在 Python 中解析 World Population Prospects (WPP) XLSX 数据
联合国提供 World Population Prospects (WPP) 数据集，包含人类地理和年龄分布，可作为 XLSX 文件下载。
在 Python 中读取这些文件相当容易。首先我们必须找出要跳过多少行。对于 2019 WPP 数据集，此值为 16，因为第 17 行包含所有列标题。要跳过的行数可能因数据集而异。在此示例中我们使用 WPP2019_POP_F07_1_POPULATION_BY_AGE_BOTH_SEXES.xlsx。
我们可以使用 Pandas read_excel() 函数在 Python 中导入数据集：
read_wpp_excel.py
import pandas as pd
df = pd.read_excel("WPP2019_INT_F03_1_POPULATION_BY_AGE_ANNUAL_BOTH_SEXES.xlsx", skiprows=16, na_values=["..."])这将需要几秒钟来处理大型数据集。现在我们可以检查 skiprows=16 是否是正确的值。如果 pandas 正确识别了列名，则它是正确的：
df_columns_output.txt
>>> df.columns
Index(['Index', 'Variant', 'Region, subregion, country or area *', 'Notes',
'Country code', 'Type', 'Parent code', 'Reference date (as of 1 July)',
'0-4', '5-9', '10-14', '15-19', '20-24', '25-29', '30-34', '35-39',
'40-44', '45-49', '50-54', '55-59', '60-64', '65-69', '70-74', '75-79',
'80-84', '85-89', '90-94', '95-99', '100+'],
dtype='object')现在让我们过滤国家：
filter_russia.py
russia = df[df["Region, subregion, country or area *"] == 'Russian Federation']这将显示从 1950 到 2020 以 5 年为间隔的多年人口数据。现在让我们过滤最近的年份：
most_recent_russia.py
russia.loc[russia["Reference date (as of 1 July)"].idxmax()]这将显示单个数据集：
most_recent_russia_output.txt
Index 3255
Variant Estimates
Region, subregion, country or area * Russian Federation
Notes NaN
Country code 643
Type Country/Area
Parent code 923
Reference date (as of 1 July) 2020
0-4 9271.69
5-9 9350.92
10-14 8174.26
15-19 7081.77
20-24 6614.7
25-29 8993.09
30-34 12543.8
35-39 11924.7
40-44 10604.6
45-49 9770.68
50-54 8479.65
55-59 10418
60-64 10073.6
65-69 8427.75
70-74 5390.38
75-79 3159.34
80-84 3485.78
85-89 1389.64
90-94 668.338
95-99 102.243
100+ 9.407
Name: 3254, dtype: object我们如何绘制该数据？首先，我们需要选择包含年龄数据的所有列。我们将通过手动将第一个此类列的名称（0-4）插入以下代码，并假设最后一个年龄列之后没有列：
age_columns_index.py
>>> df.columns[df.columns.get_loc("0-4"):]
Index(['0-4', '5-9', '10-14', '15-19', '20-24', '25-29', '30-34', '35-39',
'40-44', '45-49', '50-54', '55-59', '60-64', '65-69', '70-74', '75-79',
'80-84', '85-89', '90-94', '95-99', '100+'],
dtype='object')现在让我们从 russia 数据集中选择这些列：
russian_age_data = most_recent_russia[age_columns]
prepare_russian_age_data.py
most_recent_russia = russia.loc[russia["Reference date (as of 1 July)"].idxmax()]
age_columns = df.columns[df.columns.get_loc("0-4"):]
russian_age_data = most_recent_russia[age_columns]让我们看看数据集：
russian_age_data_output.txt
>>> russian_age_data
0-4 9271.69
5-9 9350.92
10-14 8174.26
15-19 7081.77
20-24 6614.7
25-29 8993.09
30-34 12543.8
35-39 11924.7
40-44 10604.6
45-49 9770.68
50-54 8479.65
55-59 10418
60-64 10073.6
65-69 8427.75
70-74 5390.38
75-79 3159.34
80-84 3485.78
85-89 1389.64
90-94 668.338
95-99 102.243
100+ 9.407这看起来可用，但注意值以千为单位，即我们必须将值乘以 1000 以获取实际人口估计值。让我们绘制它：
plot_russian_age_data.py
from matplotlib import pyplot as plt
plt.style.use("ggplot")
plt.title("俄罗斯人口年龄构成 (2020)")
plt.ylabel("年龄组人数 [百万]")
plt.xlabel("年龄组")
plt.gcf().set_size_inches(15,5)
# 数据以千为单位 => 除以 1000 获取百万
plt.plot(russian_age_data.index, russian_age_data.as_matrix() / 1000., lw=3)完成的图将看起来像这样：
这是我们完成的脚本：
russian_demographics_plot.py
#!/usr/bin/env python3
import pandas as pd
df = pd.read_excel("WPP2019_POP_F07_1_POPULATION_BY_AGE_BOTH_SEXES.xlsx", skiprows=16)
# 仅过滤俄罗斯
russia = df[df["Region, subregion, country or area *"] == 'Russian Federation']
# 仅过滤最近估计（1 行）
most_recent_russia = russia.loc[russia["Reference date (as of 1 July)"].idxmax()]
# 仅保留值列
age_columns = df.columns[df.columns.get_loc("0-4"):]
russian_age_data = most_recent_russia[age_columns]
# 绘制！
from matplotlib import pyplot as plt
plt.style.use("ggplot")
plt.title("俄罗斯人口年龄构成 (2020)")
plt.ylabel("年龄组人数 [百万]")
plt.xlabel("年龄组")
plt.gcf().set_size_inches(15,5)
# 数据以千为单位 => 除以 1000 获取百万
plt.plot(russian_age_data.index, russian_age_data.as_matrix() / 1000., lw=3)
# 导出为 SVG
plt.savefig("russian-demographics.svg")Check out similar posts by category:
Bioinformatics, Data Science, Pandas, Python
If this post helped you, please consider buying me a coffee or donating via PayPal to support research & publishing of new posts on TechOverflow