Python: Plotlyでデータサイエンティストのように日本の人口データから高齢化率・少子化率を分析して見る【Pythonデータ分析】

ようこそ「Python」へ...

Python»記事(Article152) ◀前の記事次の記事▶

Python: Plotlyでデータサイエンティストのように日本の人口データから高齢化率・少子化率を分析して見る【Pythonデータ分析】

ここでは、Plotlyを使用してデータサイエンティストのように日本の人口データから高齢化率・少子化率を可視化して分析する方法を解説します。本記事では、総務省統計局が公開している「年齢別人口データ(2021年度)」を使用しています。このファイル(Excel)には、４種類（15歳未満、15～64歳、65歳以上、75歳以上）の人口データが男女別に格納されています。ここでは、これらの人口データを利用して都道府県別の高齢化率・少子化率等を可視化して分析します。

Pythonには、Matplotlib, Seaborn, Plotly Express, Plotly Graph Objectsなどのグラフを作成するライブラリがあります。

MatplotlibとSeabornは、静的なグラフを作成するために設計されたPythonライブラリであるのに対して、 Plotlyはインタラクティブなグラフを作成するために設計されています。したがって、Plotlyは、グラフを拡大・縮小したり、マウスホーバーでデータ値を表示するなどのインタラクティブな操作が可能で、より直感的なデータの解析ができるようになっています。なので、ここではPlotlyのインタラクティブな機能を利用してデータを解析します。

なお、Plotlyは Dashを使用することによりWebブラウザ上で対話的なデータ可視化も可能になります。 Plotlyは、以下のようなさまざまなグラフを作成してデータを可視化することができます。

Scatter Plot（散布図）:
用途：2つの量的変数間の関係を可視化するために使用されます。
特徴：点がプロットされ、X軸とY軸に数値が表示されます。複数のグループを区別する場合、色や形状で表現できます。
Line Plot（折れ線グラフ）:
用途：量的変数の時間的変化を可視化するために使用されます。
特徴：点を線で接続し、時間や数値の連続した変化を表現します。
Bar Chart（棒グラフ）:
用途：カテゴリ別の数量や割合の比較を可視化するために使用されます。
特徴：カテゴリ（X軸）と数値（Y軸）が表示され、複数のグループを区別する場合、色やパターンで表現できます。
Pie Chart（円グラフ）:
用途：カテゴリ内の数量の比率を可視化するために使用されます。
特徴：円形で表現され、各カテゴリの部分が円周上に表示されます。一般的には、4つ以上のカテゴリに使用すると読みやすくなります。
Histogram（ヒストグラム）:
用途：数量データの分布を可視化するために使用されます。
特徴：数値の範囲がビンに分割され、ビンごとにデータが表示されます。ビンの幅は、分布の特性に応じて調整できます。
Sunburst（サンバーストチャート）:
用途：階層的なカテゴリ構造を可視化するために使用されます。
特徴：中心から外側に向かってカテゴリが分割され、各セグメントの大きさは割合で表示されます。
Treemap（ツリーマップ）:
用途：階層的なカテゴリ構造を可視化するために使用されます。サンバーストチャートと同じく、会社の部門、チーム、プロジェクトなどの関係性を示すことができます。
特徴：四角形の領域がカテゴリを表し、領域の大きさはカテゴリの値に比例します。それぞれの四角形は、色やラベルなどの要素を持つことができます。ツリーマップは、視覚的に洞察力を得るために、大量のデータを表示するのに適しています。
Choropleth（コロプレス図）:
用途：地理的なデータを可視化するために使用されます。地域ごとの数量や比率を示すことができます。たとえば、国別の人口、都市別の収入などを表示できます。
特徴：地図上の地域ごとに色を割り当てて表示します。色は、数量や比率の大小に応じて異なり、カラーマップを選択することができます。コロプレス図は、地域ごとのパターンを見つけるのに役立ちます。また、マウスオーバー時に詳細な情報を表示することもできます。

これらのグラフはすべて、Plotly Expressで簡単に作成することができます。また、Plotly Expressは、多数のオプションやカスタマイズ機能を提供しているため、データの視覚化において幅広い用途に利用できます。

説明文の左側に図の画像が表示されていますが縮小されています。画像を拡大するにはマウスを画像上に移動してクリックします。画像が拡大表示されます。拡大された画像を閉じるには右上の[X]をクリックします。画像の任意の場所をクリックして閉じることもできます。

Plotly Expressでデータサイエンティストのように日本の人口データから高齢化率・少子化率を分析して見る【Pythonデータ分析】

まずは、Pythonの開発環境を準備する
まずは、「記事（Article137）」を参照して、 Pythonの開発環境を準備してください。ここでは、Pythonのプロジェクトフォルダとして「Plotly」を使用しています。

図1

図1は、Visual Studio Code(VS Code)の「Terminal」メニューから「New Terminal」を選択して、「Terminal」ウィンドウを開いたときの画面です。緑色の「(venv)」が表示されていれば、 Pythonの仮想環境が正常に作成されていることになります。
Visual Studio Codeを起動してプログラムファイルを作成する
Pythonの開発環境の準備が完了したら、 VS Codeを起動して新規のPythonファイル(*.py)を作成します。ここで作成したPythonのファイルには「リスト8-1」のコードをコピペします。

図2

図2は、VS Codeの画面です。
日本の人口データを分析（可視化）するためのデータを用意する
ここでは、総務省統計局のWebサイトからダウンロードした人口データ(Excelファイル)を加工してPlotly Expressで分析するためのデータを用意します。
```
### 0: prepare data

# 0-1: read a population data from a csv file
csv_file = r'https://money-or-ikigai.com/Menu/Python/Article/data/map/japan_population_by_prefecture_age(2021).csv'
# csv_file = 'datasets/csv/japan_population_by_prefecture_age(2021).csv'
df = pd.read_csv(csv_file)
# df.info()
# df


# %%

### 0-2: clean up data
pd.options.mode.chained_assignment = None

df['prefecture_jp'] = df['prefecture_jp'].apply(lambda x: x.replace(' ',''))
df['prefecture_jp'] = df['prefecture_jp'].apply(lambda x: x.replace('　',''))

df['male_adult']   = df['male_adult'].apply(lambda x: int(x.replace(',','')))
df['male_over65']  = df['male_over65'].apply(lambda x: int(x.replace(',','')))

df['female_adult']   = df['female_adult'].apply(lambda x: int(x.replace(',','')))
df['female_over65']  = df['female_over65'].apply(lambda x: int(x.replace(',','')))
df['female_over75']  = df['female_over75'].apply(lambda x: int(x.replace(',','')))

dfx = df[['prefecture_jp','male_under15','male_adult','male_over65','male_over75','female_under15','female_adult','female_over65','female_over75']]
# dfx.info()
# dfx.isnull().sum()


# %%

### 0-3: add the columns
dfx['male_under15'] = dfx['male_under15'].apply(lambda x: x * 1000)
dfx['male_adult']   = dfx['male_adult'].apply(lambda x: x * 1000)
dfx['male_over65']  = dfx['male_over65'].apply(lambda x: x * 1000)
dfx['male_over75']  = dfx['male_over75'].apply(lambda x: x * 1000)

dfx['female_under15'] = dfx['female_under15'].apply(lambda x: x * 1000)
dfx['female_adult']   = dfx['female_adult'].apply(lambda x: x * 1000)
dfx['female_over65']  = dfx['female_over65'].apply(lambda x: x * 1000)
dfx['female_over75']  = dfx['female_over75'].apply(lambda x: x * 1000)

dfx['pop_under15'] = dfx.apply(lambda row: row['male_under15'] + row['female_under15'], axis=1)
dfx['pop_adult']   = dfx.apply(lambda row: row['male_adult'] + row['female_adult'], axis=1)
dfx['pop_over65']  = dfx.apply(lambda row: row['male_over65'] + row['female_over65'], axis=1)
dfx['pop_over75']  = dfx.apply(lambda row: row['male_over75'] + row['female_over75'], axis=1)

dfx['pop_male']   = dfx.apply(lambda row: row['male_under15'] + row['male_adult'] + row['male_over65'], axis=1)
dfx['pop_female'] = dfx.apply(lambda row: row['female_under15'] + row['female_adult'] + row['female_over65'], axis=1)
dfx['pop']        = dfx.apply(lambda row: row['pop_male'] + row['pop_female'], axis=1)

dfx['pop_under15_ratio'] = dfx.apply(lambda row: round((row['pop_under15'] / row['pop']) * 100, 2), axis=1)
dfx['pop_adult_ratio']   = dfx.apply(lambda row: round((row['pop_adult']   / row['pop']) * 100, 2), axis=1)
dfx['pop_over65_ratio']  = dfx.apply(lambda row: round((row['pop_over65']  / row['pop']) * 100, 2), axis=1)
dfx['pop_over75_ratio']  = dfx.apply(lambda row: round((row['pop_over75']  / row['pop']) * 100, 2), axis=1)


# %%

### 0-4: Read a GeoJson file

url = r'https://money-or-ikigai.com/Menu/Python/Article/data/map/prefectures.json'
response = urllib.request.urlopen(url)
geo_data = response.read().decode('utf-8')
japan_prefectures = json.loads(geo_data)
# json_file = 'datasets/json/prefectures.json'
# japan_prefectures = json.load(open(json_file, 'r'))
# japan_prefectures


# %%

### 0-5: Load a prefecture id map dictionary from the geojson data
# Create an empty dictionary to store prefecture IDs
prefecture_id_map = {}

# Loop through the "features" list in the "japan_prefectures" dictionary
for feature in japan_prefectures['features']:    
    feature['id'] = feature['properties']['pref']
    prefecture_id_map[feature['properties']['name']] = feature['id']
# prefecture_id_map


# %%

### 0-6: Load Japan geo data from a csv file

geo_csv = r'https://money-or-ikigai.com/Menu/Python/Article/data/map/japan_geo.csv'
# geo_csv = 'datasets/csv/japan_geo.csv'
geo_df = pd.read_csv(geo_csv)
# geo_df


# %%

### 0-7: Filter columns from the pandas dataframe

geo_df = geo_df[['region_en','region_jp','prefecture_en','prefecture_jp']]
# geo_df


# %%

### 0-8: Concatenate the Japan census and geojason data horizontally based on the 'prefecture_jp' column

# Set the "prefecture_jp" column as the index for the "dfx" DataFrame
dfx_jp = dfx.set_index('prefecture_jp')

# Set the "prefecture_jp" column as the index for the "geo_df" DataFrame
geojp_df =  geo_df.set_index('prefecture_jp')

# Concatenate the "dfx" and "geo_df" DataFrames 
# along the columns axis (axis=1) and store the result in "dfy"
dfy = pd.concat([dfx_jp, geojp_df], axis=1)
dfy.reset_index(inplace=True)
# dfy


# %%

### 0-9: Add a new column 'id' into the dataframe.

# Create a new column named "id" in the "dfy" DataFrame 
# by applying a lambda function to the "prefecture_en" column.
# The lambda function maps each prefecture name in the "prefecture_en" column 
# to its corresponding ID in the "prefecture_id_map" dictionary.
# The resulting IDs are assigned to the "id" column
dfy['id'] = dfy['prefecture_en'].apply(lambda x: prefecture_id_map[x])
# pd.options.display.max_rows = 999

raw_df = dfy.copy()
# raw_df.head(1)
# raw_df[['region_jp','region_en','prefecture_jp','prefecture_en','pop']].head(3)

# %%    
```
図3-1

図3-1では、総務省統計局のWebサイトからダウンロードしたExcelファイルをCSV形式で保存したCSVファイルを PandasのDataFrameに取り込んでいます。 CSVファイルの列名（カラム名）は、Pythonで処理しやすいように「英語」に変換しています。

図3-2

図3-2では、前出(図3-1)のDataFrameの内容を表示しています。 DataFrameは「prefecture_id, prefecture_jp, total_under15, total_adult, total_over65, total_over75,..」等の列から構成されています。列「total_adult, total_over65, male_adult,...」等には、数値に「コンマ」が含まれているので後述するステップで除去します。

図3-3

図3-3では、前出(図3-2)のDataFrameをクリーンアップして作成した新規のDataFrame(dfx)の構造を表示しています。 DataFrame(dfx)は、「prefecture_jp, male_under15, male_adult, male_over65, male_over75,...」等の列から構成されています。クリーンアップ処理では、都道府県名から「空白」を除去したり、数値から「コンマ」を除去しています。

図3-4

図3-4では、前出(図3-3)のDataFrame(dfx)の列の値を編集したり、新規の列を追加しています。列「male_under15, male_adult, male_over65, male_over75,...」等の値（人口）は、1000人単位なので、 1000倍して本来の人数に変換しています。さらに、「pop_under15, pop_adult, pop_over65, pop_over75,...」等の新規の列も追加しています。これらの列には、人口(人数)が格納されています。「pop_under15_ratio, pop_adult_ratio, pop_over65_ratio, pop_over75_ratio」等の列には、それぞれの比率(%)が格納されています。後述するステップでは、これらの比率を使用して「少子化率」「高齢化率」の各種グラフを作成します。

図3-5

図3-5では、前出(図3-4)のDataFrame(dfx)の列の内容を表示しています。列「male_under15, male_adult, male_over65, male_over75」には、年齢区分別に男性の人口が格納されているのが確認できます。同様に列「female_under15, female_adult, female_over65, female_over75」には、年齢区分別に女性の人口が格納されているのが確認できます。

図3-6

図3-6では、前出(図3-4)のDataFrame(dfx)の列の内容を表示しています。列「pop_under15, pop_adult, pop_over65, pop_over75」には、年齢区分別に男女合計の人口が格納されているのが確認できます。また、列「pop_male, pop_female, pop」には、男性人口、女性人口、男女合計の人口が格納されているのが確認できます。

図3-7

図3-7では、前出(図3-4)のDataFrame(dfx)の列の内容を表示しています。列「pop_under15_ratio, pop_adult_ratio, pop_over65_ratio, pop_over75_ratio」には、年齢区分別の比率が格納されているのが確認できます。これらの列は、後述するステップで「少子化率」「高齢化率」の各種グラフを作成するときに使用します。

図3-8

図3-8では、日本の地理データ(GeoJson)を読み込んで内容を表示しています。このデータは、後述するステップでコロプレス図を作成するときに使用します。

図3-9

図3-9では、前出(図3-8)のGeoJsonデータから、都道府県名、都道府県IDを生成してDict型の変数「prefecture_id_map」に格納しています。

図3-10

図3-10では、地理データが格納されているCSVファイルをPandasのDataFrame(geo_df)に取り込んでいます。このDataFrame(geo_df)には、「地域名、都道府県名」が「英語」と「日本語」で格納されています。

図3-11

図3-11では、前出(図3-10)のDataFrame(geo_df)から、列「region_en, region_jp, prefecture_en, prefecture_jp」を抽出しています。

図3-12

図3-12では、DataFrame(dfx_jp, geo_df)のインデックスに列「prefecture_jp」を設定しています。これで、２つのDataFrame(dfx_jp, geojp_df)の連結が可能になります。

図3-13

図3-13では、前出(図3-12)のDataFrame(dfx_jp, geojp_df)を連結しています。これで２つのDataFrameが１個のDataFrame(dfy)にマージ(統合)されます。統合されたDataFrame(dfy)には、２つのDataFrame(dfx_jp, geojp_df)の全ての列が含まれます。

図3-14

図3-14では、前出(図3-13)のDataFrame(dfy)に新規の列「id」を追加しています。列「id」には、図3-9で作成したGeoJsonの「都道府県ID」が格納されます。これで、DataFrame(dfy)とGeoJsonがリンクされます。最後に、最終版のDataFrame(dfy)を新規のDataFrame(raw_df)にコピーしています。後述するステップでは、DataFrame(raw_df)を使用して各種グラフを作成します。

図3-15

図3-15では、最終版のDataFrame(raw_df)の内容を表示しています。ここでは、列「region_jp, region_en, prefecture_jp, prefecture_en, pop(人口)」の内容を表示しています。

Plotly ExpressのChoropleth（コロプレス図）で人口データのマップを作成する

ここでは、Plotly Expressのコロプレス図で人口データを可視化します。

### 1: Map population (2021)

# set a defulat template
pio.templates.default = 'plotly_dark'

### 1-1: population by prefecture
        
df = raw_df.copy()

fig = px.choropleth(
    df,
    locations='id',
    geojson=japan_prefectures,
    color='pop',
    hover_name='prefecture_jp',
    hover_data=['pop_male', 'pop_female'],
    height=600,
    labels=dict(
                prefecture_jp='都道府県', 
                pop='人口',
                pop_male='男性',
                pop_female='女性',
                ),    
    title="px.choropleth(...): 都道府県別人口 (2021年度)",
)

fig.update_geos(fitbounds='locations', visible=False)

fig.show()  


# %%

### 1-2: population ratio ages over 65 by prefecture
        
df = raw_df.copy()

fig = px.choropleth(
    df,
    locations='id',
    geojson=japan_prefectures,
    color='pop_over65_ratio',
    hover_name='prefecture_jp',
    hover_data=['pop_male', 'pop_female'],
    height=600,    
    labels=dict(
                pop_male='男性',
                pop_female='女性',    
                prefecture_jp='都道府県', 
                pop_over65_ratio='高齢化率(%)',   
                ),    
    title="px.choropleth(color='pop_over65_ratio'): 高齢化率(%) 65歳以上",
)

fig.update_geos(fitbounds='locations', visible=False)

fig.show() 


# %% 

### 1-3: population ratio ages over 75 by prefecture
        
df = raw_df.copy()

fig = px.choropleth(
    df,
    locations='id',
    geojson=japan_prefectures,
    color='pop_over75_ratio',
    hover_name='prefecture_jp',
    hover_data=['pop_male', 'pop_female'],
    height=600, 
    labels=dict(
                pop_male='男性',
                pop_female='女性',     
                prefecture_jp='都道府県', 
                pop_over75_ratio='高齢化率(%)',   
                ),    
    title="px.choropleth(color='pop_over75_ratio'): 高齢化率(%) 75歳以上",
)

fig.update_geos(fitbounds='locations', visible=False)

fig.show()


# %%

図4-1では、日本地図にカラーマップを適用させて都道府県別の人口分布を表示させています。都道府県の色が「青色」から「黄色」になるほど人口が多くなっています。マップ上にマウスをホバリングさせると、ホバーテキストが表示されます。

図4-2では、関東地方をズームインさせています。ここでは、東京都にマウスをホバリングさせてホバーテキストを表示させています。ホバーテキストには、東京都の「男性、女性、合計」の人口が表示されています。

図4-3では、日本地図にカラーマップを適用させて都道府県別の高齢化率(%)を表示させています。都道府県の色が「青色」から「黄色」になるほど高齢化率（65歳以上の住民が対象）が高くなることを意味します。秋田県が「黄色」になっているので高齢化率が高いことが分かります。

図4-4では、秋田県にマウスをホバリングさせてホバーテキストを表示させています。ホバーテキストには、秋田県の「男性、女性」の人口と「高齢化率(%)」が表示されています。秋田県の高齢化率は「37.99%」になっています。

図4-5では、７５歳以上の住民を対象にして高齢化率のグラフを表示しています。

Plotly ExpressのSunburst（サンバーストチャート）で人口データを可視化する

ここでは、Plotly Expressのサンバーストチャートで人口データを可視化します。

### 2: sunburst chart 

### 2-1: population by region, prefecture
df = raw_df.copy()

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop',           
        hover_name='prefecture_jp',
        color='pop',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_sum='総人口',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(path=['region_jp','prefecture_jp']): 都道府県別人口"
)

fig.show() 


# %%

### 2-2: population ages over 65 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over65',           
        hover_name='prefecture_jp',
        color='pop_over65',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over65='高齢者',
            pop_sum='総人口',
            pop_over65_sum='高齢者',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over65'): 高齢者人口 (65歳以上)"
)

fig.show() 


# %%

### 2-3: population ages over 75 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over75',           
        hover_name='prefecture_jp',
        color='pop_over75',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over75='高齢者',
            pop_sum='総人口',
            pop_over75_sum='高齢者',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over75'): 高齢者人口 (75歳以上)"
)

fig.show() 


# %%

### 2-4: population ratio ages over 65

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over65_ratio',           
        hover_name='prefecture_jp',
        color='pop_over65_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over65_ratio='高齢化率',
            pop_sum='総人口',
            pop_over65_ratio_sum='高齢化率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over65_ratio'): 高齢化率 (65歳以上)"
)

fig.show() 


# %%

### 2-5: population ratio ages over 75

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over75_ratio',           
        hover_name='prefecture_jp',
        color='pop_over75_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over75_ratio='高齢化率',
            pop_sum='総人口',
            pop_over75_ratio_sum='高齢化率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over75_ratio'): 高齢化率 (75歳以上)"
)

fig.show() 


# %%

### 2-6: population ratio ages under 15 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_under15_ratio',           
        hover_name='prefecture_jp',
        color='pop_under15_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_under15_ratio='少子化率',
            pop_sum='総人口',
            pop_under15_ratio_sum='少子化率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_under15_ratio'): 少子化率(15歳未満)"
)

fig.show()


# %%

### 2-7: population ratio adult (15~64) 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_adult_ratio',           
        hover_name='prefecture_jp',
        color='pop_adult_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_adult_ratio='就業人口率',
            pop_sum='総人口',
            pop_adult_ratio_sum='就業人口率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_adult_ratio'): 就業人口率(15~64歳)"
)

fig.show()


# %%

図5-1では、地方、都道府県ごとの人口比率を円グラフで表示しています。内側の円には、地方の人口比率が表示されています。外側の円には、都道府県国ごとの人口比率が表示されています。このグラフからは、地方と都道府県ごとの人口比率が同時に可視化できます。

図5-2では、前出(図5-1)の内側の円から「関東地方」をクリックして関東地方の都道府県の人口を表示させています。ここでは、東京都にマウスをホバリングさせてホバーテキストを表示させています。

図5-3では、前出(図5-1)の内側の「中部地方」にマウスをホバリングさせてホバーテキストを表示させています。ホバーテキストには、中部地方の「総人口(21,010,000)」が表示されます。

図5-4では、６５歳以上の高齢者の人口をグラフに表示しています。

図5-5では、７５歳以上の高齢者の人口をグラフに表示しています。

図5-6では、６５歳以上の住民を対象にした高齢化率(%)をグラフに表示しています。このグラフからは、秋田県がもっとも高齢化がすすんでいることが分かります。

図5-7では、前出(図5-6)の「秋田県」にマウスをホバリングさせてホバーテキストを表示させています。秋田県の高齢化率は「37.99%」になっています。

図5-8では、７５歳以上の住民を対象にした高齢化率(%)を表示しています。ここでは、高齢化率が低い沖縄県にマウスをホバリングさせてホバーテキストを表示させています。沖縄県の高齢化率は「10.62%」になっています。

図5-9では、１５歳未満の住民を対象にした少子化率(%)をグラフに表示しています。少子化率の場合、数値が高いほど少子化率がすすんでいないことを意味します。ここでは、少子化がすすんでいない沖縄県にマウスをホバリングさせてホバーテキストを表示させています。沖縄県の少子化率は「16.54%」になっています。

図5-10では、少子化がすすんでいる秋田県にマウスをホバリングさせてホバーテキストを表示させています。秋田県の少子化率は「9.52%」になっています。

図5-11では、１５歳～６４歳までの住民（就業人口）を対象にしたグラフを表示しています。ここでは、東京都にマウスをホバリングさせてホバーテキストを表示させています。東京都の就業人口率は「66.06%」になっています。

Plotly ExpressのPie Chart（円グラフ）で人口データを可視化する

ここでは、Plotly Expressの円グラフで人口データを可視化します。なお、６５歳以上の人口の内訳についてはサンバーストチャートを使用します。

### 3: pie chart

### 3-0: japan

df = raw_df.copy()
df['region'] = 'Japan'
# Group the "df" DataFrame by "region", 
# summing the 'pop_under15', 'pop_adult', 'pop_over65' columns, and reset the index
grp_df = df.groupby('region')[['pop_under15', 'pop_adult', 'pop_over65']].sum().reset_index()

melted_df = pd.melt(grp_df, 
                    id_vars=['region'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',    
        height=600,    
        labels=dict(
            category='分類',
            value='人口'
        ),
        title="px.pie(names='category', values='value'): 全国 (人口構成)"                   
)

fig.show()


# %%

### 3-0-1: add a holl and annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',        
        hole=0.4,
        height=600,         
        labels=dict(
            category='分類',
            value='人口'    
        ),
        title='px.pie(hole=0.4): 全国 (人口構成)'                    
)

fig.update_layout(
    annotations=[dict(text='全国', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-0-2: add a pull 

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            category='分類',
            value='人口'       
        ),
        title='px.pie() + update_traces(pull=[0, 0, 0.2]): 全国 (人口構成)'                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='全国', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-0-3: sunburst()

df = raw_df.copy()

df['region'] = 'Japan'

# Group the "df" DataFrame by "region", 
# summing the 'pop_under15', 'pop_adult', 'pop_over65', 'pop_over75' columns, and reset the index
grp_df = df.groupby('region')[['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75']].sum().reset_index()

melted_df = pd.melt(grp_df, 
                    id_vars=['region'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
melted2_df['region'] = '全国'
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'

fig = px.sunburst(melted2_df, 
        path=['region', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
        labels='ラベル',    
        value='人口',
        parent='65歳以上',
        category='分類'
        ),       
        title="px.sunburst(path=['region', 'category', 'sub_category']): 全国 (人口構成)"                  
)

fig.show()


# %%

### 3-1: Tokyo

df = raw_df.copy()
df = df.query("prefecture_en == 'Tokyo'")
  
melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))


### 3-1-1: add a holl + pull + annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'    
        ),
        title="px.pie(names='category', values='value'): 東京都 (人口構成)"                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='東京都', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-1-2: sunburst()

df = raw_df.copy()
df = df.query("prefecture_en == 'Tokyo'")

melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'

fig = px.sunburst(melted2_df, 
        path=['prefecture_jp', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),                  
        title="px.sunburst(path=['prefecture_jp', 'category', 'sub_category']): 東京都 (人口構成)"                  
)

fig.show()


# %%

### 3-2: Akita

df = raw_df.copy()
df = df.query("prefecture_en == 'Akita'")

melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))

### 3-2-1: add a holl + pull + annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'    
        ),
        title="px.pie(names='category', values='value'): 秋田県 (人口構成)"                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='秋田県', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-2-2: sunburst()

df = raw_df.copy()
df = df.query("prefecture_en == 'Akita'")

melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'

fig = px.sunburst(melted2_df, 
        path=['prefecture_jp', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),                  
        title="px.sunburst(path=['prefecture_jp', 'category', 'sub_category']): 秋田県 (人口構成)"                  
)

fig.show()


# %%

### 3-3: okinawa

df = raw_df.copy()
df = df.query("prefecture_en == 'Okinawa'")

melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))

### 3-3-1: add a hole + pull + annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),
        title="px.pie(names='category', values='value'): 沖縄県 (人口構成)"                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='沖縄県', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-3-2: sunburst()

df = raw_df.copy()
df = df.query("prefecture_en == 'Okinawa'")

melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'

fig = px.sunburst(melted2_df, 
        path=['prefecture_jp', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),                  
        title="px.sunburst(path=['prefecture_jp', 'category', 'sub_category']): 沖縄県 (人口構成)"                  
)

fig.show()


# %%

図6-1では、日本（全国）の人口を３つの年齢区分(１５歳未満、15歳～64歳、６５歳以上)でグラフ化しています。 15歳～64歳の人口がもっとも多く「59.4%」になっています。 65歳以上の人口は「28.9%」、15歳未満の人口は「11.8%」となっています。このグラフからは、日本の少子化がかなりすすんでいることが分かります。

図6-2では、Plotly Expressの「pie()」メソッドの引数に「hole=0.4」を追加してドーナツ型の円グラフを作成しています。内側の円には、figureクラスの「update_layout()」メソッドで注釈「全国」を表示させています。

図6-3では、figureクラス「update_traces()」メソッドで「６５歳」以上の円弧を引き出して強調させています。

図6-4では、Plotly Expressの「sunburst()」メソッドで「65歳以上」の人口を更に「65歳～74歳」と「75歳以上」に分けています。ここでは、「65歳～74歳」にマウスをホバリングさせてホバーテキストを表示させています。

図6-5では、東京都の円グラフを表示しています。ここでは、「65歳以上」にマウスをホバリングさせてホバーテキストを表示させています。ホバーテキストには、65歳以上の人口が表示されています。

図6-6では、Plotly Expressの「sunburst()」メソッドで東京都の「65歳以上」の人口を更に「65歳～74歳」と「75歳以上」に分けています。ここでは、「65歳～74歳」にマウスをホバリングさせてホバーテキストを表示させています。

図6-7では、秋田県の円グラフを表示しています。ここでは、「65歳以上」にマウスをホバリングさせてホバーテキストを表示させています。ホバーテキストには、65歳以上の人口が表示されています。

図6-8では、Plotly Expressの「sunburst()」メソッドで秋田県の「65歳以上」の人口を更に「65歳～74歳」と「75歳以上」に分けています。ここでは、「65歳～74歳」にマウスをホバリングさせてホバーテキストを表示させています。

図6-9では、沖縄県の円グラフを表示しています。ここでは、「65歳以上」にマウスをホバリングさせてホバーテキストを表示させています。ホバーテキストには、65歳以上の人口が表示されています。

図6-10では、Plotly Expressの「sunburst()」メソッドで沖縄県の「65歳以上」の人口を更に「65歳～74歳」と「75歳以上」に分けています。ここでは、「65歳～74歳」にマウスをホバリングさせてホバーテキストを表示させています。

Plotly ExpressのBar Chart（棒グラフ）で人口データを可視化する

ここでは、棒グラフで人口データを可視化します。棒グラフは水平形で表示します。

### 4: bar chart

### 4-1: declining birth rate top 10 (under 15)

df = raw_df.copy()
df = df.nsmallest(10, 'pop_under15_ratio')
df.reset_index(inplace=True)
df['rank'] = df.index+1

df[['prefecture_jp','pop_under15_ratio','pop_under15','pop']]

fig = px.bar(df, 
        x='pop_under15_ratio', y='prefecture_jp',
        color='prefecture_jp',
        text='pop_under15_ratio',
        orientation='h',   
        height=600,
        labels=dict(
            pop_under15_ratio='少子化率(15歳未満)', 
            prefecture_jp='都道府県'
        ),
        title="px.bar(x='pop_under15_ratio', y='prefecture_jp'): 少子化率(%) 上位10"   
)

fig.show()


# %% 
 
### 4-2: aging rate top 10 (over 65)

df = raw_df.copy()
df = df.nlargest(10, 'pop_over65_ratio')
df.reset_index(inplace=True)
df['rank'] = df.index+1

df[['prefecture_jp','pop_over65_ratio','pop_over65','pop']]

fig = px.bar(df, 
        x='pop_over65_ratio', y='prefecture_jp',
        color='prefecture_jp',
        text='pop_over65_ratio',
        orientation='h',   
        height=600,        
        labels=dict(
            pop_over65_ratio='高齢化率(65歳以上)', 
            prefecture_jp='都道府県'
        ),
        title="px.bar(x='pop_over65_ratio', y='prefecture_jp'): 高齢化率(%) 上位10"   
)

fig.show()


# %%

### 4-3: aging rate top 10 (over 75)

df = raw_df.copy()
df = df.nlargest(10, 'pop_over75_ratio')
df.reset_index(inplace=True)
df['rank'] = df.index+1

df[['prefecture_jp','pop_over75_ratio','pop_over75','pop']]

fig = px.bar(df, 
        x='pop_over75_ratio', y='prefecture_jp',
        color='prefecture_jp',
        text='pop_over75_ratio',
        orientation='h',  
        height=600,          
        labels=dict(
            pop_over75_ratio='高齢化率(75歳以上)', 
            prefecture_jp='都道府県'
        ),
        title="px.bar(x='pop_over75_ratio', y='prefecture_jp'): 高齢化率(%) 上位10"   
)

fig.show()

# %%

図7-1では、少子化率の上位10の都道府県をグラフに表示しています。棒の右端には少子化率(%)が表示されています。少子化率の場合、数値が小さいほど少子化がすすんでいることになります。少子化の順位は、秋田県、青森県、北海道、・・・の順になっています。

図7-2では、65歳以上の住民を対象にした高齢化率の上位10の都道府県をグラフに表示しています。棒の右端には高齢化率(%)が表示されています。高齢化率の場合、数値が大きいほど高齢化がすすんでいることになります。高齢化の順位は、秋田県、高知県、山口県、・・・の順になっています。

図7-3では、75歳以上の住民を対象にした高齢化率の上位10の都道府県をグラフに表示しています。棒の右端には高齢化率(%)が表示されています。高齢化率の場合、数値が大きいほど高齢化がすすんでいることになります。高齢化の順位は、秋田県、高知県、山口県、・・・の順になっています。

全てのコードを掲載

ここでは、本記事で解説している全てのコードを掲載しています。

リスト8-1: Article152.py

# Analysis of population by prefecture and age in 2021 v30.py
'''
references
https://www.stat.go.jp/data/jinsui/2021np/index.html
https://plotly.com/python/sunburst-charts/

'''

# %%

import json
import urllib.request
import numpy as np
import math
import pandas as pd
import plotly.io as pio
import plotly.express as px
import plotly.graph_objects as go


# %%

### 0: prepare data

# 0-1: read a population data from a csv file
csv_file = r'https://money-or-ikigai.com/Menu/Python/Article/data/map/japan_population_by_prefecture_age(2021).csv'
# csv_file = 'datasets/csv/japan_population_by_prefecture_age(2021).csv'
df = pd.read_csv(csv_file)
# df.info()
# df


# %%

### 0-2: clean up data
pd.options.mode.chained_assignment = None

df['prefecture_jp'] = df['prefecture_jp'].apply(lambda x: x.replace(' ',''))
df['prefecture_jp'] = df['prefecture_jp'].apply(lambda x: x.replace('　',''))

# df['male_under15'] = df['male_under15'].apply(lambda x: int(x))
df['male_adult']   = df['male_adult'].apply(lambda x: int(x.replace(',','')))
df['male_over65']  = df['male_over65'].apply(lambda x: int(x.replace(',','')))
# df['male_over75']  = df['male_over75'].apply(lambda x: int(x))

# df['female_under15'] = df['female_under15'].apply(lambda x: int(x))
df['female_adult']   = df['female_adult'].apply(lambda x: int(x.replace(',','')))
df['female_over65']  = df['female_over65'].apply(lambda x: int(x.replace(',','')))
df['female_over75']  = df['female_over75'].apply(lambda x: int(x.replace(',','')))

dfx = df[['prefecture_jp','male_under15','male_adult','male_over65','male_over75','female_under15','female_adult','female_over65','female_over75']]
# dfx.info()
# dfx.isnull().sum()


# %%

### 0-3: add the columns
dfx['male_under15'] = dfx['male_under15'].apply(lambda x: x * 1000)
dfx['male_adult'] = dfx['male_adult'].apply(lambda x: x * 1000)
dfx['male_over65'] = dfx['male_over65'].apply(lambda x: x * 1000)
dfx['male_over75'] = dfx['male_over75'].apply(lambda x: x * 1000)

dfx['female_under15'] = dfx['female_under15'].apply(lambda x: x * 1000)
dfx['female_adult'] = dfx['female_adult'].apply(lambda x: x * 1000)
dfx['female_over65'] = dfx['female_over65'].apply(lambda x: x * 1000)
dfx['female_over75'] = dfx['female_over75'].apply(lambda x: x * 1000)

dfx['pop_under15'] = dfx.apply(lambda row: row['male_under15'] + row['female_under15'], axis=1)
dfx['pop_adult'] = dfx.apply(lambda row: row['male_adult'] + row['female_adult'], axis=1)
dfx['pop_over65'] = dfx.apply(lambda row: row['male_over65'] + row['female_over65'], axis=1)
dfx['pop_over75'] = dfx.apply(lambda row: row['male_over75'] + row['female_over75'], axis=1)

dfx['pop_male'] = dfx.apply(lambda row: row['male_under15'] + row['male_adult'] + row['male_over65'], axis=1)
dfx['pop_female'] = dfx.apply(lambda row: row['female_under15'] + row['female_adult'] + row['female_over65'], axis=1)
dfx['pop'] = dfx.apply(lambda row: row['pop_male'] + row['pop_female'], axis=1)

dfx['pop_under15_ratio'] = dfx.apply(lambda row: round((row['pop_under15'] / row['pop']) * 100, 2), axis=1)
dfx['pop_adult_ratio']   = dfx.apply(lambda row: round((row['pop_adult']   / row['pop']) * 100, 2), axis=1)
dfx['pop_over65_ratio']  = dfx.apply(lambda row: round((row['pop_over65']  / row['pop']) * 100, 2), axis=1)
dfx['pop_over75_ratio']  = dfx.apply(lambda row: round((row['pop_over75']  / row['pop']) * 100, 2), axis=1)

# dfx.info()
# dfx[['prefecture_jp','male_under15','male_adult','male_over65','male_over75']].head(3)
# dfx[['prefecture_jp','female_under15','female_adult','female_over65','female_over75']].head(3)
# dfx[['prefecture_jp','pop_under15','pop_adult','pop_over65','pop_over75']].head(3)
# dfx[['prefecture_jp','pop_male','pop_female','pop',]].head(3)
# dfx[['prefecture_jp','pop_under15_ratio','pop_adult_ratio','pop_over65_ratio','pop_over75_ratio']].head(3)
# dfx.isnull().sum()


# %%

### 0-4: Read a GeoJson file

url = r'https://money-or-ikigai.com/Menu/Python/Article/data/map/prefectures.json'
response = urllib.request.urlopen(url)
geo_data = response.read().decode('utf-8')
japan_prefectures = json.loads(geo_data)
# json_file = 'datasets/json/prefectures.json'
# japan_prefectures = json.load(open(json_file, 'r'))
# japan_prefectures


# %%

### 0-5: Load a prefecture id map dictionary from the geojson data
# Create an empty dictionary to store prefecture IDs
prefecture_id_map = {}

# Loop through the "features" list in the "japan_prefectures" dictionary
for feature in japan_prefectures['features']:    
    feature['id'] = feature['properties']['pref']
    prefecture_id_map[feature['properties']['name']] = feature['id']
# prefecture_id_map


# %%

### 0-6: Load Japan geo data from a csv file

geo_csv = r'https://money-or-ikigai.com/Menu/Python/Article/data/map/japan_geo.csv'
# geo_csv = 'datasets/csv/japan_geo.csv'
geo_df = pd.read_csv(geo_csv)
# geo_df


# %%

### 0-7: Filter columns from the pandas dataframe.

geo_df = geo_df[['region_en','region_jp','prefecture_en','prefecture_jp']]
# geo_df


# %%

### 0-8: Concatenate the Japan census and geojason data horizontally based on the 'prefecture_jp' column

# Set the "prefecture_jp" column as the index for the "dfx" DataFrame
dfx_jp = dfx.set_index('prefecture_jp')

# Set the "prefecture_jp" column as the index for the "geo_df" DataFrame
geojp_df =  geo_df.set_index('prefecture_jp')

# # Concatenate the "dfx" and "geo_df" DataFrames 
# along the columns axis (axis=1) and store the result in "dfy"
dfy = pd.concat([dfx_jp, geojp_df], axis=1)
dfy.reset_index(inplace=True)
# dfy


# %%

### 0-9: Add a new column 'id' into the dataframe.

# Create a new column named "id" in the "dfy" DataFrame 
# by applying a lambda function to the "prefecture_en" column.
# The lambda function maps each prefecture name in the "prefecture_en" column 
# to its corresponding ID in the "prefecture_id_map" dictionary.
# The resulting IDs are assigned to the "id" column
dfy['id'] = dfy['prefecture_en'].apply(lambda x: prefecture_id_map[x])
# pd.options.display.max_rows = 999

raw_df = dfy.copy()
# raw_df.head(1)
# raw_df[['region_jp','region_en','prefecture_jp','prefecture_en','pop']].head(3)


# %%

### 1: Map population (2021)

# set a defulat template
pio.templates.default = 'plotly_dark'

### 1-1: population by prefecture
        
df = raw_df.copy()

fig = px.choropleth(
    df,
    locations='id',
    geojson=japan_prefectures,
    color='pop',
    hover_name='prefecture_jp',
    hover_data=['pop_male', 'pop_female'],
    height=600,
    labels=dict(
                prefecture_jp='都道府県', 
                pop='人口',
                pop_male='男性',
                pop_female='女性',
                ),    
    title="px.choropleth(...): 都道府県別人口 (2021年度)",
)

fig.update_geos(fitbounds='locations', visible=False)

fig.show()  


# %%

### 1-2: population ratio ages over 65 by prefecture
        
df = raw_df.copy()

fig = px.choropleth(
    df,
    locations='id',
    geojson=japan_prefectures,
    color='pop_over65_ratio',
    hover_name='prefecture_jp',
    hover_data=['pop_male', 'pop_female'],
    height=600,    
    labels=dict(
                pop_male='男性',
                pop_female='女性',    
                prefecture_jp='都道府県', 
                pop_over65_ratio='高齢化率(%)',   
                ),    
    title="px.choropleth(color='pop_over65_ratio'): 高齢化率(%) 65歳以上",
)

fig.update_geos(fitbounds='locations', visible=False)

fig.show() 


# %% 

### 1-3: population ratio ages over 75 by prefecture
        
df = raw_df.copy()

fig = px.choropleth(
    df,
    locations='id',
    geojson=japan_prefectures,
    color='pop_over75_ratio',
    hover_name='prefecture_jp',
    hover_data=['pop_male', 'pop_female'],
    height=600, 
    labels=dict(
                pop_male='男性',
                pop_female='女性',     
                prefecture_jp='都道府県', 
                pop_over75_ratio='高齢化率(%)',   
                ),    
    title="px.choropleth(color='pop_over75_ratio'): 高齢化率(%) 75歳以上",
)

fig.update_geos(fitbounds='locations', visible=False)

fig.show()


# %%

### 2: sunburst chart 

### 2-1: population by region, prefecture
df = raw_df.copy()

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop',           
        hover_name='prefecture_jp',
        color='pop',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_sum='総人口',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(path=['region_jp','prefecture_jp']): 都道府県別人口"
)

fig.show() 


# %%

### 2-2: population ages over 65 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over65',           
        hover_name='prefecture_jp',
        color='pop_over65',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over65='高齢者',
            pop_sum='総人口',
            pop_over65_sum='高齢者',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over65'): 高齢者人口 (65歳以上)"
)

fig.show() 



# %%

### 2-3: population ages over 75 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over75',           
        hover_name='prefecture_jp',
        color='pop_over75',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over75='高齢者',
            pop_sum='総人口',
            pop_over75_sum='高齢者',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over75'): 高齢者人口 (75歳以上)"
)

fig.show() 


# %%

### 2-4: population ratio ages over 65

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over65_ratio',           
        hover_name='prefecture_jp',
        color='pop_over65_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over65_ratio='高齢化率',
            pop_sum='総人口',
            pop_over65_ratio_sum='高齢化率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over65_ratio'): 高齢化率 (65歳以上)"
)

fig.show() 


# %%

### 2-5: population ratio ages over 75

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_over75_ratio',           
        hover_name='prefecture_jp',
        color='pop_over75_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_over75_ratio='高齢化率',
            pop_sum='総人口',
            pop_over75_ratio_sum='高齢化率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_over75_ratio'): 高齢化率 (75歳以上)"
)

fig.show() 


# %%

### 2-6: population ratio ages under 15 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_under15_ratio',           
        hover_name='prefecture_jp',
        color='pop_under15_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_under15_ratio='少子化率',
            pop_sum='総人口',
            pop_under15_ratio_sum='少子化率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_under15_ratio'): 少子化率(15歳未満)"
)

fig.show()


# %%

### 2-7: population ratio adult (15~64) 

fig = px.sunburst(df, 
        path=['region_jp','prefecture_jp'],
        values='pop_adult_ratio',           
        hover_name='prefecture_jp',
        color='pop_adult_ratio',
        height=600,
        labels=dict(
            labels='都道府県',
            parent='地方',
            pop='人口', 
            pop_adult_ratio='就業人口率',
            pop_sum='総人口',
            pop_adult_ratio_sum='就業人口率',
            prefecture_jp='都道府県',
            region_en='地域'
        ),            
        title="px.sunburst(values='pop_adult_ratio'): 就業人口率(15~64歳)"
)

fig.show()


# %%

### 3: pie chart

### 3-0: japan

df = raw_df.copy()
df['region'] = 'Japan'
# Group the "df" DataFrame by "region", 
# summing the 'pop_under15', 'pop_adult', 'pop_over65' columns, and reset the index
grp_df = df.groupby('region')[['pop_under15', 'pop_adult', 'pop_over65']].sum().reset_index()

melted_df = pd.melt(grp_df, 
                    id_vars=['region'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
# melted_df

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',    
        height=600,    
        labels=dict(
            category='分類',
            value='人口'
        ),
        title="px.pie(names='category', values='value'): 全国 (人口構成)"                   
)

fig.show()


# %%

### 3-0-1: add a holl and annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',        
        hole=0.4,
        height=600,         
        labels=dict(
            category='分類',
            value='人口'    
        ),
        title='px.pie(hole=0.4): 全国 (人口構成)'                    
)

fig.update_layout(
    annotations=[dict(text='全国', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-0-2: add a pull 

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            category='分類',
            value='人口'       
        ),
        title='px.pie() + update_traces(pull=[0, 0, 0.2]): 全国 (人口構成)'                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='全国', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-0-3: sunburst()

df = raw_df.copy()

df['region'] = 'Japan'

# Group the "df" DataFrame by "region", 
# summing the 'pop_under15', 'pop_adult', 'pop_over65', 'pop_over75' columns, and reset the index
grp_df = df.groupby('region')[['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75']].sum().reset_index()

melted_df = pd.melt(grp_df, 
                    id_vars=['region'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))
# melted_df

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
melted2_df['region'] = '全国'
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'
# melted2_df

fig = px.sunburst(melted2_df, 
        path=['region', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
        labels='ラベル',    
        value='人口',
        parent='65歳以上',
        category='分類'
        ),       
        title="px.sunburst(path=['region', 'category', 'sub_category']): 全国 (人口構成)"                  
)

fig.show()


# %%

### 3-1: Tokyo

df = raw_df.copy()
df = df.query("prefecture_en == 'Tokyo'")
# df
melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
# melted_df

### 3-1-1: add a holl + pull + annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'    
        ),
        title="px.pie(names='category', values='value'): 東京都 (人口構成)"                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='東京都', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-1-2: sunburst()

df = raw_df.copy()
df = df.query("prefecture_en == 'Tokyo'")
# df
melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))
melted_df

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'
melted2_df

fig = px.sunburst(melted2_df, 
        path=['prefecture_jp', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),                  
        title="px.sunburst(path=['prefecture_jp', 'category', 'sub_category']): 東京都 (人口構成)"                  
)

fig.show()


# %%

### 3-2: Akita

df = raw_df.copy()
df = df.query("prefecture_en == 'Akita'")
# df
melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))

### 3-2-1: add a holl + pull + annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'    
        ),
        title="px.pie(names='category', values='value'): 秋田県 (人口構成)"                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='秋田県', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-2-2: sunburst()

df = raw_df.copy()
df = df.query("prefecture_en == 'Akita'")
# df
melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))
melted_df

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'
melted2_df

fig = px.sunburst(melted2_df, 
        path=['prefecture_jp', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),                  
        title="px.sunburst(path=['prefecture_jp', 'category', 'sub_category']): 秋田県 (人口構成)"                  
)

fig.show()


# %%

### 3-3: okinawa
df = raw_df.copy()
df = df.query("prefecture_en == 'Okinawa'")
# df
melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))

### 3-3-1: add a hole + pull + annotations

fig = px.pie(melted_df, 
        names='category', 
        values='value',
        color='category',
        hole=0.4,
        height=600,        
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),
        title="px.pie(names='category', values='value'): 沖縄県 (人口構成)"                    
)

fig.update_traces(
    pull=[0, 0, 0.2]
)

fig.update_layout(
    annotations=[dict(text='沖縄県', x=0.50, y=0.5, font_size=20, showarrow=False)]          
)

fig.show()


# %%

### 3-3-2: sunburst()

df = raw_df.copy()
df = df.query("prefecture_en == 'Okinawa'")
df

melted_df = pd.melt(df, 
                    id_vars=['prefecture_jp'], 
                    value_vars=['pop_under15', 'pop_adult', 'pop_over65', 'pop_over75'], 
                    var_name='category', 
                    value_name='value')

melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_under15','15歳未満'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_adult','15歳~64歳'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over65','65歳以上'))
melted_df['category'] = melted_df['category'].apply(lambda x: x.replace('pop_over75','75歳以上'))
melted_df

melted2_df = melted_df.copy()
melted2_df['sub_category'] = melted2_df['category']
category = melted2_df.columns.get_loc('category')
sub_category = melted2_df.columns.get_loc('sub_category')
melted2_df.iloc[0, sub_category] = None
melted2_df.iloc[1, sub_category] = None
melted2_df.iloc[2, sub_category] = '65歳~74歳'
melted2_df.iloc[3, category] = '65歳以上'
melted2_df

fig = px.sunburst(melted2_df, 
        path=['prefecture_jp', 'category', 'sub_category'], 
        values='value',
        color='category',
        height=600,
        labels=dict(
            labels='ラベル',    
            value='人口',
            parent='65歳以上',
            category='分類'
        ),                  
        title="px.sunburst(path=['prefecture_jp', 'category', 'sub_category']): 沖縄県 (人口構成)"                  
)

fig.show()


# %%

### 4: bar chart

### 4-1: declining birth rate top 10 (under 15)

df = raw_df.copy()
df = df.nsmallest(10, 'pop_under15_ratio')
df.reset_index(inplace=True)
df['rank'] = df.index+1

df[['prefecture_jp','pop_under15_ratio','pop_under15','pop']]

fig = px.bar(df, 
        x='pop_under15_ratio', y='prefecture_jp',
        color='prefecture_jp',
        text='pop_under15_ratio',
        orientation='h',   
        height=600,
        labels=dict(
            pop_under15_ratio='少子化率(15歳未満)', 
            prefecture_jp='都道府県'
        ),
        title="px.bar(x='pop_under15_ratio', y='prefecture_jp'): 少子化率(%) 上位10"   
)

fig.show()


# %% 
 
### 4-2: aging rate top 10 (over 65)

df = raw_df.copy()
df = df.nlargest(10, 'pop_over65_ratio')
df.reset_index(inplace=True)
df['rank'] = df.index+1

df[['prefecture_jp','pop_over65_ratio','pop_over65','pop']]

fig = px.bar(df, 
        x='pop_over65_ratio', y='prefecture_jp',
        color='prefecture_jp',
        text='pop_over65_ratio',
        orientation='h',   
        height=600,        
        labels=dict(
            pop_over65_ratio='高齢化率(65歳以上)', 
            prefecture_jp='都道府県'
        ),
        title="px.bar(x='pop_over65_ratio', y='prefecture_jp'): 高齢化率(%) 上位10"   
)

fig.show()


# %%

### 4-3: aging rate top 10 (over 75)

df = raw_df.copy()
df = df.nlargest(10, 'pop_over75_ratio')
df.reset_index(inplace=True)
df['rank'] = df.index+1

df[['prefecture_jp','pop_over75_ratio','pop_over75','pop']]

fig = px.bar(df, 
        x='pop_over75_ratio', y='prefecture_jp',
        color='prefecture_jp',
        text='pop_over75_ratio',
        orientation='h',  
        height=600,          
        labels=dict(
            pop_over75_ratio='高齢化率(75歳以上)', 
            prefecture_jp='都道府県'
        ),
        title="px.bar(x='pop_over75_ratio', y='prefecture_jp'): 高齢化率(%) 上位10"   
)

fig.show()

# %%

Go Top

Python {Article152}