分析10000个美国人名字|探寻数据背后的故事

这是菜鸟学Python的第76篇原创文章

阅读本文大概需要8分钟

今天虽然讲的是Excel的实战运用，但是用到了很多以前学习的知识，算是一个小小的综合练习,希望能对大家有帮助

这张大的Excel文件是'baby_names.xlsx',长什么样呢,一共有5个sheets,每个sheet都是对应的年份：'1992','1996','2000','2004','2008'

内容如下:

• 第一行是文本介绍:比如1992出生的美国人,有1000个人，名字按照流行程度排序
• 第二行是标题：Rank,Male Name,Female Name
• 第3行-1002行：都是对应的数据:

• 第一列是：排名名次
• 第二列是：男孩名字
• 第三列是：女孩名字

我们初步可以挖一下以下几个方面:

1.10000美国人里面谁的名字最长的是谁，名字最短的那个

2.10000美国人里面的名字首字母都是用从A-Z,哪个首字母的人最多，有没有什么禁忌，哪个首字母是美国人不太愿意用的

3.我们中国人名字3个字的比较多，那么10000美国人里面多长的名字会比较火

4.1992-2008排名前5的名字，经过16年的变化，这些火的名字是不是持久不衰，哪个是一直很吃香的好名字的

a).我们的数据结构用一个大的字典BABY_DATA存储所有的数据 

b).用xlrd模块读取excel文件，并读取所有的sheets名字

c).写一个函数extract_each_sheet

根据每个sheet名字,把所有的数据都读到BABY_DATA字典里面

d).看一下BABY_DATA长什么样

from pprint import pprint

pprint(BABY_DATA) #美化打印一下

>>

查找单个sheet里面的名字最短和最长

思路步骤:

a).上面我们已经构建好了10000人名的大字典，下面就是对这个字典不停的挖掘，提取数据

b).我们通过年限和性别，得到对应的人名数据

c).利用sorted把人名按照长度排序

d).取这个排序好的列表的第一，就是名字最长的

e).取这个排序好的列表的倒数第一，就是名字最短的

看看从1992到2008，每年男女名字最长和最短的,有没有什么规律

结论:

发现16年的变迁:

男孩的名字最长的: 出现频率最高的是Christopher,最短是Bo

女孩的名字最长的: 出现频率最高的是Jacqueline,最短是Aja

想知道哪个字母开头的人名最多，在我国百家姓里面，姓张姓王的比较多。那我们把每年2000美国人，按照字母排序，看看在老外名字里面,哪个字母开头的人名最多

>>

Most popular first letter:D, total:122 names with D

unused first letter : ['Y']

思路步骤:

1).根据输入的2个key,得到对应的男女名字列表

2).因为每个名字的列表里面一个元组(u'Michael', 1.0),所以我们要用name[0]提取名字

3).接着我们要过滤出所有首字母相同开头的名字，这里用到一个非常重要的技巧函数,大名鼎鼎的itertools模块里的groupby函数，可以把列表里面的元素，按照某种规则排列提取

4).得到rank_names_by_first_letter列表，这个列表里面嵌套了若干个列表,这里面存的是按照首字母相同的人为子列表，我们只需要sorted

5).就可以得到首字母最多的一组

6),然后我们把所有的人名首字母过滤一下，看看那个字母是老外人名里面不喜欢开头的

结论:

上面是1992的数据，发现老外里面D开头的人名比较多，不喜欢Y开头

我们中国人的名字里面一般是3个字的比较多，我们探索一下美国人的名字长度最流行是多长，这10000个老外的名字，名字长度有长有短，看看这么数据里面，那种长度的人名是比较火比较多的

先观察男孩，名字多长比较火

>>

Year :1992,Popular name len is :7

Year :1996,Popular name len is :7

Year :2000,Popular name len is :7

Year :2004,Popular name len is :7

Year :2008,Popular name len is :7

#观察女孩，名字多长比较火

>>

Year :1992,Popular name len is :6, Total Num:5,[u'Alysha', u'Alysia', u'Alyson', u'Alyssa', u'Amanda']

Year :1996,Popular name len is :6, Total Num:5,[u'Alisha', u'Alison', u'Alissa', u'Alivia', u'Aliyah']

Year :2000,Popular name len is :6, Total Num:6,[u'Athena', u'Aubree', u'Aubrey', u'Audrey', u'Aurora', u'Autumn']

Year :2004,Popular name len is :6, Total Num:7,[u'Athena', u'Aubree', u'Aubrey', u'Aubrie', u'Audrey', u'Aurora', u'Autumn']

Year :2008,Popular name len is :5, Total Num:6,[u'Mylee', u'Mylie', u'Nadia', u'Naima', u'Nancy', u'Naomi']

结论:

发现男孩取名的话，字母长度为7的人很多

发现女孩取名的话，字母长度为6的人很多

虽然我们这5个sheets人名是按照流行程度排行的，但是1992前5的人名，16年过去了，到了2008年是否还继续火呢,我们来看一下流行趋势

>>

Top1 name in 16years: (3.5, u'Michael')

Rank Top names in 16years: [(3.5, u'Michael'), (3.3333333333333335, u'Jacob'), (1.4166666666666665, u'Matthew'), (1.2833333333333332, u'Joshua'), (0.95, u'Christopher'), (0.5333333333333333, u'Ethan'), (0.2, u'Daniel'), (0.2, u'Andrew')]

思路步骤:

1).首先我们取每年Top5的名字，这些名字都是一个一个的tuple(人名，名次)

然后把这些tuple按照名次排序，存入All_Top_Names_Tuple

2).然后我们把每个名字取个百分比，比如1992年Michael排名第一,1996年Michael排名第二，2000年Michael排名第三

计算公司:1/1+1/2+1/3=1.83

累计得分最高的就是最火的

发现：

发现16年以来，最火的名字是叫Michael，经久不衰啊~~

女孩的大家自己去试一下

用Python处理Excel实战就讲到这里，其实还能挖掘出很多，想想如果不是1万而是1百万数据，若有时间维度的就更有趣了.上面用到的都是一些基础知识，算是开胃菜,只是做了初步的统计分析.数据分析是一门很有意思的活,是科学也是艺术。真正的数据挖掘，一定是要用到机器学习里面的很多算法，甚至是深度学习，而且需用一定的数学和统计学知识，水还蛮深的 ~~好，今天的内容就先讲到这里，欢迎大家留言讨论