Analyse des données basée sur les résultats des élections du gouverneur de Tokyo (2020)

L'élection du gouverneur de Tokyo a eu lieu. Quel que soit le résultat, quand je regardais le résultat de l'ouverture du vote, le sang des amateurs de données me faisait mal et j'ai fait une simple analyse de données avec élan!

Je pense que c'est aussi un résumé du flux de l'acquisition de données sur le net au traitement avec des pandas et à une simple analyse des données.

** * Ce qui suit est simplement dans le cadre de l'intérêt personnel et a été fait comme une pratique d'analyse de données, il n'y a donc aucune intention ou acte politique. De plus, nous ne garantissons pas l'exactitude ou la signification des données utilisées et des résultats d'analyse. ** **

0. Résumé de l'analyse

Hypothèse que vous souhaitez tester

** => "Le résultat de l'élection est-il en corrélation avec la formation universitaire?" ** Je suis désolé, je suis assez ouvert d'esprit ... (Je me souviens que l'enquête sur la corrélation entre le revenu annuel des parents et la capacité scolaire des enfants a déjà été évoquée.)

Données utilisées

• Résultats du vote par municipalité * Asahi Shimbun (Comme je n'ai pas pu trouver les données au format csv, j'ai entré manuellement uniquement les 5 meilleurs candidats dans Excel. ~~ Pour être honnête, cela a pris le plus de temps ... ~~)
• Nombre de diplômés universitaires par ville / quartier / ville / village (D'après le recensement de 2010. Ces données n'étaient pas disponibles dans le recensement de 2015, elles sont donc anciennes, mais je vais les utiliser.)
• Population par ville / quartier / ville / village (En fait, la population d'électeurs est idéale, mais cela est utilisé pour simplifier. Données 2020)

Flux d'analyse

Il a été traité selon le flux suivant.

1. Lisez les données avec les pandas et combinez-les en un seul DataFrame
2. Trouvez le pourcentage de diplômés universitaires et le pourcentage de votes pour la population par ville, quartier, ville et village
3. Regroupement à partir des données sur le taux de vote par la ** méthode des k-moyennes **
4. Créez un ** modèle de régression linéaire ** qui prédit le taux de vote de chaque candidat en utilisant le taux de diplomation universitaire comme variable explicative.
5. Visualisation

Jetons un œil à eux dans l'ordre ~ Le traitement suivant est effectué sur Google Colab Notebook.

1. Lire les données

Données sur le nombre de votes

election.py

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

#Données sur le nombre de votes (auto-fabriquées)
path = "~~~/xxxx.xlsx" #Nom du chemin dans Drive
df = pd.read_excel(path)

Quelque chose comme ça. Je l'ai vérifié, mais comme il a été fait par moi-même, soyez patient même s'il y a une erreur dans le nombre de votes ... (* À propos, si les données de vote pour l'élection précédente étaient les précédentes, elles ont été converties en données ouvertes, donc je pense que les résultats de cette période seront facilement disponibles après un certain temps.)

Données académiques finales (2010)

election.py

path = "~~~/xxxx.csv" #Nom du chemin dans Drive
edu = pd.read_csv(path,encoding='cp932') #l'encodage est pour l'entrée japonaise
#Extraire sous la ligne du nom de la colonne
edu.columns=edu.iloc[7] 
edu = edu[8:]
#Ne retirez que la partie totale de la commune
edu = edu[edu["Code de la ville"].isnull()]
#Réinitialisation de l'index
edu.reset_index(inplace=True)

election.py

#Combinez le nombre de diplômés (population non inscrite) et le nombre de diplômés universitaires (y compris les études supérieures)

df2 = pd.concat([df,edu["Diplômés"],edu["Université / École supérieure 2)"]],axis=1)
#Les noms de colonne pour les hommes et les femmes étaient les mêmes, les colonnes en double ont donc été supprimées.
#=>Ne laissez que le nombre total d'hommes et de femmes en df2
df2 = df2.loc[:,~df2.columns.duplicated()]

À propos, la disposition des villes, quartiers, villes et villages de Tokyo est unifiée dans tous les matériaux, vous pouvez donc définir axis = 1 sans vous soucier de la combinaison.

Données démographiques (2020)

election.py

path = "https://www.toukei.metro.tokyo.lg.jp/kurasi/2020/csv/ku20rv0440.csv"
population = pd.read_csv(path,encoding='cp932')
#Extraire la population par ville, quartier, ville et village
population = population[8:]["Unnamed: 4"].reset_index()
#Joindre
df3 = pd.concat([df2,population],axis=1)

Affiner les données

election.py

#Changer le nom de la colonne
df3.rename(columns={"Unnamed: 0":"Municipalité",
        'Diplômés': 'graduates', 
        'Université / École supérieure 2)': 'university graduation',
        "Unnamed: 4":"population"},
    inplace=True)
#Effacer les colonnes d'index inutiles
df3.drop("index",axis=1,inplace=True)
#Pour une raison quelconque, il était de type str, donc converti en type int
df3["population"] = df3["population"].astype(int)
df3["graduates"] = df3["graduates"].astype(int)
df3["university graduation"] = df3["university graduation"].astype(int)

En conséquence, df3 ressemble à ceci:

2. Traitement des données

election.py

data = df3.copy()
#Remplacer en divisant le nombre de votes obtenus par la population
data.iloc[:,1:6] = df3.iloc[:,1:6].values / df3["population"].values.reshape(62,1)
#Ajout d'une colonne pour le taux de diplomation universitaire (taux de diplomation universitaire = nombre de diplômés universitaires)/Nombre de graduations)
data["university graduation rate"] = data["university graduation"] / data["graduates"]

3. Clustering par la méthode k-means

Utilisez sklearn.

election.py

from sklearn.cluster import KMeans

kmeans = KMeans(init='random', n_clusters=3,random_state=1)

X = data.iloc[:,1:6].values #Forme du ratio de vote=(62,5)
kmeans.fit(X)
y = kmeans.predict(X)  #Numéro de cluster

#Combinez les résultats du clustering en données
data = pd.concat([data,pd.DataFrame(y,columns=["cluster"])],axis=1)

Maintenant qu'il est divisé en 3 clusters, jetons un coup d'œil à ses fonctionnalités. (Au fait, j'ai essayé de changer le nombre de clusters (n_clusters), mais je pensais qu'environ 3 serait bien, alors je l'ai mis à 3.)

Regardons la moyenne de chaque donnée lorsque chaque cluster est l'axe.

election.py

data.groupby("cluster").mean()

C'est juste une moyenne, mais vous pouvez voir qu'elle a été divisée en groupes avec des caractéristiques différentes. J'ai essayé de peindre les villes, les quartiers, les villes et les villages qui appartiennent au groupe sur la carte,

** 0. Zone de Yamate Line et ses environs

1. Ward et Tama district de la préfecture de Chiba, certaines îles (village de Mikurajima, village d'Ogasawara)
2. Montagnes et îles **

C'était une panne. J'ai été surpris que nous ayons pu faire une telle classification (ce qui semble possible dans le bon sens) sur la seule base du taux de vote.

4. Analyse de régression linéaire

L'analyse de régression linéaire est effectuée avec la variable explicative X comme pourcentage de diplômés collégiaux et la variable objective Y comme pourcentage de votes pour chaque candidat. Ce qui suit définit un ensemble de fonctions jusqu'à la visualisation.

election.py

from sklearn.linear_model import LinearRegression

colors=["blue","green","red"] #Pour le codage couleur des clusters

def graph_show(Jpname,name,sp=False,cluster=True,line=True):
  #Jpname:Notation kanji du candidat
  #name:Notation romaine du candidat (pour le graphique)

  X = data["university graduation rate"].values.reshape(-1,1)
  Y = data[Jpname].values.reshape(-1,1) 

  model = LinearRegression()
  model.fit(X,Y)

  print("Coefficient de décision(Coefficient de corrélation)：{}".format(model.score(X,Y)))
  plt.scatter(X,Y)

  #Mettre en évidence des municipalités spécifiques dans le graphique (la valeur par défaut est False)
  if sp:
    markup = data[data["Municipalité"]==sp]
    plt.scatter(markup["university graduation rate"],markup[Jpname],color="red")

  #k-Code couleur pour chaque cluster obtenu au moyen
  if cluster:
    for i in range(3):
      data_ = data[data["cluster"]==i]
      X_ = data_["university graduation rate"].values.reshape(-1,1)
      Y_ = data_[Jpname].values.reshape(-1,1) 
      plt.scatter(X_,Y_,color=colors[i])
      
  #Afficher la ligne de régression
  if line:
    plt.plot(X, model.predict(X), color = 'orange')

  plt.title(name)
  plt.xlabel('university graduation rate')
  plt.ylabel('vote')  
  plt.show()

5. Visualisation

Affichez le graphique de chaque candidat en utilisant le show_graph défini précédemment. (Excusez-moi pour l'abréviation du titre ci-dessous)

• La ligne de régression n'est affichée que lorsque le coefficient de détermination dépasse 0,5.
• La fonction de mise en valeur d'une commune spécifique n'est pas utilisée ici.
• La couleur du cluster est 0: bleu 1: vert 2: rouge

Yuriko Koike

Résumé

L'analyse des données a commencé par la question ouverte «Le résultat de l'élection est-il lié à la formation universitaire?», Mais je voudrais conclure par une conclusion finale.

Avant cela, vérifions la partie inappropriée (potentielle) de cette analyse de données.

• Le nombre de votes est auto-fait (peut être faux)
• Anciennes données académiques (recensement de 2010)
• Les données éducatives et les données démographiques (2020) ne sont pas de la même année
• Sans tenir compte du nombre de non-votants
• Sans tenir compte du taux de vote

Pour cette raison, comme je l'ai écrit au début, je ne peux pas garantir que cette analyse des données sera significative. Dans cet esprit, je voudrais résumer les conclusions qui ne seraient pas démenties du moins de cette analyse des données.

• ** Les résultats des élections reflètent les caractéristiques régionales **
• ** Selon le candidat, il existe une corrélation * avec le parcours académique (pourcentage de diplômés universitaires) dans la manière de voter **

(* La corrélation et la relation causale ne correspondent pas toujours) Quel endroit, comme. Eh bien, je pense personnellement que la conclusion n'est pas difficile à imaginer.

Il y a beaucoup de choses que nous pouvons comprendre sur les candidats individuels, mais je les omettrai ici.

Comme mentionné ci-dessus, puisque j'étudie l'analyse de données, j'ai essayé une analyse de données simple en utilisant des données fraîches, mais si vous combinez diverses données autres que les données utilisées cette fois, il y a d'autres choses Il semble y avoir quelque chose à comprendre.

Comme impression personnelle, il était difficile de saisir les données de vote, donc je n'avais pas besoin d'être une administration, alors j'ai pensé que ce serait bien si au moins les données compilées par la presse pouvaient être publiées en csv. (Je comprends qu'il existe diverses restrictions)