Pclass pasti terpengaruh baik kematian atau kehidupan.Dari visualisasi diatas, penumpang yang masih hidup didominasi dari Pclass 1 dan penumpang yang meninggal didominasi dari Pclass 3. Sangat masuk akal jika penumpang di Pclass 1 mendapatkan prioritas lebih tinggi pada proses evakuasi daripada penumpang di Pclass 3.
Mari kita lihat apakah di Titanic ada banyak saudara kandung, orang tua dengan keluarga mereka atau tidak.
sibling <- head(titanic[order(titanic$SibSp, decreasing = T), c("Age", "SibSp")], 15)
sibling## Age SibSp
## 60 11 5
## 72 16 5
## 387 1 5
## 481 9 5
## 684 14 5
## 17 2 4
## 51 7 4
## 69 17 4
## 120 2 4
## 165 1 4
## 172 4 4
## 183 9 4
## 234 5 4
## 262 3 4
## 267 16 4parent <- head(titanic[order(titanic$Parch, decreasing = T), c("Age", "Parch")], 15)
parent## Age Parch
## 679 43 6
## 14 39 5
## 26 38 5
## 611 39 5
## 639 41 5
## 886 39 5
## 168 45 4
## 361 40 4
## 439 64 4
## 568 29 4
## 87 16 3
## 438 24 3
## 737 48 3
## 775 54 3
## 859 24 3Dari hasil di atas, rentang orang yang memiliki saudara kandung adalah dari 1 - 17 tahun dan 30 - 40 tahun untuk orang tua. Itu berarti cukup banyak anak dan keluarga di Kapal Titanic
Mari kita buat fungsi yang dapat digunakan kembali untuk merencanakan data kita
plot_fn <- function(data, axis_y, y_title) {
ggplot(data, aes(x = Age, y = axis_y, color = axis_y)) +
geom_jitter(aes(size = axis_y), alpha = 0.5, show.legend = F) +
ylim(0, 7) +
labs(y = y_title) +
scale_color_gradient(low="red", high="yellow") +
theme_solarized()
}Kemudian gunakan fungsi plot_fn untuk memplot data.frame saudara dan data.frame induk
plot.one <- plot_fn(sibling, sibling$SibSp, "Siblings")
plot.one
plot.two <- plot_fn(parent, parent$Parch, "Parents")
plot.two
Untuk memudahkan kita dalam membandingkan visual, mari kita susun plot yang telah kita buat menggunakan fungsi ggarrange dari library ggpubr
figure <- ggarrange(plot.one, plot.two)
annotate_figure(
figure,
top = text_grob(
"Total Siblings and Parents by Age",
color = "black",
face = "bold",
size = 14
),
bottom = text_grob(
"Data source: \n Titanic dataset-kaggle",
color = "black",
hjust = 1.1,
x = 1,
face = "italic",
size = 10
),
)
Ternyata di kapal titanic, cukup banyak anak-anak dan saudara-saudaranya. Rata-rata berusia 1, 9, 11, 14 dan 16 tahun. dan untuk orang tua atau orang yang sudah menikah, rata-rata rentang usianya adalah 30 sampai 40 tahun.
5. Kesimpulan Akhir
Dapat diambil kesimpulan dari semua visualisasi data diatas bahwa:
Dari kasus kematian orang menurut usia di Kapal Titanic, frekuensi rata-rata tertinggi pada usia 18-30 tahun. Artinya sebagian besar anak-anak terselamatkan dalam proses evakuasi, karena jika kita melihat data saudara kandung atau anak-anak cukup banyak namun yang meninggal rata-rata berada pada kisaran usia 18 – 30 tahun tidak berada pada kisaran tersebut dari 1 - 16 tahun.
Dari data orang tua atau keluarga pada plot di atas, rata-rata sebagian besar berada pada rentang usia 30 – 40 tahun. Jika melihat data yang bertahan, banyak juga yang berasal dari rentang usia 30-36 tahun. Artinya orang tua atau keluarga lebih diprioritaskan dalam proses evakuasi di kapal Titanic
Perempuan akan diprioritaskan dalam proses evakuasi. Terlihat pada data orang-orang yang bertahan hidup, dimana perempuan yang dominan bertahan lebih banyak daripada laki-laki.
Penumpang yang berada di Pclass 1 (Kelas VIP) akan diprioritaskan dalam proses evakuasi daripada orang di Pclass 3 (Kelas Biasa/Biasa), dilihat dari jumlah nyawa orang yang banyak dari Pclass 1 dibandingkan Pclass 3.