In [3]:
%pylab inline
import pandas as pd
df = pd.read_csv('../datasets/UN.csv')
print('----')
# print the raw column information plus summary header
print(df)
print('----')
# look at the types of each column explicitly
print('Individual columns - Python data types')
[(x, type(df[x][0])) for x in df.columns]
Populating the interactive namespace from numpy and matplotlib
----
country region tfr contraception educationMale \
0 Afghanistan Asia 6.90 NaN NaN
1 Albania Europe 2.60 NaN NaN
2 Algeria Africa 3.81 52 11.1
3 American.Samoa Asia NaN NaN NaN
4 Andorra Europe NaN NaN NaN
5 Angola Africa 6.69 NaN NaN
6 Antigua America NaN 53 NaN
7 Argentina America 2.62 NaN NaN
8 Armenia Europe 1.70 22 NaN
9 Australia Oceania 1.89 76 16.3
10 Austria Europe 1.42 71 14.4
11 Azerbaijan Asia 2.30 17 NaN
12 Bahamas America 1.95 62 12.1
13 Bahrain Asia 2.97 53 12.6
14 Bangladesh Asia 3.14 49 NaN
15 Barbados America 1.73 55 NaN
16 Belarus Europe 1.40 50 NaN
17 Belgium Europe 1.62 79 15.6
18 Belize America 3.66 47 10.6
19 Benin Africa 5.83 16 NaN
20 Bhutan Asia 5.89 19 NaN
21 Bolivia America 4.36 45 NaN
22 Bosnia Europe 1.40 NaN NaN
23 Botswana Africa 4.45 33 10.5
24 Brazil America 2.17 74 NaN
25 Brunei Asia 2.70 NaN 11.8
26 Bulgaria Europe 1.45 NaN 11.8
27 Burkina.Faso Africa 6.57 8 3.3
28 Burundi Africa 6.28 9 5.1
29 Cambodia Asia 4.50 NaN NaN
.. ... ... ... ... ...
177 Swaziland Africa 4.46 20 11.5
178 Sweden Europe 1.80 78 13.9
179 Switzerland Europe 1.46 71 14.5
180 Syria Asia 4.00 36 9.8
181 Tajikistan Asia 3.93 21 NaN
182 Tanzania Africa 5.48 18 NaN
183 Thailand Asia 1.74 74 NaN
184 Togo Africa 6.08 12 NaN
185 Tonga Oceania 4.02 74 NaN
186 Trinidad.and.Tobago America 2.10 53 10.1
187 Tunisia Africa 2.92 60 NaN
188 Turkey Asia 2.50 63 10.6
189 Turkmenistan Asia 3.58 20 NaN
190 Tuvalu Oceania NaN NaN NaN
191 Uganda Africa 7.10 15 NaN
192 Ukraine Europe 1.38 23 NaN
193 United.Arab.Emirates Asia 3.46 NaN 9.8
194 United.Kingdom Europe 1.72 82 16.1
195 United.States America 1.96 71 15.4
196 Uruguay America 2.25 NaN NaN
197 Uzbekistan Asia 3.48 56 NaN
198 Vanuatu Oceania 4.36 15 NaN
199 Venezuela America 2.98 52 10.2
200 Viet.Nam Asia 2.97 65 NaN
201 Virgin.Islands America 3.03 NaN NaN
202 Western.Sahara Africa 3.98 NaN NaN
203 Yemen Asia 7.60 7 NaN
204 Yugoslavia Europe 1.80 NaN NaN
205 Zambia Africa 5.49 25 7.9
206 Zimbabwe Africa 4.68 48 NaN
educationFemale lifeMale lifeFemale infantMortality GDPperCapita \
0 NaN 45.0 46.0 154 2848
1 NaN 68.0 74.0 32 863
2 9.9 67.5 70.3 44 1531
3 NaN 68.0 73.0 11 NaN
4 NaN NaN NaN NaN NaN
5 NaN 44.9 48.1 124 355
6 NaN NaN NaN 24 6966
7 NaN 69.6 76.8 22 8055
8 NaN 67.2 74.0 25 354
9 16.1 75.4 81.2 6 20046
10 14.2 73.7 80.1 6 29006
11 NaN 66.5 74.5 33 321
12 13.2 70.5 77.1 14 12545
13 13.3 71.1 75.3 18 9073
14 NaN 58.1 58.2 78 280
15 NaN 73.6 78.7 9 7173
16 NaN 64.4 74.8 15 994
17 15.4 73.9 80.6 7 26582
18 10.4 73.4 76.1 30 2569
19 NaN 52.4 57.2 84 391
20 NaN 51.6 54.9 104 166
21 NaN 59.8 63.2 66 909
22 NaN 70.5 75.9 13 271
23 10.7 48.9 51.7 56 3640
24 NaN 63.4 71.2 42 4510
25 12.1 73.4 78.1 9 16683
26 12.5 67.8 74.9 16 1518
27 2.0 45.1 47.0 97 165
28 4.0 45.5 48.8 114 205
29 NaN 52.6 55.4 102 130
.. ... ... ... ... ...
177 10.8 57.7 62.3 65 1389
178 14.5 76.2 80.8 5 26253
179 13.5 75.3 81.8 5 42416
180 8.5 66.7 71.2 33 3573
181 NaN 64.2 70.2 56 122
182 NaN 50.0 52.8 80 139
183 NaN 66.3 72.3 30 2896
184 NaN 48.8 51.5 86 322
185 NaN 67.0 71.0 3 1787
186 11.3 71.5 76.2 14 4083
187 NaN 68.4 70.7 37 2030
188 8.7 66.5 71.7 44 2814
189 NaN 61.2 68.0 57 321
190 NaN NaN NaN NaN NaN
191 NaN 40.4 42.3 113 305
192 NaN 63.6 74.0 18 694
193 10.3 73.9 76.5 15 17690
194 16.6 74.5 79.8 6 18913
195 16.2 73.4 80.1 7 26037
196 NaN 69.6 76.1 17 5602
197 NaN 64.3 70.7 43 435
198 NaN 65.5 69.5 38 1289
199 10.7 70.0 75.7 21 3496
200 NaN 64.9 69.6 37 270
201 NaN NaN NaN 12 NaN
202 NaN 59.8 63.1 64 NaN
203 NaN 57.4 58.4 80 732
204 NaN 69.8 75.3 19 1487
205 6.8 42.2 43.7 103 382
206 NaN 47.6 49.4 68 786
economicActivityMale economicActivityFemale illiteracyMale \
0 87.5 7.2 52.800
1 NaN NaN NaN
2 76.4 7.8 26.100
3 58.8 42.4 0.264
4 NaN NaN NaN
5 NaN NaN NaN
6 74.4 56.2 NaN
7 76.2 41.3 3.800
8 65.0 52.0 0.300
9 74.0 53.8 NaN
10 69.5 47.7 NaN
11 NaN NaN 0.300
12 81.2 67.0 1.500
13 88.2 29.2 10.900
14 88.8 55.9 50.600
15 73.4 61.4 2.000
16 76.4 61.3 0.300
17 NaN NaN NaN
18 79.0 34.0 21.252
19 90.0 57.8 51.300
20 NaN NaN 43.800
21 74.1 56.3 9.500
22 NaN NaN NaN
23 75.4 41.7 19.500
24 84.0 53.6 16.700
25 82.2 46.4 7.400
26 60.7 53.8 0.924
27 88.9 79.4 70.500
28 90.1 90.6 50.700
29 77.3 84.7 NaN
.. ... ... ...
177 64.3 27.7 22.000
178 80.0 75.6 NaN
179 78.5 56.8 NaN
180 NaN NaN 14.300
181 75.0 60.0 0.300
182 NaN NaN 20.600
183 83.8 65.2 4.000
184 77.5 50.8 33.000
185 74.2 45.4 0.264
186 75.5 44.9 1.200
187 75.4 20.3 21.400
188 75.9 30.6 8.300
189 78.0 62.0 0.200
190 NaN NaN NaN
191 NaN NaN 26.300
192 69.1 57.1 0.330
193 92.5 24.2 21.100
194 71.9 53.5 NaN
195 74.9 59.3 2.244
196 74.0 46.7 3.100
197 75.0 61.0 0.200
198 88.6 79.3 34.914
199 82.1 41.2 8.200
200 81.6 74.1 3.500
201 72.3 59.5 NaN
202 NaN NaN NaN
203 80.6 1.9 32.406
204 NaN NaN 1.782
205 NaN NaN 14.400
206 77.7 46.7 9.600
illiteracyFemale
0 85.000
1 NaN
2 51.000
3 0.360
4 NaN
5 NaN
6 NaN
7 3.800
8 0.500
9 NaN
10 NaN
11 0.500
12 2.000
13 20.600
14 73.900
15 3.200
16 0.600
17 NaN
18 23.472
19 74.200
20 71.900
21 24.000
22 NaN
23 40.100
24 16.800
25 16.600
26 2.376
27 90.800
28 77.500
29 NaN
.. ...
177 24.400
178 NaN
179 NaN
180 44.200
181 0.400
182 43.200
183 8.400
184 63.000
185 0.504
186 3.000
187 45.400
188 27.600
189 0.400
190 NaN
191 49.800
192 2.160
193 20.200
194 NaN
195 2.232
196 2.300
197 0.400
198 46.368
199 9.700
200 8.800
201 NaN
202 NaN
203 69.552
204 9.072
205 28.700
206 20.100
[207 rows x 14 columns]
----
Individual columns - Python data types
Out[3]:
[('country', str),
('region', str),
('tfr', numpy.float64),
('contraception', numpy.float64),
('educationMale', numpy.float64),
('educationFemale', numpy.float64),
('lifeMale', numpy.float64),
('lifeFemale', numpy.float64),
('infantMortality', numpy.float64),
('GDPperCapita', numpy.float64),
('economicActivityMale', numpy.float64),
('economicActivityFemale', numpy.float64),
('illiteracyMale', numpy.float64),
('illiteracyFemale', numpy.float64)]
In [ ]:
Content source: nickedes/Baby-science
Similar notebooks: