【学習記録】BigQueryオープンデータを用いたアメリカの赤ちゃんの名前ランキング分析【3/4】

この記事は全4本シリーズの3本目です。過去の記事をまだ読んでいない方は、ぜひ1本目からご覧ください。

前回記事がこちらです。

0. 学習の前に

0-1. 全体のゴール

• BigQueryのオープンデータから、自分が欲しいデータを抽出する
• 抽出したデータを分析する

0-2. 技術

• BigQuery
• Colaboratory
• Google Cloud Platform
• Google Gemini
• Python3
• SQL

0-3. この記事で扱う範囲

● 1. データセットの選択
● 2. 集計データの内容
● 3. 結果の事前予想
● 4. データ抽出
　　＊ 4-1. アメリカで人気の名前年間トップ10（表）
　　＊ 4-2. アメリカで人気の名前年間トップ5の推移（折れ線グラフ）
　　　　・4-2-1. Googleアカウント認証
　　　　・4-2-2. SQLクエリ定義
　　　　・4-2-3. BigQueryからPandasへ読み込み
　　　　・4-2-4. データの集計と折れ線グラフ化
　　＊ 4-3. アメリカ年間出生者数に占めるトップ10の割合の推移（帯グラフ）
　　　　・4-3-1. データセットからデータ抽出
　　　　・4-3-2. SQLクエリ定義
　　　　・4-3-3. BigQueryからPandasへ読み込み
　　　　・4-3-4. データの集計と帯グラフ化
● 5. データ分析
　　＊ 5-1. 登録者数に占めるトップ10の割合の減少
　　　　・5-1-1. 女の子
　　　　・5-1-2. 男の子
　　＊ 5-2. ボーダーレスな名前の増加
　　＊ 5-3. ユニセックス・男女ペアの名前の増加
　　　　・5-3-1. ユニセックスな名前
　　　　・5-3-2. 男女ペアの名前
　　＊ 5-4. 1910年と2021年のトップ10比較
　　　　・5-4-1. 女の子
　　　　・5-4-2. 男の子
　　＊ 5-5. トップ5入りする名前の変遷
　　　　・5-5-1. 女の子
　　　　・5-5-2. 男の子
　　＊ 5-6. その他
　　　　・5-6-1. 2022年以降のデータ

4-3. アメリカ年間出生者数に占めるトップ10の割合の推移（帯グラフ）

今回はデータを帯グラフで可視化してみます。作業手順自体は前回記事（4-2.）とほぼ変わりません。クエリやPythonの記述が少し変わる程度です。

出力する帯グラフのイメージです。今回は112年分すべてのデータをグラフ化するため、全体的に縦長になるでしょう。当初は4-2.同様にトップ5のデータを出力予定でしたが、トップ10まで対象を拡大しました。トップ5で帯グラフを出力したところ、ほとんどのデータがトップ5圏外で、年代間の差分が小さかったからです。

4-3-1. データセットからデータ抽出

「全米の年間出生者数」を取得するため、4-1.のクエリではなく新たにクエリを作成します。登録条件が5≦numberに限定されているため、厳密には「総数」ではありませんが、それでも各年の男女ごとの総登録者数を取得できました。

4-3-1. SQL

SELECT
	year,
	gender,
	annualNumber
FROM (
	SELECT
		year,
		gender,
		SUM(number) AS annualNumber -- 全米の登録者数
	FROM
		`bigquery-public-data.usa_names.usa_1910_current`
	GROUP BY
		year, gender
) AS AnnualData
ORDER BY
	year DESC,
	gender ASC;

抽出したデータをCSV出力したところ、以下のようなデータが取れました。抽出結果の量は「男女×1910～2021年（112年分）＋ヘッダー＝225行」です。

4-3-1. 抽出結果.csv

year,gender,sumNumber
2021,F,1320095
2021,M,1492780
2020,F,1303090
--- 中略 ---
1911,M,193441
1910,F,352089
1910,M,164223

4-3-2. SQLクエリ定義

ここは4-2-2.と同じ流れで、Colab上にSQLクエリを定義します。次のコードは4-2-2.直下に記載しており、コードセルの上部でPJ_IDを定義済みです。4-3-1.のSQLクエリから変更・追加がある行の末尾には★をつけました。

4-3-2. Colabのコードセル②

# BigQuery Studioで実行した、全米の年間出生者数を抽出するクエリ
# gender_code：'F'または'M'
def get_query_annual_by_gender(gender_code):★
	sql_query_annual = f"""★
	SELECT
		year,
		gender,
		annualNumber
	FROM (
		SELECT
			year,
			gender,
			SUM(number) AS annualNumber -- 全米の登録者数
		FROM
			`bigquery-public-data.usa_names.usa_1910_current`
		GROUP BY
			year, gender
	) AS AnnualData
	WHERE★
		gender = '{gender_code}'★
	ORDER BY
		year DESC,
		gender ASC
	"""★
	df_annual_sum = read_gbq(sql_query_annual, project_id=PJ_ID)★
	return df_annual_sum★

変更箇所も4-2-2. とほぼ一緒ですが、変更内容を記載しておきます。

• def get_query_annual_by_gender(gender_code):：関数定義
• sql_query_annual = f"""：引数を使用すべく、f文字列対応でf追加
• WHERE gender = '{gender_code}'：性別指定をWHERE句で追加
• df_annual_sum = read_gbq(sql_query_annual, project_id=PJ_ID)：Pandasの機能でGCPプロジェクトのBigQueryからクエリ結果を直接読み込み、DataFrameとして扱う
• return df_annual_sum：指定した性別の全米の年間出生者数のデータを返す

4-3-3. BigQueryからPandasへ読み込み

ここも4-2-3.と同じです。Colab上では4-2-3.直下に記載しているため、pandasやread_gbqは同一コードセルの上部でインポート済です。

4-3-3. Colabのコードセル③

# BigQueryからデータを読み込む
df_annual_sum_female = get_query_annual_by_gender('F')
df_annual_sum_male = get_query_annual_by_gender('M')

print("Successfully inputted!")

print("USA Name Data Annual Sum (Girls)")
print(df_annual_sum_female.head())

print("USA Name Data Annual Sum (Boys)")
print(df_annual_sum_male.head())

4-3-1. のCSVでは性別分けをしなかったため、「女男女男…」と交互に出力されていました。今回は引数で性別を指定したため、男女別に集計できています。

4-3-3. Colabのコードセル③ 実行結果

Successfully inputted!
USA Name Data Annual Sum (Girls)
   year gender  annualNumber
0  2021      F       1320095
1  2020      F       1303090
2  2019      F       1360299
3  2018      F       1382391
4  2017      F       1405262
USA Name Data Annual Sum (Boys)
   year gender  annualNumber
0  2021      M       1492780
1  2020      M       1478890
2  2019      M       1545678
3  2018      M       1570957
4  2017      M       1606186

4-3-4. データの集計と帯グラフ化

4-3-4. Colabのコードセル④

# df_top_n_data：get_top_n_by_genderで取得したデータフレーム
# df_annual_sum：全名前の年間合計データフレーム
# gender_code：性別
# title：帯グラフのタイトル
# top_n：取得対象（トップn）
def plotbarh_top_n_accurate(df_top_n_data, df_annual_sum, gender_code, title, top_n):

	# 1. 年間合計（分母）の準備
	df_denom = df_annual_sum[df_annual_sum['gender'] == gender_code][['year', 'annualSum']]
        # df_annual_sum（全名前の年間合計データ）から、性別＝gender_codeの行を抽出
        # yearとannualSumのみを選択した分母のデータフレームdf_denomを作成

	# 2. トップ10データと年間合計を結合
	df_merged = pd.merge(df_top_n_data, df_denom, on='year', how='right')
        # year列をキーに、トップ10のデータ (引数df_top_n_data) と分母データ (df_denom) を結合
        # how='right'：右外部結合
    
	# 欠損値（NaN）を0埋め（対象：sumNumber、annualSum）
	df_merged['sumNumber'] = df_merged['sumNumber'].fillna(0)
	df_merged['annualSum'] = df_merged['annualSum'].fillna(0)
	
	# 3. トップ10の名前の割合を正確に計算（Share列を作成）
	df_merged['Share'] = np.where(
		df_merged['annualSum'] > 0, 
		df_merged['sumNumber'] / df_merged['annualSum'], 
		0
	)   # 条件分岐に従い、df_mergedの新しい列'Share'に値を代
        # 0＜df_merged['annualSum']：sumNumber/annualSumを代入
        # else：0を代入

	# 4. グラフ描画のための整形	
	# ピボットテーブルを作成
	df_plot_names = df_merged.pivot_table(
		index='year',   # 帯グラフの行見出し
		columns='rank', # 帯グラフの列見出し
		values='Share', # 集計対象のデータ 
		fill_value=0    # 該当年にデータがないランクは0埋め（NaNの補完）
	)
	
	# 列名を"Rank 1", "Rank 2"の形式に変換
	df_plot_names.columns = [f'Rank {col}' for col in df_plot_names.columns]
        # df_plot_namesの列名（'rank'の値そのまま）を、f'Rank {col}'（例: 'Rank 1'）に変換
	
	# 5. Others割合の計算
	df_plot_names['Top10_Share_Total'] = df_plot_names.sum(axis=1)
        # df_plot_nameに格納されたトップ10の各名前の割合を合計し、結果をTop10_Share_Total列に代入
        # axis=1：行ごとに計算（axis=0：列ごと）
    
	# 全体（1）から Top10合計割合を引いて Others 割合を計算
	df_plot_names['Others_Share'] = 1 - df_plot_names['Top10_Share_Total']
        # Others_Share＝1-Top10_Share_Total
	
	# 計算誤差などで負の値になった場合は0に修正
	df_plot_names['Others_Share'] = np.where(
		df_plot_names['Others_Share'] < 0, 
		0, 
		df_plot_names['Others_Share']
	)   # 条件分岐に従い、df_plot_names'Others_Share'に値を代
        # df_plot_names['Others_Share']＜0：0を代入
        # else：Others_Shareを代入

	# 6. グラフ描画用データフレームの整形と列順序の調整
	rank_labels = [f'Rank {i+1}' for i in range(top_n)]
		# rank_labels = ['Rank 1', 'Rank 2'… 'Rank 10']を作成
    plot_order = rank_labels + ['Others_Share']
		# plot_order＝順位ラベル['Rank 1', 'Rank 2'… 'Rank 10', Others]

	# 定義した順序で列を抽出
	df_final = df_plot_names[plot_order]
		# df_plot_namesは列の順番がばらばらのため、plot_orderと同じ順番で出力するよう並び替え

	# 7. グラフ描画処理
	plt.figure(figsize=(12, len(df_final) * 0.25))
        # figure関数で新しい図（グラフ全体）を作成
        # 横幅：12、縦幅：データ行数(len(df_plot))×0.2（単位：インチ）
	ax = plt.gca()
		# 現在のグラフの描画領域

	# 色の定義
	base_colors = [
		'#ff6600', '#0099ff', '#2ca02c', '#ffc000', '#8b06aa', 
		'#ff3399', '#000099', '#cec552', '#92d050', '#cc66ff' 
	]   # グラフで使用する色のリストを定義

	# 色をtop_nに基づいて固定
	colors = base_colors + ['#d9d9d9'] # base_colors：トップ10の色、'#d9d9d9'：Othersのグレー
    
	# 横向き帯グラフの描画
	df_final.plot(
		kind='barh',   # グラフの種類：帯グラフ
		stacked=True,  # 複数のデータ系列を積み重ね、積み上げ棒グラフとして描画
		ax=ax,         # 描画先のオブジェクト
		title=title,   # グラフのタイトル：title（引数）
		color=colors,  # グラフの色：リストcolors
		legend=False   # 凡例を非表示
	)
    
	# 8. 軸とレイアウトの調整
	ax.set_xlim(0, 1.0)        # X軸（占有率）の表示範囲：最小値0、最大値1.0に設定
	ax.set_xlabel('Share (%)') # X軸のラベル：'Share (%)'
	ax.set_ylabel('Year')      # Y軸のラベル：'Year'

	x_ticks_values = np.arange(0, 1.1, 0.1)
		# X軸の目盛：最小値0、最大値1.1、0.1刻み
	ax.set_xticks(x_ticks_values)
		# x_ticks_valuesをX軸の目盛の位置に設定
	ax.set_xticklabels([f'{int(x*100)}%' for x in x_ticks_values])
		# X軸の目盛（0～1.1）×100で整数化し、%表示に変換してX軸の目盛ラベルに設定

	ax.set_yticks(np.arange(len(df_final.index)))
		# df_finalのインデックス（年）の位置に、Y軸の目盛を設定
	ax.set_yticklabels(df_final.index)
		# df_finalのインデックス（年）を、Y軸の目盛ラベルに設定
        
	ax.set_title(title, y=1.01)            # タイトル (引数title) をY座標1.01に配置
	
	plt.tight_layout(rect=[0, 0.05, 1, 1]) # レイアウトの最終調整（描画領域の指定）
	plt.show()                             # グラフを表示

# 9. トップ10のデータ取得とグラフ描画
N_10 = 10 # グラフで扱う順位の数（トップ10）

df_usa_name_top10_female = get_top_n_by_gender('F', N_10)
		# 「性別＝'F'、順位数＝N_10（10）」を引数に関数get_top_n_by_genderを呼び出す
        # その結果（女子のトップ10データ）をdf_usa_name_top10_femaleに代入
df_annual_sum_female_renamed = df_annual_sum_female.rename(columns={'annualNumber': 'annualSum'})
		# 女子の年間合計データ（df_annual_sum_female）の列名'annualNumber'を'annualSum'に変更
        # その結果をdf_annual_sum_female_renamedに代入

df_usa_name_top10_male = get_top_n_by_gender('M', N_10)
		# 「性別＝'M'、順位数＝N_10（10）」を引数に関数get_top_n_by_genderを呼び出す
        # その結果（男子のトップ10データ）をdf_usa_name_top10_maleに代入
df_annual_sum_male_renamed = df_annual_sum_male.rename(columns={'annualNumber': 'annualSum'})
		# 男子の年間合計データ（df_annual_sum_male）の列名'annualNumber'を'annualSum'に変更
        # その結果をdf_annual_sum_male_renamedに代入

# 年間トップ10が占める割合（女の子）の帯グラフを表示
plotbarh_top_n_accurate(
	df_usa_name_top10_female,
	df_annual_sum_female_renamed,
	'F',
	f'Share of the top {N_10} baby names in the USA (Girls)',
	N_10
)

# 年間トップ10が占める割合（男の子）の帯グラフを表示
plotbarh_top_n_accurate(
	df_usa_name_top10_male,
	df_annual_sum_male_renamed,
	'M',
	f'Share of the top {N_10} baby names in the USA (Boys)',
	N_10
)

処理結果として表示された折れ線グラフが次の通りです。まずは女の子。

次に男の子。

前回記事の折れ線グラフ同様、次回の記事でグラフを分析します。今回は結果の共有だけです。

いよいよ次回は分析！

先にお伝えしますが、分析記事にコードは登場しません。技術的な知見を求める方には物足りない内容かもしれません。分析にもお付き合いいただける方は、次回の記事をお楽しみに！