Babynamen in den USA

Die US-Meldebehörden haben die Namen aller seit 1880 geborenen US-Staatsbürger registriert. Der Datensatz ist öffentlich unter www.ssa.gov/oact/babynames/limits.html zugänglich. Aus Datenschutzgründen sind nur Namen, die mindestens 5 Mal verwendet wurden, im Datensatz aufgeführt.

Vorbereitungen

Lade den Datensatz der U.S.-Babynamen von www.ssa.gov/oact/babynames/limits.html herunter (die nationalen Daten).

Entpacke die Datei.

Aufgabe 1

Lies die Datei ‚yob2000.txt‘ mit `polars`pandas ein:

import polars as pl

df = pl.read_csv("babynames/yob2000.txt",
                 has_header=False,
                 new_columns=["name", "geschlecht", "anzahl"]
                 )

Aufgabe 2

Inspiziere die Daten mit:

df.shape

und

df.head()

Aufgabe 3

Berechne die Anzahl Geburten insgesamt:

df["anzahl"].sum()

Probiere statt sum() auch die Funktionen mean(), std() und describe()

Aufgabe 4

Zähle die Anzahl unterschiedlicher Jungen- und Mädchennamen:

df["geschlecht"].value_counts()

Aufgabe 5

Wähle die Mädchennamen aus:

f = df.filter(geschlecht="F")

Untersuche diese Teilmenge wie in Aufgabe 3.

Aufgabe 6

Ermittle Namen die besonders häufig vorkommen:

top = df.filter(pl.col("anzahl") > 10000)

Gib die Namen aus.

Aufgabe 7

Finde einen bestimmten Namen in der Tabelle, z.B. deinen eigenen.

Aufgabe 8

Erstelle eine neue Spalte mit dem Jahr:

df = df.with_columns(jahr=2000)

Erstelle eine neue Spalte mit dem prozentualen Anteil für jeden Namen:

df = df.with_columns(perc = 100 * df["anzahl"] / df["anzahl"].sum())

Sichte das Ergebnis.

Aufgabe 10

Hier ist ein Stück Code, der alle Jahrgänge einliest:

import os

daten = []
pfad = "daten/"
for fn in os.listdir(pfad):
    if fn.startswith("yob"):
        df = pl.read_csv(pfad + fn,
                 has_header=False,
                 new_columns=["name", "geschlecht", "anzahl"]
                 )
        df = df.with_columns(jahr=int(fn[3:7]))
        daten.append(df)
df = pl.concat(daten)

Du solltest eine riesige Tabelle mit den Daten aller Jahrgänge erhalten. Prüfe die Anzahl Zeilen und Spalten mit df.shape. Es sollten vier Spalten und über 2 Mio Zeilen sein.

Aufgabe 11

Untersuche die Beliebtheit der Vornamen einiger US-Promis im Verlauf der letzten 130 Jahre. Gib Übereinstimmungen für einen Namen mit Jahr und Anzahl auf dem Bildschirm aus.

Folgende Promis könnten interessant sein:

Name	Kommentar
Lance	Mensch auf dem Mond
Madonna	Hitsingle „Like a Prayer“
Barack	Präsident
Katrina	Hurrikan in New Orleans
Luke	Jedi
Frida	Malerin, Biographie als Broadway-Musical
Arielle	Meerjungfrau, Biographie von Walt Disney verfilmt
Harley	Motorrad
Khaleesi	Berufsbezeichnung bei „Game of Thrones“
Wednesday	Wochentag

Du kannst einen Teildatensatz mit folgenden Zeilen plotten. Filtere dazu nach Name und ein Geschlecht.

promi = df.filter(...)
sns.lineplot(promi, x="jahr", y="anzahl")

Aufgabe 12

Hier sind einige weitere Ideen. Du kannst mit den zusätzlichen Spalten weitere Pivot-Tabellen generieren.

Der Anfangsbuchstabe als Spalte:

dd = dd.with_columns(first=dd["name"].str.slice(0, 1))

Länge des Namens

dd = dd.with_columns(length=dd["name"].str.len_chars())

Hier ist ein Beispiel für eine Längenstatistik:

lengthstat = dd.pivot(on="geschlecht", index="length", values="anzahl", aggregate_function="len")