सेंट पीटर्सबर्ग में चुनावों का एक दृश्य प्रतिनिधित्व - आवाज लपेटने का जादू

नमस्ते!

इस (2019) वर्ष के सितंबर में, सेंट पीटर्सबर्ग के गवर्नर का चुनाव आयोजित किया गया था। सभी मतदान डेटा सार्वजनिक रूप से चुनाव आयोग की वेबसाइट पर उपलब्ध हैं, हम कुछ भी नहीं तोड़ेंगे, लेकिन बस इस वेबसाइट www.st-petersburg.vybory.izbirkom.ru से जानकारी की कल्पना करें कि हमें जिस तरह की आवश्यकता है, हम एक बहुत ही सरल विश्लेषण करेंगे और कुछ की पहचान करेंगे "मैजिक" पैटर्न।

आमतौर पर ऐसे कार्यों के लिए मैं Google Colab का उपयोग करता हूं। यह एक ऐसी सेवा है जो आपको ज्यूपिटर नोटबुक चलाने की अनुमति देती है, और मुफ्त में GPU (NVidia Tesla K80) तक पहुँचने के लिए, यह डेटा पार्सिंग और आगे की प्रक्रिया में काफी तेजी लाएगा। आयात करने से पहले मुझे कुछ प्रारंभिक कार्य की आवश्यकता थी।

%%time !apt update !apt upgrade !apt install gdal-bin python-gdal python3-gdal # Install rtree - Geopandas requirment !apt install python3-rtree # Install Geopandas !pip install git+git://github.com/geopandas/geopandas.git # Install descartes - Geopandas requirment !pip install descartes 

आगे आयात करता है।

 import requests from bs4 import BeautifulSoup import numpy as np import pandas as pd import matplotlib.pyplot as plt import geopandas as gpd import xlrd 

प्रयुक्त पुस्तकालयों का विवरण

• अनुरोध - किसी साइट से कनेक्ट करने के लिए अनुरोध के लिए मॉड्यूल

• सुंदरसुपे - HTML और xml दस्तावेज़ पार्स करने के लिए मॉड्यूल; आप सीधे html में किसी भी टैग की सामग्री का उपयोग करने की अनुमति देता है

• numpy - गणितीय कार्यों के मूल और आवश्यक सेट के साथ एक गणितीय मॉड्यूल

• पांडा - डेटा विश्लेषण पुस्तकालय

• matplotlib.pyplot - निर्माण विधियों का मॉड्यूल-सेट

• geopandas - चुनाव मानचित्र बनाने के लिए मॉड्यूल

• xlrd - तालिका फ़ाइलों को पढ़ने के लिए मॉड्यूल

समय आ गया है कि डेटा को स्वयं, पार्सिम एकत्र किया जाए। चुनाव समिति ने हमारे समय का ध्यान रखा और तालिकाओं में रिपोर्टिंग प्रदान की, यह सुविधाजनक है।

 ### Parser list_of_TIKS = [] for i in range (1, 31): list_of_TIKS.append('   №' + str(i)) num_of_voters = [] num_of_voters_voted = [] appearence = [] votes_for_Amosov_percent = [] votes_for_Beglov_percent = [] votes_for_Tikhonova_percent = [] url = "http://www.st-petersburg.vybory.izbirkom.ru/region/region/st-petersburg?action=show&root=1&tvd=27820001217417&vrn=27820001217413&region=78&global=&sub_region=78&prver=0&pronetvd=null&vibid=27820001217417&type=222" response = requests.get(url) page = BeautifulSoup(response.content, "lxml") main_links = page.find_all('a') for TIK in list_of_TIKS: for main_tag in main_links: main_link = main_tag.get('href') if TIK in main_tag: current_TIK = pd.read_html(main_link, encoding='cp1251', header=0)[7] num_of_voters.extend(int(current_TIK.iloc[0,i]) for i in range (len(current_TIK.columns))) num_of_voters_voted.extend(int(current_TIK.iloc[2,i]) + int(current_TIK.iloc[3,i]) for i in range (len(current_TIK.columns))) appearence.extend(round((int(current_TIK.iloc[2,i]) + int(current_TIK.iloc[3,i]))/int(current_TIK.iloc[0,i])*100, 2) for i in range (len(current_TIK.columns))) votes_for_Amosov_percent.extend(round(float(current_TIK.iloc[12,i][-6]+current_TIK.iloc[12,i][-5]+current_TIK.iloc[12,i][-4]+current_TIK.iloc[12,i][-3]+current_TIK.iloc[12,i][-2]),2) for i in range (len(current_TIK.columns))) votes_for_Beglov_percent.extend(round(float(current_TIK.iloc[13,i][-6]+current_TIK.iloc[13,i][-5]+current_TIK.iloc[13,i][-4]+current_TIK.iloc[13,i][-3]+current_TIK.iloc[13,i][-2]),2) for i in range (len(current_TIK.columns))) votes_for_Tikhonova_percent.extend(round(float(current_TIK.iloc[14,i][-6]+current_TIK.iloc[14,i][-5]+current_TIK.iloc[14,i][-4]+current_TIK.iloc[14,i][-3]+current_TIK.iloc[14,i][-2]),2) for i in range (len(current_TIK.columns))) 

तो, यह वही है जो चर्चा की गई थी। Google Colab में डेटा को स्मार्ट तरीके से एकत्र किया जाता है, लेकिन इतना नहीं।

विभिन्न ग्राफ़ और मानचित्र बनाने से पहले, हमारे लिए यह अच्छी तरह से पता होना चाहिए कि हम "डेटासेट" को क्या कहते हैं।

चुनाव आयोग के आंकड़ों का विश्लेषण

सेंट पीटर्सबर्ग शहर में 30 प्रादेशिक आयोग हैं, उनके लिए, 31 वें कॉलम में, हम डिजिटल मतदान केंद्रों का उल्लेख करते हैं।



प्रत्येक क्षेत्रीय आयोग में कई दर्जनों PECs (प्रीइंस्टीट्यूट इलेक्शन कमीशन) होते हैं।



मुख्य बात यह है कि हमारे हित में प्रत्येक मतदान केंद्र पर उपस्थिति है, और हम किस प्रकार की निर्भरता का निरीक्षण कर सकते हैं। मैं निम्नलिखित पर निर्माण करूंगा:

• मतदान की निर्भरता और मतदान केंद्रों की संख्या;
  

• मतदान पर उम्मीदवारों के वोट प्रतिशत पर निर्भरता;
  

• पूर्ववर्ती मतदाताओं की संख्या पर मतदान की निर्भरता।

नंगे डेटा टेबल से यह पता लगाना बहुत मुश्किल है कि चुनाव कैसे हुए और कुछ निष्कर्ष निकाले, इसलिए चार्ट हमारे रास्ते हैं।

हम जो लेकर आए थे, उसका निर्माण करते हैं।

 ### Plots Data #Votes in percent (appearence) - no need in extra computations #Appearence (num of voters) - no need in extera computations #Number of UIKs (appearence) interval = 1 interval_num_of_UIKs = [] for i in range (int(100/interval+1/interval)): interval_num_of_UIKs.append(0) for i in range (0, int(100/interval+1/interval), interval): for j in range (len(appearence)): if appearence[j] < (i + interval/2) and appearence[j] >= (i - interval/2): interval_num_of_UIKs[i] = interval_num_of_UIKs[i] + 1 

 ### Plotting #Number of UIKs (appearence) plt.figure(figsize=(10, 6)) plt.plot(interval_num_of_UIKs) plt.axis([0, 100, 0, 200]) plt.ylabel('Number of UIKs in a 1% range') plt.xlabel('Appearence') plt.show() #Votes in percent (appearence) plt.figure(figsize=(10, 10)) plt.scatter(appearence, votes_for_Amosov_percent, c = 'g', s = 6) plt.scatter(appearence, votes_for_Beglov_percent, c = 'b', s = 6) plt.scatter(appearence, votes_for_Tikhonova_percent, c = 'r', s = 6) plt.ylabel('Votes in % for each candidate') plt.xlabel('Appearence') plt.show() #Appearence (num of voters) plt.figure(figsize=(10, 6)) plt.scatter(num_of_voters, appearence, c = 'y', s = 6) plt.ylabel('Appearence') plt.xlabel('Number of voters registereg in UIK') plt.show() 

मतदान केंद्रों की संख्या और मतदान की निर्भरता



मतदान के दिन उम्मीदवारों के वोट प्रतिशत पर निर्भरता

• "ग्रीन" - अमोसोव के लिए वोट

• "ब्लू" - बेगलोव के लिए

• "रेड" - तिखोनोव के लिए

मतदाताओं की संख्या के आधार पर मतदान में निर्भरता



निर्माण काफी सहनीय हैं, लेकिन काम के दौरान यह पता चला है कि साइट में औसतन 400 लोग और बेगलोव के लिए प्रतिशत 50 से 70 है, लेकिन दो साइटें हैं, जिनमें टर्नआउट> 1200 लोग हैं और 90- -0.2 प्रतिशत हैं। यह दिलचस्प है कि इन क्षेत्रों में ऐसा हुआ। क्या कुछ शानदार आंदोलनकारियों ने काम किया? या सिर्फ 10 लोगों को बस से उतारा और वोट देने के लिए मजबूर किया? एक या दूसरे तरीके से, हम उत्साहित हैं, इस तरह की एक छोटी जांच प्राप्त की जा रही है। लेकिन हमें अभी भी कार्ड बनाना है। चलिए जारी रखते हैं।

दृश्य प्रतिनिधित्व और geopandas के साथ काम करते हैं

 ### Extra data for visualization: appearence and number of voters by municipal districts current_UIK = pd.read_html(url, encoding='cp1251', header=0)[7] num_of_voters_dist = [] num_of_voters_voted_dist = [] appearence_dist = [] for j in [num_of_voters_dist, num_of_voters_voted_dist, appearence_dist]: j.extend(0 for i in range (18)) districts = { '0' : [1], # '1' : [2], # '2' : [18], # '3' : [16, 30], # '4' : [10, 14, 22], # '5' : [11, 17], # '6' : [4, 25], # '7' : [5, 24], # '8' : [23, 29], # '9' : [9, 12, 28], # '10' : [13], # '11' : [15], # '12' : [21], # '13' : [20], # '14' : [19, 27], # '15' : [3, 7], # '16' : [6, 26], # '17' : [8] # } for i in districts.keys(): for k in range (1, 31): if k in districts[i]: num_of_voters_dist[int(i)]= num_of_voters_dist[int(i)] + int(current_UIK.iloc[0,k-1]) num_of_voters_voted_dist[int(i)] = num_of_voters_voted_dist[int(i)] + int(current_UIK.iloc[2,k-1]) + int(current_UIK.iloc[3,k-1]) for i in range (18): appearence_dist[i] = round(num_of_voters_voted_dist[i]/num_of_voters_dist[i]*100, 2) 

 ### GeoDataFrame SPb_shapes= gpd.read_file('./shapes/Administrative_Discrits.shp', encoding='cp1251') temp = pd.DataFrame({' ': num_of_voters_dist, '':appearence_dist }) temp[''] = SPb_shapes[['']] temp['geometry'] = SPb_shapes[['geometry']] SPB_elections_visualization = gpd.GeoDataFrame(temp) 

 ### Colored districts SPB_elections_visualization.plot(column = '', linewidth=0, cmap='plasma', legend=True, figsize=[15,15]) 

उन्होंने शहर के प्रशासनिक जिलों को चित्रित किया और उन पर हस्ताक्षर किए, यह परिचित लग रहा है, यह पीटर जैसा दिखता है, लेकिन नेवा अभी भी पर्याप्त नहीं है।

मतदाताओं की संख्या

 ### Number of voters gradient SPB_elections_visualization.plot(column = ' ', linewidth=0, cmap='plasma', legend=True, figsize=[15,15]) 

दिखावट

 ### Appearence gradient SPB_elections_visualization.plot(column = '', linewidth=0, cmap='plasma', legend=True, figsize=[15,15]) 

निष्कर्ष

आप लंबे समय तक डेटा के साथ मज़े कर सकते हैं, इसे विभिन्न क्षेत्रों में उपयोग कर सकते हैं और निश्चित रूप से, कुछ लाभ प्राप्त कर सकते हैं, इसके लिए वे मौजूद हैं। सरल और परिष्कृत जियोलोकेशन विज़ुअलाइज़ेशन उपकरण महान चीजें कर सकते हैं। टिप्पणियों में अपनी सफलता के बारे में लिखें!