1880-2010年间全美婴儿姓名
1880-2010年间全美婴儿姓名
作者：喝醉酒的小白
!git clone https://github.com/wesm/pydata-book
0 导入相关库
# 基础
import numpy as np # 处理数组
import pandas as pd # 读取数据&&DataFrame
import matplotlib.pyplot as plt # 制图
import seaborn as sns
from matplotlib import rcParams # 定义参数
from matplotlib.cm import rainbow # 配置颜色
%matplotlib inline
import warnings
warnings.filterwarnings('ignore') # 忽略警告信息
np.set_printoptions(precision=4) # 小数点后
pd.options.display.max_rows = 10 # 最大行数
1 读取文本文件（文件夹、TXT格式）
!ls pydata-book/datasets/babynames
!head -n 10 pydata-book/datasets/babynames/yob1880.txt
性别/名字组合的出生总数
names1880 = pd.read_csv('pydata-book/datasets/babynames/yob1880.txt',
names=['name', 'sex', 'births'])
names1880
names1880.groupby('sex').births.sum()
years = range(1880, 2011)
pieces = []
columns = ['name', 'sex', 'births']
for year in years:
path = 'pydata-book/datasets/babynames/yob%d.txt' % year
frame = pd.read_csv(path, names=columns)
frame['year'] = year
pieces.append(frame)
names = pd.concat(pieces, ignore_index=True)
names
pd.DataFrame.pivot_table
total_births = names.pivot_table('births', index='year',
columns='sex', aggfunc=sum)
total_births
total_births.plot(title='Total births by sex and year')
def add_prop(group):
group['prop'] = group.births / group.births.sum()
return group
names = names.groupby(['year', 'sex']).apply(add_prop)
names
names.groupby(['year', 'sex']).prop.sum()
def get_top1000(group):
return group.sort_values(by='births', ascending=False)[:1000]
grouped = names.groupby(['year', 'sex'])
top1000 = grouped.apply(get_top1000)
top1000
# 按性别分为两部分
boys = top1000[top1000.sex == 'M']
girls = top1000[top1000.sex == 'F']
# 按year name 统计的总出生透视表
total_births = top1000.pivot_table('births', index='year',
columns='name',
aggfunc=sum)
total_births.info()
total_births
subset = total_births[['John', 'Harry', 'Mary', 'Marilyn']]
subset.plot(subplots=True, figsize=(12, 10), grid=False,
title="Number of births per year")
观察发现这几个名字目前已然日落西山
按year & sex去和并绘图
pd.DataFrame.pivot_table
pd.DataFrame.plot
np.linspace
table = top1000.pivot_table('prop', index='year',
columns='sex', aggfunc=sum)
table.plot(title='Sum of table1000.prop by year and sex',
yticks=np.linspace(0, 1.2, 13), xticks=range(1880, 2020, 10))
前1000项的比例降低 -> 名字的多样性增长
3.计算占总出生人数前50%的不同名字的数量
只考虑2010年男孩的名字
df2010 = boys[boys.year == 2010]
df2010
pd.DataFrame.sort_values
pd.DataFrame.cumsum # 累计和
pd.Series.searchsorted
prop_cumsum2010 = df2010.sort_values(by='prop', ascending=False).prop.cumsum()
prop_cumsum2010
prop_cumsum2010.values.searchsorted(0.5)
数组索引从0开始（即116+1）
df1900 = boys[boys.year == 1900]
prop_cumsum1900 = df1900
boys[boys.year == 1900].sort_values(by='prop', ascending=False).prop.cumsum().values.searchsorted(0.5) + 1
对所有year/sex组合执行计算
按year/sex字段进行groupby处理，然后用一个函数计算各分组的值
def get_quantile_count(group, q=0.5):
group = group.sort_values(by='prop', ascending=False)
return group.prop.cumsum().values.searchsorted(q) + 1
diversity = top1000.groupby(['year', 'sex']).apply(get_quantile_count)
diversity
pd.DataFrame.unstack
diversity.unstack('sex')
diversity.unstack('sex').plot(title='Number of popular names in top 50%')
观察图可发现女孩名字的多样性总比男孩高，而且越来越高
last_letters = names.name.map(lambda x: x[-1])
last_letters.name = 'last_letter'
table = names.pivot_table('births', index=last_letters, columns=['sex', 'year'], aggfunc=sum)
table
选出具有一定代表性的三年
subtable = table.reindex(columns=[1910, 1960, 2010], level='year')
subtable
规范化处理 -> 计算出各性别各末字母占总出生人数的比例
subtable.sum()
letter_prop = subtable / subtable.sum()
letter_prop
各年度各性别条形图
pd.DataFrame.plot
fig, axes = plt.subplots(2, 1, figsize=(10, 8))
letter_prop['M'].plot(kind='bar', rot=0, ax=axes[0], title='Male')
letter_prop['F'].plot(kind='bar', rot=0, ax=axes[1], title='FeMale', legend=False)
plt.tight_layout() # 最佳
观察图可知，20世纪60年代开始，以字母为’n’结尾的男孩名字出现了显著增长
按照年度和性别对table进行规范化处理，并在男孩名字中选取几个字母
进行转置后将各个列做成一个时间序列
letter_prop = table / table.sum()
letter_prop
letter_prop.loc[['d', 'n', 'y'], 'M']
letter_prop.loc[['d', 'n', 'y'], 'M'].T
letter_prop.loc[['d', 'n', 'y'], 'M'].T.plot()
找出以’lesl’开头的名字
pd.Series.unique
str.contains
all_names = pd.Series(top1000.name.unique())
lesl_like = all_names[all_names.str.lower().str.contains('lesl')]
lesl_like
利用lesl_like过滤其他名字，并按名字分组计算出生数以查看相对频率
pd.Series.isin
pd.Series.sum
filtered = top1000[top1000.name.isin(lesl_like)]
filtered.groupby('name').births.sum()
按性别和年度进行聚合，并按年度进行规范化处理
pd.DataFrame.div
pd.DataFrame.sum
table = filtered.pivot_table('births', index='year', columns='sex', aggfunc='sum')
table = table.div(table.sum(1), axis=0)
table
table.plot(style={'M': 'k-', 'F': 'k--'})
作者：喝醉酒的小白
