用姓名字段统计人数_美国婴儿姓名分析

研究背景

美国社会保障总署（SSA）提供了一份从1880年到2010年的婴儿名字频率数据。我们可以用这个数据集做很多事，例如：

• 计算指定名字（可以是你自己的，也可以是别人的）的年度比例。
• 计算某个名字的相对排名。
• 计算各年度最流行的名字，以及增长或减少最快的名字。
• 分析名字趋势：元音、辅音、长度、总体多样性、拼写变化、首尾字母等。
• 分析外源性趋势：圣经中的名字、名人、人口结构变化等。

数据预处理

#查看数据
import numpy as np
import pandas as pd 
pd.options.display.max_rows=10
names1880 = pd.read_csv(r'G:pydata-book-2nd-editiondatasetsbabynamesyob1880.txt',
                       names=['name','sex','births'])
names1880

这些数据中仅含有当年出现超过5次的名字

我们可以用pandas.groupby()函数对births列的sex进行分组小计表示该年度的births总计：

names1880.groupby('sex')['births'].sum()

可以看出出生的男孩比女孩多

由于该数据集按年度被分隔成了多个文件，所以第一件事情就是要将所有数据都组装到一个DataFrame里面，并加上一个year字段。使用pandas.concat()即可达到这个目的：

years=range(1880,2011)

pieces=[]
columns = ['name','sex','births']
for year in years:
    path=r'G:pydata-book-2nd-editiondatasetsbabynamesyob%d.txt' % year
    frame=pd.read_csv(path,names=columns)
    frame['year']=year
    pieces.append(frame)

names=pd.concat(pieces,ignore_index=True)
names

这里需要注意几件事情。第一，concat默认是按行将多个DataFrame组合到一起的；第二，必须指定ignore_index=True，因为我们不希望保留read_csv所返回的原始行号。现在我们得到了一个非常大的DataFrame，它含有全部的名字数据：

有了这些数据之后，我们就可以利用groupby或pivot_table在year和sex级别上对其进