La publicación final # 5 para principiantes está dedicada a la visualización comparativa de datos electorales.
Visualización comparativa de datos electorales
Ahora considere un conjunto de datos de otras elecciones generales, esta vez en Rusia, en 2011. Rusia es un país mucho más grande y, por lo tanto, datos mucho más voluminosos sobre los votantes. Para hacer esto, cargamos un archivo TSV grande en la RAM con campos de datos delimitados por tabulaciones.
def load_ru():
''' '''
return pd.read_csv('data/ch01/Russia2011.tsv', '\t')
Veamos qué nombres de columna están disponibles en los datos rusos:
def ex_1_29():
'''
'''
return load_ru().columns
Se mostrará la siguiente lista de columnas:
Index([' ', ' №', ' ',
' , ',
...
' ',
' - - ',
' " "',
' ',
' " ""',
' " "',
' " "'],
dtype='object')
Los nombres de las columnas en el conjunto de datos ruso son muy descriptivos, pero quizás más largos de lo necesario. Además, sería conveniente si las columnas que representan los mismos atributos que ya vimos en los datos electorales del Reino Unido (por ejemplo, participación de ganadores y participación de votantes) estuvieran etiquetadas de la misma manera en ambos conjuntos de datos. Cambiemos el nombre de ellos apropiadamente.
Junto con el conjunto de datos, la función de la biblioteca de pandas rename
espera un diccionario en el que las claves con los nombres de las columnas actuales se asignan a los valores con los nuevos nombres. Si combinamos esto con los datos que ya hemos visto, obtenemos lo siguiente:
def load_ru_victors():
''' ,
, '''
new_cols_dict = {
' , ':'',
' ':
' ',
' " "':''
}
newcols = list(new_cols_dict.values())
df = load_ru().rename( columns=new_cols_dict )[newcols]
df[' '] = df[''] / df[' ']
df[''] = df[' '] / df['']
return df
pandas divide
, /
, . (nan
) , fill_value
. nan
, . :
df[ ' ' ] = \
df[ '' ].divide( df[ ' ' ], \
fill_value=1 )
, ( ). , , , :
def ex_1_30():
'''
'''
load_ru_victors()[''].hist(bins=20)
plt.xlabel(' ')
plt.ylabel('')
plt.show()
:
, . , 80% 100% — , .
, (), . :
def ex_1_31():
'''
'''
qqplot( load_ru_victors()[' '].dropna() )
plt.show()
:
, , S- . , . , , .
, , , : 0.5 1.0 , 0.7 1.0. , 100% , ( , ), 1.0 .
, , 100% . .
, . , , , .
, , :
, , ,
,
, , .
(), . Probability Mass Function (PMF), , . , , , , , . , , 0 1, ( 1 ), 1.
, . — , . — ( ).
, , 0 1. , , :
def plot_as_pmf(dt, label, ax):
'''
( )'''
s = pd.cut(dt, bins=40, labels=False) # 40
pmf = s.value_counts().sort_index() / len(s) #
newax = pmf.plot(label=label, grid=True, ax=ax)
return newax
, :
def ex_1_32():
''' ,
'''
ax = plot_as_pmf(load_uk_victors()[''], '', None)
plot_as_pmf(load_ru_victors()[''], '', ax)
plt.xlabel(' ') #
plt.ylabel('')
plt.legend(loc='best')
plt.show()
:
. , — , (0.6366 0.6523) — 100%. , . , , , , ( ), .
, , , 50% . (Peter Klimek) , .
, , , . , . , , , , - . , , , .
, , .
, , . : , , , . pandas scatter
, plot
.
def ex_1_33():
'''
'''
df = load_uk_victors()[ ['', ' '] ]
df.plot.scatter(0, 1, s=3)
plt.xlabel('')
plt.ylabel(' ')
plt.show()
:
, . — , , , : , , .
, 2010 . : «» . , «» , , . .
, :
def ex_1_34():
''' '''
df = load_ru_victors()[ ['', ' '] ]
df.plot.scatter(0, 1, s=3)
plt.xlabel('')
plt.ylabel(' ')
plt.show()
:
, . , , .
, , , . , , , .
-, pandas alpha
scatter 0 1, 1 , 0 — .
def ex_1_35():
''' ( ) '''
df = load_ru_victors()[ ['', ' '] ]
rows = sp.random.choice(df.index.values, 10000)
df.loc[rows].plot.scatter(0, 1, s=3, alpha=0.1)
plt.xlabel('')
plt.ylabel(' ')
plt.axis([0, 1.05, 0, 1.05])
plt.show()
:
. « » , 100% 100%- . , . , , 2011 . .
. , .
, , . , Python scipy. , pandas, , . .
. - , . , , .