python数据分析练习——姓名分析US_Baby_names_right.csv

第一步:导入相关模块

import pandas as pd
from pandas import Series,DataFrame
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif'] = ['SimHei'] #用来正常显示中文标签
plt.rcParams['axes.unicode_minus']=False #用来正常显示负号

第二步：加载dataset目录下US_Baby_names_right.csv文件数据并查看数据的基本信息

data = pd.read_csv('dataset/US_Baby_names_right.csv')
data.info()

RangeIndex: 1016395 entries, 0 to 1016394
Data columns (total 7 columns):
 #   Column      Non-Null Count    Dtype 
---  ------      --------------    ----- 
 0   Unnamed: 0  1016395 non-null  int64 
 1   Id          1016395 non-null  int64 
 2   Name        1016395 non-null  object
 3   Year        1016395 non-null  int64 
 4   Gender      1016395 non-null  object
 5   State       1016395 non-null  object
 6   Count       1016395 non-null  int64 
dtypes: int64(4), object(3)
memory usage: 54.3+ MB

第三步:查看前十行数据

data.head(10)

	Unnamed: 0	Id	Name	Year	Gender	State	Count
0	11349	11350	Emma	2004	F	AK	62
1	11350	11351	Madison	2004	F	AK	48
2	11351	11352	Hannah	2004	F	AK	46
3	11352	11353	Grace	2004	F	AK	44
4	11353	11354	Emily	2004	F	AK	41
5	11354	11355	Abigail	2004	F	AK	37
6	11355	11356	Olivia	2004	F	AK	33
7	11356	11357	Isabella	2004	F	AK	30
8	11357	11358	Alyssa	2004	F	AK	29
9	11358	11359	Sophia	2004	F	AK	28

数据注释：

1. Name 名字
2. Year 婴儿出生的名字
3. Gender 婴儿性别
4. State 婴儿出生的地区缩写
5. Count 该名字被使用的次数

第三步：删除 Unname:0和Id这两列数据

del data['Unnamed: 0']
del data['Id']
data.info()

RangeIndex: 1016395 entries, 0 to 1016394
Data columns (total 5 columns):
 #   Column  Non-Null Count    Dtype 
---  ------  --------------    ----- 
 0   Name    1016395 non-null  object
 1   Year    1016395 non-null  int64 
 2   Gender  1016395 non-null  object
 3   State   1016395 non-null  object
 4   Count   1016395 non-null  int64 
dtypes: int64(2), object(3)
memory usage: 38.8+ MB

第四步：统计数据集中男孩名字和女孩名字各是多少。

data['Gender'].value_counts()

F    558846
M    457549
Name: Gender, dtype: int64

第五步：按照Name字段将数据集进行分组并求和赋值给变量names，最后输出前五行

names = data.groupby('Name')['Year','Count'].sum()
names.head()

	Year	Count
Name
Aaban	4027	12
Aadan	8039	23
Aadarsh	2009	5
Aaden	393963	3426
Aadhav	2014	6

第六步：按照每个名字被使用的次数（Count）对第五步中结果进行降序排序，得出最受欢迎的的五个名字

names.sort_values(['Count'], ascending=False).head(5)

	Year	Count
Name
Jacob	1141099	242874
Emma	1137085	214852
Michael	1161152	214405
Ethan	1139091	209277
Isabella	1137090	204798

第七步：在数据集中，共出现了多少个名字？(不包含重复项)

data['Name'].nunique()

17632

第八步：根据names变量中的数据，删除掉Year列数据后，得出如下所示的基本统计参数

del names['Year']

names.describe()

	Count
count	17632.000000
mean	2008.932169
std	11006.069468
min	5.000000
25%	11.000000
50%	49.000000
75%	337.000000
max	242874.000000