Ciao, Habr!
Oggi elaboreremo la competenza nell'uso degli strumenti di raggruppamento e visualizzazione dei dati in Python. Nel dataset fornito analizzeremo diverse caratteristiche e costruiremo un insieme di visualizzazioni.
Come tradizione, all'inizio definiremo gli obiettivi:
- Raggruppare i dati per genere e anno e visualizzare la dinamica complessiva della natalità di entrambi i generi;
- Trovare i nomi più popolari di tutta la storia;
- Dividere l'intero intervallo di tempo nei dati in 10 parti e per ciascuna trovare il nome più popolare di ogni genere. Per ciascun nome trovato visualizzare la sua dinamica nel tempo;
- Per ogni anno calcolare quanti nomi coprono il 50% delle persone e visualizzare (vedremo la varietà dei nomi per ogni anno);
- Selezionare 4 anni dall'intero intervallo e mostrare per ciascun anno la distribuzione in base alla prima lettera del nome e all'ultima lettera del nome;
- Compilare un elenco di diverse persone famose (presidenti, cantanti, attori, personaggi di film) e valutare la loro influenza sulla dinamica dei nomi. Creare una visualizzazione chiara.
Meno parole, più codice!
E, via.
Raggruppiamo i dati per genere e anno e visualizziamo la dinamica complessiva della natalità di entrambi i generi:
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='Uomini')
stolb2 = ax.bar(index + 0.4, births_women_list, 0.4, alpha=0.8, color='r', label='Donne')
ax.set_title('Natalità per genere e anni')
ax.set_xlabel('Anni')
ax.set_ylabel('Natalità')
ax.set_xticklabels(years)
ax.set_xticks(index + 0.4)
ax.legend(loc=9)
fig.tight_layout()
plt.show()
Troviamo i nomi più popolari di tutta la storia:
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)
Dividiamo l'intero intervallo temporale dei dati in 10 parti e per ciascuna troviamo il nome più popolare di ogni sesso. Per ogni nome trovato, visualizzeremo la sua dinamica nel tempo:
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('Anni')
ax.set_ylabel('Fertilità')
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()
Per ogni anno calcoliamo quanti nomi coprono il 50% delle persone e visualizziamo questi dati:
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('Anni', fontsize = 12)
ax1.set_ylabel('Diversità dei nomi', fontsize = 12)
ax1.plot(dataframe['year'], dataframe['count'], color='r', ls='-')
ax1.legend(loc=9, fontsize=12)
plt.show()
Selezioniamo 4 anni dall'intero intervallo e mostriamo per ogni anno la distribuzione in base alla prima e all'ultima lettera del nome:
dalla stringa importare 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('Lettera dell'alfabeto')
ax_first.set_ylabel('Frequenza, %')
ax_first.set_title('Prima lettera del nome')
ax_first.set_xticks(index)
ax_first.set_xticklabels(ascii_uppercase)
ax_first.legend()
ax_last.set_xlabel('Lettera dell'alfabeto')
ax_last.set_ylabel('Frequenza, %')
ax_last.set_title('Ultima lettera del nome')
ax_last.set_xticks(index)
ax_last.set_xticklabels(ascii_uppercase)
ax_last.legend()
fig_first.tight_layout()
fig_last.tight_layout()
plt.show()
Compiliamo un elenco di alcune persone famose (presidenti, cantanti, attori, personaggi cinematografici) e valutiamo la loro influenza sulla dinamica dei nomi:
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('Anno', fontsize = 10)
ax.set_ylabel('Nascite', fontsize = 10)
ax.plot(dataframe['year'], dataframe['count'], label=celebrity, color='r', ls='-')
ax.legend(loc=9, fontsize=12)
plt.show()
Per esercitarti, puoi aggiungere alla visualizzazione del periodo di vita della celebrità nell'ultimo esempio, per valutare la loro influenza sulla dinamica dei nomi.
Con questo, tutti i nostri obiettivi sono stati raggiunti e completati. Abbiamo lavorato sull'abilità di utilizzo degli strumenti di raggruppamento e visualizzazione dei dati in Python, e continueremo a lavorare con i dati. Ognuno potrà trarre le proprie conclusioni sui dati già pronti e visualizzati.
A tutti, buon apprendimento!
Fonte: habr.com
