🥇पायथनमध्ये ग्रुपिंग आणि डेटा व्हिज्युअलायझेशन वापरण्याच्या कौशल्यावर काम करणे

अहो हाब्र!

आज आपण Python मध्ये डेटा ग्रुपिंग आणि व्हिज्युअलाइज करण्यासाठी टूल्स वापरण्याच्या कौशल्यावर काम करू. प्रदान मध्ये Github वर डेटासेट चला अनेक वैशिष्ट्यांचे विश्लेषण करू आणि व्हिज्युअलायझेशनचा संच तयार करू.

परंपरेनुसार, सुरुवातीला, ध्येये परिभाषित करूया:

लिंग आणि वर्षानुसार डेटा गट करा आणि दोन्ही लिंगांच्या जन्मदराच्या एकूण गतिशीलतेची कल्पना करा;
आतापर्यंतची सर्वात लोकप्रिय नावे शोधा;
डेटामधील संपूर्ण कालावधी 10 भागांमध्ये विभाजित करा आणि प्रत्येकासाठी, प्रत्येक लिंगाचे सर्वात लोकप्रिय नाव शोधा. सापडलेल्या प्रत्येक नावासाठी, त्याच्या गतिशीलतेची सर्व काळ कल्पना करा;
प्रत्येक वर्षासाठी, 50% लोकांना किती नावे समाविष्ट आहेत याची गणना करा आणि कल्पना करा (आम्ही प्रत्येक वर्षासाठी नावांची विविधता पाहू);
संपूर्ण मध्यांतरातून 4 वर्षे निवडा आणि प्रत्येक वर्षासाठी नावाच्या पहिल्या अक्षराने आणि नावाच्या शेवटच्या अक्षराद्वारे वितरण प्रदर्शित करा;
अनेक प्रसिद्ध लोकांची (अध्यक्ष, गायक, अभिनेते, चित्रपटातील पात्र) यादी बनवा आणि नावांच्या गतिशीलतेवर त्यांच्या प्रभावाचे मूल्यांकन करा. व्हिज्युअलायझेशन तयार करा.

शब्द कमी, कोड जास्त!

आणि, चला जाऊया.

लिंग आणि वर्षानुसार डेटा गटबद्ध करू आणि दोन्ही लिंगांच्या जन्मदराच्या एकूण गतिशीलतेची कल्पना करूया:

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()

चला इतिहासातील सर्वात लोकप्रिय नावे शोधूया:

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)

चला डेटामधील संपूर्ण कालावधी 10 भागांमध्ये विभागू या आणि प्रत्येकासाठी आम्हाला प्रत्येक लिंगाचे सर्वात लोकप्रिय नाव सापडेल. सापडलेल्या प्रत्येक नावासाठी, आम्ही त्याच्या गतिशीलतेची कल्पना करतो:

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()

प्रत्येक वर्षासाठी, आम्ही 50% लोकांना किती नावे समाविष्ट करतात याची गणना करतो आणि या डेटाची कल्पना करतो:

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()

चला संपूर्ण मध्यांतरातून 4 वर्षे निवडा आणि प्रत्येक वर्षासाठी नावातील पहिल्या अक्षराने आणि नावाच्या शेवटच्या अक्षराने वितरण प्रदर्शित करूया:

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()

चला अनेक प्रसिद्ध लोकांची (अध्यक्ष, गायक, अभिनेते, चित्रपटातील पात्र) यादी बनवू आणि नावांच्या गतिशीलतेवर त्यांच्या प्रभावाचे मूल्यांकन करूया:

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()

प्रशिक्षणासाठी, नावांच्या गतिशीलतेवर त्यांच्या प्रभावाचे स्पष्टपणे मूल्यांकन करण्यासाठी आपण शेवटच्या उदाहरणावरून व्हिज्युअलायझेशनमध्ये सेलिब्रिटींचा जीवन कालावधी जोडू शकता.

यासह, आमची सर्व उद्दिष्टे साध्य आणि पूर्ण झाली. आम्ही Python मध्ये डेटा ग्रुपिंग आणि व्हिज्युअलाइज करण्यासाठी टूल्स वापरण्याचे कौशल्य विकसित केले आहे आणि आम्ही डेटासह कार्य करणे सुरू ठेवू. प्रत्येकजण स्वत: तयार, व्हिज्युअलाइज्ड डेटावर आधारित निष्कर्ष काढू शकतो.

प्रत्येकाला ज्ञान!

स्त्रोत: www.habr.com

Python मध्ये ग्रुपिंग आणि डेटा व्हिज्युअलायझेशन वापरण्याच्या कौशल्यावर काम करणे

लिंग आणि वर्षानुसार डेटा गटबद्ध करू आणि दोन्ही लिंगांच्या जन्मदराच्या एकूण गतिशीलतेची कल्पना करूया:

चला इतिहासातील सर्वात लोकप्रिय नावे शोधूया:

प्रत्येक वर्षासाठी, आम्ही 50% लोकांना किती नावे समाविष्ट करतात याची गणना करतो आणि या डेटाची कल्पना करतो:

एक टिप्पणी जोडा Отменить ответ