[PYTHON] Créez une tranche d'âge avec les pandas

Les valeurs agrégées pour chaque année sont résumées pour chaque 10 ans. Définissez la classe avec cut of pandas et agréger avec groupby.

Les données utilisées sont le format CSV de l'Excel de «Population par âge» publié par le Bureau des statistiques du Ministère de l'intérieur et des communications.

Page d'accueil du Bureau des statistiques / 64e Annuaire statistique du Japon 2015-Chapitre 2 Population / Ménage
→ 2-7 Population par âge (Excel: 42 Ko)

Pour faciliter l'utilisation, supprimez la ligne de description en haut des données, la note en bas et les lignes «100+» et «Inconnu». Le fichier ajusté est «population-by-age.csv».

Traité par des pandas

Commencez par charger les modules numpy et pandas. J'ai également ajouté un paramètre pour dessiner le graphique en IPython.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
pd.options.display.mpl_style = 'default'

Lisez le fichier CSV. Spécifiez la première colonne comme index. Après la lecture, vérifiez le type de données.

df = pd.read_csv('population-by-age.csv', index_col='age')
print df.dtypes

y1920    int64
y1930    int64
y1940    int64
y1950    int64
y1960    int64
y1970    int64
y1980    int64
y1990    int64
y2000    int64
y2010    int64
dtype: object

De plus, vérifions le début et la fin, et les statistiques. L'affichage est omis.

print df.head(3)
print df.tail(3)
print df.describe()

Utilisez cut pour définir la classe. Si vous voulez changer la largeur de la classe, ajustez le troisième argument de range. Inclure ou ne pas inclure les deux extrémités de la classe est spécifié comme une option. Basculez entre les options * include_lowest * et * right * en conséquence.

labels * définit la chaîne de caractères à afficher. Si l'expression mathématique de section fermée / section ouverte est plus facile à comprendre, vous pouvez la laisser non spécifiée.

labels = [ "{0} - {1}".format(i, i + 9) for i in range(0, 100, 10) ]
c = pd.cut(df.index, np.arange(0, 101, 10),
           include_lowest=True, right=False,
           labels=labels)

print df.groupby(c).sum()

            y1920     y1930     y1940     y1950     y1960     y1970     y1980
0 - 9    14314635  16778220  17961607  20728122  17049068  16965066  18547450   
10 - 19  11520624  13340649  15816378  17267585  20326076  16921989  17231873   
20 - 29   8533259  10367140  11756837  13910662  16527810  19749434  16882381   
30 - 39   7020188   7798498   9370143  10250310  13555835  16578939  19973312   
40 - 49   5902331   6332741   7041270   8487529   9835689  13217564  16427887   
50 - 59   4074855   5046797   5446760   6137697   7842597   9230197  12813527   
60 - 69   2968342   2977915   3782574   4074610   5092019   6709761   8429928   
70 - 79   1378630   1478319   1541314   1967261   2518482   3401952   5059662   
80 - 89    236419    315624    338472    354836    638738    879221   1503633   
90 - 99     13657     13997     18567     16258     32043     65629    118391   

            y1990     y2000     y2010  
0 - 9    13959454  11925887  10882409  
10 - 19  18533872  14034777  11984392  
20 - 29  16870834  18211769  13720134  
30 - 39  16791465  16891475  18127846  
40 - 49  19676302  16716227  16774981  
50 - 59  15813274  19176162  16308233  
60 - 69  11848590  14841772  18247422  
70 - 79   6835747  10051176  12904315  
80 - 89   2665908   4147012   6768852  
90 - 99    286141    688769   1318463

J'ai donc pu agréger les valeurs agrégées pour chaque année d'âge tous les 10 ans.

Les fonctions d'agrégation peuvent être spécifiées en plus de «sum», et plusieurs fonctions d'agrégation peuvent être spécifiées. Vérifions les résultats suivants.

print df.groupby(c).agg(['count', 'min', 'max', 'mean', 'std'])

Dessin graphique

Puisqu'il est difficile de comprendre la relation avec uniquement les nombres ci-dessus, faites un graphique pour avoir un aperçu des nombres. Disposons-les côte à côte pour comparer les options * empilées * lors du dessin.

fig, axes = plt.subplots(ncols=2)
df.groupby(c).sum().plot(kind='bar', ax=axes[0])
df.groupby(c).sum().T.plot(kind='bar', stacked=True, ax=axes[1])

Si l'on regarde les chiffres à 10 ans, la population de plus de 60 ans augmente plus récemment. En revanche, on constate que la population des jeunes est en déclin. En regardant les graphiques empilés, nous pouvons voir que la population a augmenté régulièrement de 1920 à 2000, mais a diminué jusqu'en 2010. Quant à la répartition de la production, le ratio de la partie supérieure de la barre dans le graphique augmente.

Maintenant que nous connaissons les tendances générales, nous allons dessiner chaque série de la base de données d'origine. Si vous le tracez simplement, ce sera désordonné, alors dessinons-le sous forme de graphique séparé pour chaque année. Cette fois, la variable ʻaxes` est bidimensionnelle, donc soyez prudent lorsque vous spécifiez l'index du tableau.

fig, axes = plt.subplots(nrows=5, ncols=2)
for i, y in enumerate(['y1920', 'y1930', 'y1940', 'y1950', 'y1960']):
    df[y].plot(ax=axes[i, 0])
    axes[i, 0].set_title(y)
    if y != 'y1960':
        axes[i, 0].get_xaxis().set_visible(False)
for i, y in enumerate(['y1970', 'y1980', 'y1990', 'y2000', 'y2010']):
    df[y].plot(ax=axes[i, 1])
    axes[i, 1].set_title(y)
    if y != 'y2010':
        axes[i, 1].get_xaxis().set_visible(False)

Si vous regardez les graphiques individuels, vous pouvez voir l'effet du baby-boom. On constate également que le nombre de naissances a diminué depuis le deuxième baby-boom, et que la base de personnes âgées s'est élargie (la durée de vie a été allongée) depuis 1970.