1880-2014年间全美婴儿姓名分析

针对全美婴儿姓名数据进行一些分析

1880-2014年间全美婴儿姓名数据来源于kaggle，利用这个数据我们可以进行一些有趣的分析，比如分析这些年中叫西蒙的婴儿数量的变化，国家婴儿数据如下：

有五个特征，分别为ID、姓名、年份、性别和数量。以下为州数据state_names：

我们可以看到有六个特征，相比national来说，增加了州一项。

下面开始正式进入数据分析，我使用的是jupyter notebook(也可以使用spyder等IDE,但是注意怎样实现即时交互)：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from collections import Counter
data=pd.read_csv('./NationalNames.csv')
data.head()

结果输出：

data.info()

输出数据类型（这里隐藏结果显示）
将名字和数量进行统计，并放在一个字典中：

#将名字和相应的数量进行统计，存在一个字典中
names_dict=dict()
for index,row in data.iterrows():
    if row['Name'] not in names_dict:
        names_dict[row['Name']]=row['Count']
    else:
        names_dict[row['Name']]+=row['Count']
name='Mary'
print('%s->%i' %(name,names_dict.get(name)))
name='Minnie'
print('%s->%i' %(name,names_dict.get(name)))

统计最流行的10个名字和最不流行的10个名字：

#利用counter计数器你的most_common函数进行统计
#返回最常用的10个名字以及相应计数
top_10=Counter(names_dict).most_common(10)
print('全美最流行的10个婴儿名字：')
for pair in top_10:
    print('姓名：%s->数量：%i' %(pair[0],pair[1]))
#返回最不常用的10个名字，在这里我们直接取top_10里最后10个数就好了
print('全美最不流行的10个婴儿名字：')
for pair in Counter(names_dict).most_common()[:-10:-1]:
    print('姓名：%s->数量：%i' %(pair[0],pair[1]))

计算名字的平均长度：

#名字的平均长度
def average_length_data_transform():
    '''
    统计每年男性、女性姓名的平均长度'''
    #按行遍历数据
    years=[]
    #女性姓名
    female_average_length=[]
    female_average_name_length=dict()
    #男性名字
    male_average_length=[]
    male_average_name_length=dict()
    for index,row in data.iterrows():
        if row['Gender']=='F':#女性
            curr_year=row['Year']
            curr_name_length=len(row['Name'])
            if curr_year not in female_average_name_length:
                female_average_name_length[curr_year]=[curr_name_length,1]
            else:
                female_average_name_length[curr_year][0]+=curr_name_length
                female_average_name_length[curr_year][1]+=1
        else:#男性
            curr_year=row['Year']
            curr_name_length=len(row['Name'])
            if curr_year not in male_average_name_length:
                male_average_name_length[curr_year]=[curr_name_length,1]
            else:
                male_average_name_length[curr_year][0]+=curr_name_length
                male_average_name_length[curr_year][1]+=1
    for key,value in female_average_name_length.items():
        years.append(key)
        female_average_length.append(float(value[0])/value[1])
    for key,value in male_average_name_length.items():
        years.append(key)
        male_average_length.append(float(value[0])/value[1])
    return (female_average_length,female_average_name_length,male_average_length,male_average_name_length)

注意上面定义的是一个函数，因此使用的时候需要调用

#处理时间较长
female_average_length,female_average_name_length,male_average_length,male_average_name_length=average_length_data_transform()
for year in range(1880,1891):
    print('年份：%i，总长：%i，个数：%i' %(year,female_average_name_length.get(year)[0],female_average_name_length.get(year)[1]))

#输出平均长度
print(female_average_length[:10])

可视化输出：

years=range(1880,2015)
f,ax=plt.subplots(figsize=(10,6))
ax.set_xlim([1880,2014])
plt.plot(years,female_average_length,label='Average length of female names',color='r')
plt.plot(years,male_average_length,label='Average length of male names',color='b')
ax.set_ylabel('Length of name')
ax.set_xlabel('Year')
ax.set_title('Average length of names')
legend=plt.legend(loc='best',frameon=True,borderpad=1,borderaxespad=1)
plt.show()