我最近在Kaggle上看到了美国大选的数据集。既然我们正在热烈讨论2020年的大选，我想分析一下之前的美国总统大选是个好主意。
数据集包含了从1976年到2020年的选举。我会从不同的角度来处理这些数据，试图了解人们是如何投票的。
我将使用pandas库进行数据分析和可视化，因此这也是使用pandas的函数和方法的良好实践。
让我们从导入库并将数据集读入一个Pandas dataframe开始。
import numpy as np
import pandas as pdpresident = pd.read_csv("/content/president-1976-2016.csv")
在分析中有一些多余的列。例如state_fips、state_cen和state_ic代表什么可能不是很确定，但它们可以作为一个指示器或状态的唯一值。
我们可以通过检查和比较这些列中的值来确认。这三列有51个惟一值(每个州一个)。
president.state_fips.nunique()
51
对于特定的州，这些列中的值是相同的:
president[president.state == 'Alabama'][['state_fips','state_cen','state_ic']].value_counts()state_fips state_cen state_ic
1 63 41 63
dtype: int64
由于数据集已经包含状态信息，所以这些列在分析方面是多余的，因此可以删除它们。
office列仅表示这是总统选举，因此它包含一个惟一的值(US President)。version和notes列也没有任何用处。
我们可以使用Pandas的drop函数来删除这些列。
president.drop(['state_po', 'state_fips', 'state_cen', 'state_ic',
'office', 'version', 'notes'], axis=1, inplace=True)
我们准备开始分析，我将分析分为三个部分:
- 一段时间内的总票数
- 每个获胜者的投票比例
- 国家层面的比较
一段时间内的总票数
我们首先要检查的是每次选举的票数。“totalvotes”列显示特定状态下的投票总数。因此，下面的代码将创建一个dataframe，其中包含每个州对于每次选举的总票数。
yearly_votes = president[['year','state','totalvotes']]\
.groupby(['year','state']).mean().reset_index()
yearly_votes.head()
我们可以对“year”列应用groupby函数，并对“totalvotes”列中的值求和，从而得到每次选举的总票数。
yearly_votes.groupby('year').sum()\
.plot(figsize=(10,6), legend=False,title='Total Number of Votes in US Presendial Elections')
我使用了pandas内置的绘图函数来绘制结果。它比使用Matplotlib的pyplot接口更简单，但是对plot的控制较少。
除了1996年和2012年，参加投票的人数一直在稳步增加。这很可能是由于人口增长，因此更好的衡量方法是每百万人口(有资格投票)的票数。粗略比较一下，从1970年(2.03亿)到2010年(3.08亿)，人口增长了大约50%。因此，投票人数的比例多年来基本保持不变。
每个获胜者的投票比例
有些选举的结果非常接近，获胜者只以很小的百分比获胜。也有一些选举中获胜者以很大的优势获胜。
我们可以计算出每个获胜者的投票比例。我们将首先在dataframe中添加一个“winner”列。
维基百科页面包含了美国总统的名单。使用read_html函数可以很容易地将这些表读入到一个panda数据框架中。它将web页面中的表转换为数据列表。
dfs = pd.read_html("https://en.wikipedia.org/wiki/List_of_presidents_of_the_United_States")
winners = dfs[1][['Election','President.1']]
winners.head()
第二个数据列表包含了美国总统的名单。我们只需要1976年到2016年的选举数据。
winners = winners.iloc[-12:-1, :]
winners.Election = winners.Election.astype('int64')
winners.rename(columns={'President.1':'winner'}, inplace=True)
winners
我们需要将名称与总统dataframe中的名称进行格式的统一。pandas的字符串操作能够很好的来完成这个任务:
first_name = winners.winner.str.rsplit(' ', n=1, expand=True)[0]
last_name = winners.winner.str.rsplit(' ', n=1, expand=True)[1]
winners.winner = last_name + ', ' + first_namewinners
我们还需要做一些小调整，以便总统的名字完全匹配。
winners.winner[73] = 'Bush, George H.W.'
winners.winner[78] = 'Obama, Barack H.'
winners.winner[79] = 'Obama, Barack H.'
winners.winner[80] = 'Trump, Donald J.'
我还将选举日期转换为整数，以便在下一个步骤中使用合并函数。
我们现在可以根据选举年合并“president”和“winners”数据。
president = pd.merge(president, winners, left_on='year', right_on='Election')
我们将过滤president dataframe，只包括对获胜者的投票。
winner_votes = president[president.candidate == president.winner]
winner_votes.head()
每行包含获胜者的票数和特定选举在特定州的总票数。一个简单的groupby函数将为我们提供各个国家的值。
total_votes = winner_votes[['year','winner','candidatevotes','totalvotes']]\
.groupby(['year','winner']).sum()
total_votes
我们可以通过一个简单的数学运算来计算获胜者的比例，并对结果进行排序。
(total_votes.candidatevotes / total_votes.totalvotes)\
.sort_values(ascending=False)
第一名是里根的第二任期。
国家层面比较
如果你喜欢政治，你就会知道每个州更可能支持哪个政党。我们用数字来验证一下。
这是winner_votes数据列表。我们将添加一个比率列，即候选人票数除以总票数。
winner_votes['ratio'] = winner_votes.candidatevotes / winner_votes.totalvotes
我们希望看到民主党和共和党都排在前十位的州。下面的groupby操作将返回基于民主党最高平均比率的前10个州。
winner_votes[winner_votes.party == 'democrat'][['state','ratio']]\
.groupby('state').mean().sort_values(by='ratio', ascending=False)[:10]
这是共和党方面同样操作的结果。
结论
我们已经分析了美国总统选举的投票数量，每个总统在投票方面的主导地位，以及各州对民主党和共和党的投票情况。但是这篇文章的重点是练习如何将pandas用于数据分析和操作。在数据分析和操作方面，我们做了大量的操作，这个才是我们这篇文章的目的。
最后感谢您的阅读。
作者：Soner Yıldırım
deephub翻译组