1. Sample Data
1880 ~ 2010 년까지 태어난 아이의 이름 / 성별 / 출생수
yob1880.txt2. Import Module
import pandas as pd
import matplotlib.pyplot as plt
from print_df import print_df
3. Pandas Data Code
- 일부 파일에 DataFrame 작업(파일에 컬럼명이 없으므로 header=None / 필요한 컬럼명 지정)
names1880 = pd.read_csv('data\yob1880.txt', header=None, names=['name', 'gender', 'born'], encoding='utf-8')
- DataFrame 정보 확인
print(names1880.info())
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 2000 entries, 0 to 1999
Data columns (total 3 columns):
name 2000 non-null object
gender 2000 non-null object
born 2000 non-null int64
dtypes: int64(1), object(2)
memory usage: 47.0+ KB
None
- DataFrame에 Head 부분 확인
print_df(names1880.head())
<class 'pandas.core.frame.DataFrame'>
(5, 3)
+---+-----------+--------+------+
| | name | gender | born |
+---+-----------+--------+------+
| 0 | Mary | F | 7065 |
| 1 | Anna | F | 2604 |
| 2 | Emma | F | 2003 |
| 3 | Elizabeth | F | 1939 |
| 4 | Minnie | F | 1746 |
+---+-----------+--------+------+
- Sample Data가 1880 ~ 2010년까지 많은 Data 인데 위에 대로 하면 하나하나 변수가 늘어나므로 리스트화
years = range(1880, 2011)
df_pieces = [] # 1880 ~ 2010년 까지의 데이터 프레임을 젖아할 리스트
for year in years: # 1880 ~ 2010
path = 'data\yob%d.txt' % year # 파일 이름
df = pd.read_csv(path, header=None, names=['name', 'gender', 'born'], encoding='utf-8')
df['year'] = year # 데이터 프레임에 year 컬럼 추가
df_pieces.append(df) # 데이터 프레임들의 리스트
- df_pieces 즉, DataFrame에 길이 확인
print(len(df_pieces))
131
- 131개의 DataFrame중에 첫번째에 Head 확인
print_df(df_pieces[0].head())<class 'pandas.core.frame.DataFrame'>
(5, 4)
+---+-----------+--------+------+------+
| | name | gender | born | year |
+---+-----------+--------+------+------+
| 0 | Mary | F | 7065 | 1880 |
| 1 | Anna | F | 2604 | 1880 |
| 2 | Emma | F | 2003 | 1880 |
| 3 | Elizabeth | F | 1939 | 1880 |
| 4 | Minnie | F | 1746 | 1880 |
+---+-----------+--------+------+------+
- Data 분석을 위한 Concat 작업(열 방향으로 Data 병합)
names = pd.concat(df_pieces, ignore_index=True)
- Concat Data Head 확인
print_df(names.head())
<class 'pandas.core.frame.DataFrame'>
(5, 4)
+---+-----------+--------+------+------+
| | name | gender | born | year |
+---+-----------+--------+------+------+
| 0 | Mary | F | 7065 | 1880 |
| 1 | Anna | F | 2604 | 1880 |
| 2 | Emma | F | 2003 | 1880 |
| 3 | Elizabeth | F | 1939 | 1880 |
| 4 | Minnie | F | 1746 | 1880 |
+---+-----------+--------+------+------+
- Concat Data Tail 확인
print_df(names.tail())
<class 'pandas.core.frame.DataFrame'>
(5, 4)
+---------+-----------+--------+------+------+
| | name | gender | born | year |
+---------+-----------+--------+------+------+
| 1690779 | Zymaire | M | 5 | 2010 |
| 1690780 | Zyonne | M | 5 | 2010 |
| 1690781 | Zyquarius | M | 5 | 2010 |
| 1690782 | Zyran | M | 5 | 2010 |
| 1690783 | Zzyzx | M | 5 | 2010 |
+---------+-----------+--------+------+------+
- 남(M) / 여(F) 아이의 출산율 증감세 확인 Pivot Table 구조 생성
'''
pivot_table(분석할 데이터프레임, index=행 인덱스로 들어갈 키 열 또는 키 열의 리스트,
columns=열 인덱스로 들어갈 키 열 또는 키 열의 리스트,
aggfunc=분석 메서드)
'''
total_born = names.pivot_table('born', index='year', columns='gender', aggfunc=sum)
<class 'pandas.core.frame.DataFrame'>
(131, 2)
+------+---------+---------+
| | F | M |
+------+---------+---------+
| 1880 | 90993 | 110493 |
| 1881 | 91955 | 100748 |
| 1882 | 107851 | 113687 |
| 1883 | 112322 | 104632 |
| 1884 | 129021 | 114445 |
| 1885 | 133056 | 107802 |
| 1886 | 144538 | 110785 |
| 1887 | 145983 | 101412 |
| 1888 | 178631 | 120857 |
| 1889 | 178369 | 110590 |
| 1890 | 190377 | 111026 |
| 1891 | 185486 | 101198 |
| 1892 | 212350 | 122038 |
| 1893 | 212908 | 112319 |
| 1894 | 222923 | 115775 |
| 1895 | 233632 | 117398 |
| 1896 | 237924 | 119575 |
| 1897 | 234199 | 112760 |
| 1898 | 258771 | 122703 |
| 1899 | 233022 | 106218 |
| 1900 | 299873 | 150554 |
| 1901 | 239351 | 106478 |
| 1902 | 264079 | 122660 |
| 1903 | 261976 | 119240 |
| 1904 | 275375 | 128129 |
| 1905 | 291641 | 132319 |
| 1906 | 295301 | 133159 |
| 1907 | 318558 | 146838 |
| 1908 | 334277 | 154339 |
| 1909 | 347191 | 163983 |
| 1910 | 396416 | 194198 |
| 1911 | 418180 | 225936 |
| 1912 | 557939 | 429926 |
| 1913 | 624317 | 512482 |
| 1914 | 761376 | 654746 |
| 1915 | 983824 | 848647 |
| 1916 | 1044249 | 890142 |
| 1917 | 1081194 | 925512 |
| 1918 | 1157585 | 1013720 |
| 1919 | 1130149 | 980215 |
| 1920 | 1198214 | 1064468 |
| 1921 | 1232845 | 1101374 |
| 1922 | 1200796 | 1088380 |
| 1923 | 1206239 | 1096227 |
| 1924 | 1248821 | 1132671 |
| 1925 | 1217217 | 1115798 |
| 1926 | 1185078 | 1110440 |
| 1927 | 1192207 | 1126259 |
| 1928 | 1152836 | 1107113 |
| 1929 | 1116284 | 1074833 |
| 1930 | 1125521 | 1096663 |
| 1931 | 1064233 | 1038586 |
| 1932 | 1066930 | 1043512 |
| 1933 | 1007523 | 990677 |
| 1934 | 1043879 | 1031962 |
| 1935 | 1048264 | 1040649 |
| 1936 | 1040068 | 1036662 |
| 1937 | 1063722 | 1065964 |
| 1938 | 1103173 | 1108480 |
| 1939 | 1096394 | 1106328 |
| 1940 | 1143281 | 1158668 |
| 1941 | 1207799 | 1227621 |
| 1942 | 1350524 | 1380468 |
| 1943 | 1394891 | 1426400 |
| 1944 | 1327077 | 1362379 |
| 1945 | 1307299 | 1346227 |
| 1946 | 1570555 | 1622540 |
| 1947 | 1772246 | 1827415 |
| 1948 | 1697664 | 1753472 |
| 1949 | 1709607 | 1770104 |
| 1950 | 1713001 | 1789936 |
| 1951 | 1798537 | 1877553 |
| 1952 | 1854427 | 1943533 |
| 1953 | 1880072 | 1968772 |
| 1954 | 1941562 | 2036948 |
| 1955 | 1954508 | 2057390 |
| 1956 | 2007416 | 2113067 |
| 1957 | 2043983 | 2155427 |
| 1958 | 2010620 | 2120014 |
| 1959 | 2022889 | 2133147 |
| 1960 | 2022062 | 2132588 |
| 1961 | 2016762 | 2121629 |
| 1962 | 1966340 | 2068493 |
| 1963 | 1927055 | 2031443 |
| 1964 | 1894277 | 1992762 |
| 1965 | 1764815 | 1861138 |
| 1966 | 1691650 | 1783577 |
| 1967 | 1650576 | 1744222 |
| 1968 | 1639977 | 1738585 |
| 1969 | 1686705 | 1789326 |
| 1970 | 1747811 | 1858782 |
| 1971 | 1663043 | 1768325 |
| 1972 | 1521044 | 1622178 |
| 1973 | 1457913 | 1558562 |
| 1974 | 1467227 | 1572415 |
| 1975 | 1457349 | 1561378 |
| 1976 | 1464852 | 1569098 |
| 1977 | 1532574 | 1642747 |
| 1978 | 1531242 | 1641143 |
| 1979 | 1604588 | 1720781 |
| 1980 | 1659259 | 1782388 |
| 1981 | 1666833 | 1789568 |
| 1982 | 1692036 | 1812642 |
| 1983 | 1669486 | 1790670 |
| 1984 | 1682396 | 1802735 |
| 1985 | 1719450 | 1846162 |
| 1986 | 1714053 | 1839442 |
| 1987 | 1737508 | 1865113 |
| 1988 | 1779112 | 1911858 |
| 1989 | 1843057 | 1999840 |
| 1990 | 1897256 | 2052070 |
| 1991 | 1874110 | 2019018 |
| 1992 | 1842818 | 1995760 |
| 1993 | 1807795 | 1959712 |
| 1994 | 1784407 | 1930363 |
| 1995 | 1757240 | 1902100 |
| 1996 | 1751681 | 1892700 |
| 1997 | 1739331 | 1883571 |
| 1998 | 1765390 | 1909676 |
| 1999 | 1772139 | 1918267 |
| 2000 | 1813960 | 1961702 |
| 2001 | 1798284 | 1940498 |
| 2002 | 1794358 | 1938941 |
| 2003 | 1824406 | 1972439 |
| 2004 | 1833005 | 1981557 |
| 2005 | 1843890 | 1993285 |
| 2006 | 1896468 | 2050234 |
| 2007 | 1916888 | 2069242 |
| 2008 | 1883645 | 2032310 |
| 2009 | 1827643 | 1973359 |
| 2010 | 1759010 | 1898382 |
+------+---------+---------+
- Data 시각화 작업
plt.rcParams["font.family"] = 'NanumGothic'
plt.rcParams["font.size"] = 8
plt.rcParams["figure.figsize"] = (15, 10)
total_born.plot()
plt.title('F / M Total Born')
plt.ylabel('Count')
plt.xlabel('Year')
plt.grid()
plt.savefig('total_born.png', dpi=200)
plt.close()
'Python_Intermediate > Pandas' 카테고리의 다른 글
| Pandas - 데이터프레임 병합(merge) (0) | 2019.05.27 |
|---|---|
| Pandas - 1880 ~ 2010 년까지 출생 자료 분석 2 (0) | 2019.05.27 |
| Pandas - Json File Data 분석 3(Data 시각화) (0) | 2019.05.25 |
| Pandas - Json File Data 분석 2(Pandas 사용) (0) | 2019.05.25 |
| Pandas - Json File Data 분석 1(기본 문법 사용) (0) | 2019.05.25 |
