પાયથોનમાં જૂથીકરણ અને ડેટા વિઝ્યુલાઇઝેશનનો ઉપયોગ કરવાની કુશળતા પર કામ કરવું

હે હબર!

આજે આપણે પાયથોનમાં ડેટાને જૂથબદ્ધ કરવા અને વિઝ્યુઅલાઈઝ કરવા માટે ટૂલ્સનો ઉપયોગ કરવાની કુશળતા પર કામ કરીશું. પૂરી પાડવામાં આવેલ માં Github પર ડેટાસેટ ચાલો ઘણી લાક્ષણિકતાઓનું વિશ્લેષણ કરીએ અને વિઝ્યુલાઇઝેશનનો સમૂહ બનાવીએ.

પરંપરા અનુસાર, શરૂઆતમાં, ચાલો લક્ષ્યોને વ્યાખ્યાયિત કરીએ:

• લિંગ અને વર્ષ દ્વારા ડેટાનું જૂથ બનાવો અને બંને જાતિના જન્મ દરની એકંદર ગતિશીલતાને વિઝ્યુઅલાઈઝ કરો;
• અત્યાર સુધીના સૌથી લોકપ્રિય નામો શોધો;
• ડેટામાંના સમગ્ર સમયગાળાને 10 ભાગોમાં વિભાજીત કરો અને દરેક માટે, દરેક જાતિનું સૌથી લોકપ્રિય નામ શોધો. મળેલા દરેક નામ માટે, તેની ગતિશીલતાને બધા સમય માટે વિઝ્યુઅલાઈઝ કરો;
• દરેક વર્ષ માટે, ગણતરી કરો કે કેટલા નામો 50% લોકોને આવરી લે છે અને વિઝ્યુઅલાઈઝ કરો (અમે દરેક વર્ષ માટે નામોની વિવિધતા જોઈશું);
• સમગ્ર અંતરાલમાંથી 4 વર્ષ પસંદ કરો અને દરેક વર્ષ માટે નામના પ્રથમ અક્ષર અને નામના છેલ્લા અક્ષર દ્વારા વિતરણ દર્શાવો;
• ઘણા પ્રખ્યાત લોકો (રાષ્ટ્રપતિઓ, ગાયકો, અભિનેતાઓ, મૂવી પાત્રો) ની સૂચિ બનાવો અને નામોની ગતિશીલતા પર તેમના પ્રભાવનું મૂલ્યાંકન કરો. વિઝ્યુલાઇઝેશન બનાવો.

ઓછા શબ્દો, વધુ કોડ!

અને, ચાલો જઈએ.

ચાલો લિંગ અને વર્ષ દ્વારા ડેટાને જૂથબદ્ધ કરીએ અને બંને જાતિના જન્મ દરની એકંદર ગતિશીલતાની કલ્પના કરીએ:

import numpy as np
import pandas as pd 
import matplotlib.pyplot as plt

years = np.arange(1880, 2011, 3)
datalist = 'https://raw.githubusercontent.com/wesm/pydata-book/2nd-edition/datasets/babynames/yob{year}.txt'
dataframes = []
for year in years:
    dataset = datalist.format(year=year)
    dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
    dataframes.append(dataframe.assign(year=year))

result = pd.concat(dataframes)
sex = result.groupby('sex')
births_men = sex.get_group('M').groupby('year', as_index=False)
births_women = sex.get_group('F').groupby('year', as_index=False)
births_men_list = births_men.aggregate(np.sum)['count'].tolist()
births_women_list = births_women.aggregate(np.sum)['count'].tolist()

fig, ax = plt.subplots()
fig.set_size_inches(25,15)

index = np.arange(len(years))
stolb1 = ax.bar(index, births_men_list, 0.4, color='c', label='Мужчины')
stolb2 = ax.bar(index + 0.4, births_women_list, 0.4, alpha=0.8, color='r', label='Женщины')

ax.set_title('Рождаемость по полу и годам')
ax.set_xlabel('Года')
ax.set_ylabel('Рождаемость')
ax.set_xticklabels(years)
ax.set_xticks(index + 0.4)
ax.legend(loc=9)

fig.tight_layout()
plt.show()

ચાલો ઇતિહાસમાં સૌથી વધુ લોકપ્રિય નામો શોધીએ:

years = np.arange(1880, 2011)

dataframes = []
for year in years:
    dataset = datalist.format(year=year)
    dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
    dataframes.append(dataframe)

result = pd.concat(dataframes)
names = result.groupby('name', as_index=False).sum().sort_values('count', ascending=False)
names.head(10)

ચાલો ડેટાના સમગ્ર સમયગાળાને 10 ભાગોમાં વિભાજીત કરીએ અને દરેક માટે આપણે દરેક જાતિનું સૌથી લોકપ્રિય નામ શોધીશું. મળેલા દરેક નામ માટે, અમે તેની ગતિશીલતાને દરેક સમયે વિઝ્યુઅલાઈઝ કરીએ છીએ:

years = np.arange(1880, 2011)
part_size = int((years[years.size - 1] - years[0]) / 10) + 1
parts = {}
def GetPart(year):
    return int((year - years[0]) / part_size)
for year in years:
    index = GetPart(year)
    r = years[0] + part_size * index, min(years[years.size - 1], years[0] + part_size * (index + 1))
    parts[index] = str(r[0]) + '-' + str(r[1])

dataframe_parts = []
dataframes = []
for year in years:
    dataset = datalist.format(year=year)
    dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
    dataframe_parts.append(dataframe.assign(years=parts[GetPart(year)]))
    dataframes.append(dataframe.assign(year=year))
    
result_parts = pd.concat(dataframe_parts)
result = pd.concat(dataframes)

result_parts_sums = result_parts.groupby(['years', 'sex', 'name'], as_index=False).sum()
result_parts_names = result_parts_sums.iloc[result_parts_sums.groupby(['years', 'sex'], as_index=False).apply(lambda x: x['count'].idxmax())]
result_sums = result.groupby(['year', 'sex', 'name'], as_index=False).sum()

for groupName, groupLabels in result_parts_names.groupby(['name', 'sex']).groups.items():
    group = result_sums.groupby(['name', 'sex']).get_group(groupName)
    fig, ax = plt.subplots(1, 1, figsize=(18,10))

    ax.set_xlabel('Года')
    ax.set_ylabel('Рождаемость')
    label = group['name']
    ax.plot(group['year'], group['count'], label=label.aggregate(np.max), color='b', ls='-')
    ax.legend(loc=9, fontsize=11)

    plt.show()

દર વર્ષ માટે, અમે ગણતરી કરીએ છીએ કે કેટલા નામો 50% લોકોને આવરી લે છે અને આ ડેટાની કલ્પના કરીએ છીએ:

dataframe = pd.DataFrame({'year': [], 'count': []})
years = np.arange(1880, 2011)
for year in years:
    dataset = datalist.format(year=year)
    csv = pd.read_csv(dataset, names=['name', 'sex', 'count'])
    names = csv.groupby('name', as_index=False).aggregate(np.sum)
    names['sum'] = names.sum()['count']
    names['percent'] = names['count'] / names['sum'] * 100
    names = names.sort_values(['percent'], ascending=False)
    names['cum_perc'] = names['percent'].cumsum()
    names_filtered = names[names['cum_perc'] <= 50]
    dataframe = dataframe.append(pd.DataFrame({'year': [year], 'count': [names_filtered.shape[0]]}))

fig, ax1 = plt.subplots(1, 1, figsize=(22,13))
ax1.set_xlabel('Года', fontsize = 12)
ax1.set_ylabel('Разнообразие имен', fontsize = 12)
ax1.plot(dataframe['year'], dataframe['count'], color='r', ls='-')
ax1.legend(loc=9, fontsize=12)

plt.show()

ચાલો સમગ્ર અંતરાલમાંથી 4 વર્ષ પસંદ કરીએ અને દરેક વર્ષ માટે નામના પ્રથમ અક્ષર અને નામના છેલ્લા અક્ષર દ્વારા વિતરણ પ્રદર્શિત કરીએ:

from string import ascii_lowercase, ascii_uppercase

fig_first, ax_first = plt.subplots(1, 1, figsize=(14,10))
fig_last, ax_last = plt.subplots(1, 1, figsize=(14,10))

index = np.arange(len(ascii_uppercase))
years = [1944, 1978, 1991, 2003]
colors = ['r', 'g', 'b', 'y']
n = 0
for year in years:
    dataset = datalist.format(year=year)
    csv = pd.read_csv(dataset, names=['name', 'sex', 'count'])
    names = csv.groupby('name', as_index=False).aggregate(np.sum)
    count = names.shape[0]

    dataframe = pd.DataFrame({'letter': [], 'frequency_first': [], 'frequency_last': []})
    for letter in ascii_uppercase:
        countFirst = (names[names.name.str.startswith(letter)].count()['count'])
        countLast = (names[names.name.str.endswith(letter.lower())].count()['count'])

        dataframe = dataframe.append(pd.DataFrame({
            'letter': [letter],
            'frequency_first': [countFirst / count * 100],
            'frequency_last': [countLast / count * 100]}))

    ax_first.bar(index + 0.3 * n, dataframe['frequency_first'], 0.3, alpha=0.5, color=colors[n], label=year)
    ax_last.bar(index + bar_width * n, dataframe['frequency_last'], 0.3, alpha=0.5, color=colors[n], label=year)
    n += 1

ax_first.set_xlabel('Буква алфавита')
ax_first.set_ylabel('Частота, %')
ax_first.set_title('Первая буква в имени')
ax_first.set_xticks(index)
ax_first.set_xticklabels(ascii_uppercase)
ax_first.legend()

ax_last.set_xlabel('Буква алфавита')
ax_last.set_ylabel('Частота, %')
ax_last.set_title('Последняя буква в имени')
ax_last.set_xticks(index)
ax_last.set_xticklabels(ascii_uppercase)
ax_last.legend()

fig_first.tight_layout()
fig_last.tight_layout()

plt.show()

ચાલો ઘણા પ્રખ્યાત લોકો (રાષ્ટ્રપતિઓ, ગાયકો, અભિનેતાઓ, મૂવી પાત્રો) ની સૂચિ બનાવીએ અને નામોની ગતિશીલતા પર તેમના પ્રભાવનું મૂલ્યાંકન કરીએ:

celebrities = {'Frank': 'M', 'Britney': 'F', 'Madonna': 'F', 'Bob': 'M'}
dataframes = []
for year in years:
    dataset = datalist.format(year=year)
    dataframe = pd.read_csv(dataset, names=['name', 'sex', 'count'])
    dataframes.append(dataframe.assign(year=year))

result = pd.concat(dataframes)

for celebrity, sex in celebrities.items():
    names = result[result.name == celebrity]
    dataframe = names[names.sex == sex]
    fig, ax = plt.subplots(1, 1, figsize=(16,8))

    ax.set_xlabel('Года', fontsize = 10)
    ax.set_ylabel('Рождаемость', fontsize = 10)
    ax.plot(dataframe['year'], dataframe['count'], label=celebrity, color='r', ls='-')
    ax.legend(loc=9, fontsize=12)
        
    plt.show()

તાલીમ માટે, તમે નામોની ગતિશીલતા પરના તેમના પ્રભાવનું સ્પષ્ટપણે મૂલ્યાંકન કરવા માટે છેલ્લા ઉદાહરણમાંથી વિઝ્યુલાઇઝેશનમાં સેલિબ્રિટીના જીવનનો સમયગાળો ઉમેરી શકો છો.

આ સાથે, અમારા બધા લક્ષ્યો પ્રાપ્ત અને પરિપૂર્ણ થયા. અમે પાયથોનમાં ડેટાને જૂથબદ્ધ કરવા અને વિઝ્યુઅલાઈઝ કરવા માટે સાધનોનો ઉપયોગ કરવાની કુશળતા વિકસાવી છે અને અમે ડેટા સાથે કામ કરવાનું ચાલુ રાખીશું. દરેક વ્યક્તિ જાતે તૈયાર, વિઝ્યુઅલાઈઝ્ડ ડેટાના આધારે તારણો કાઢી શકે છે.

દરેકને જ્ઞાન!

સોર્સ: www.habr.com