国のオープンデータ(e-Stat)を使って、pythonでデータ分析してみる。男性比率が高い都道府県別ランキングを出力してみた。茨城県・栃木・埼玉と北関東が多い。マイルドヤンキー文化圏？

参考URL
https://qiita.com/Sei123/items/72a6977c363a00b3241a

政府統計の総合窓口（e-Stat 統計で見る日本）のAPIが、email登録だけで使える。
https://www.e-stat.go.jp/api/

アプリケーションIDを発行してもらう。URLはhttp://localhostはダメって書いてあるけど通った！

postmanを使って、APIを叩いてみる。最低限必要なのは、アプリケーションIDと政府統計コードの二種類のみ
0003448231 = 人口推計
http://api.e-stat.go.jp/rest/3.0/app/json/getStatsData?&statsDataId=0003448231&appId=

API仕様
https://www.e-stat.go.jp/api/api-info/e-stat-manual#api_2_3

import requests
import pandas as pd

APP_ID = "自分のアプリID"
API_URL = "http://api.e-stat.go.jp/rest/3.0/app/json/getStatsData"

params = {
    "appId": APP_ID,
    "statsDataId": "0003448231", # 人口推計 
#   "cdArea": "01000,02000", # 都道府県コード
    "cdAreaFrom": "01000", # 都道府県コード(開始)
    "cdAreaTo": "47000", # 都道府県コード(終了)
    "cdCat01": "004", # 人口性比
    "cdCat02": "001", # 総人口
    "cdTime": "1701", # 2022年10月1日現在
    "lang": "J"  # 日本語を指定
}

response = requests.get(API_URL, params=params)
data = response.json()

# 統計データからデータ部取得
values = data['GET_STATS_DATA']['STATISTICAL_DATA']['DATA_INF']['VALUE']
 
# JSONからDataFrameを作成
df = pd.DataFrame(values)

# メタ情報取得(統計データの文字列がコードになっている。その対応表がメタ情報)
meta_info = data['GET_STATS_DATA']['STATISTICAL_DATA']['CLASS_INF']['CLASS_OBJ']

# 統計データのカテゴリ要素をID(数字の羅列)から、意味のある名称に変更する
for class_obj in meta_info:

    # メタ情報の「@id」の先頭に'@'を付与した文字列が、統計データの列名と対応している
    column_name = '@' + class_obj['@id']

    # 統計データの列名を「@code」から「@name」に置換するディクショナリを作成
    id_to_name_dict = {}
    if isinstance(class_obj['CLASS'], list):
        for obj in class_obj['CLASS']:
            id_to_name_dict[obj['@code']] = obj['@name']
    else:
        id_to_name_dict[class_obj['CLASS']['@code']] = class_obj['CLASS']['@name']

    # ディクショナリを用いて、指定した列の要素を置換
    df[column_name] = df[column_name].replace(id_to_name_dict)

# 統計データの列名を変換するためのディクショナリを作成
col_replace_dict = {'@unit': '単位', '$': '値'}
for class_obj in meta_info:
    org_col = '@' + class_obj['@id']
    new_col = class_obj['@name']
    col_replace_dict[org_col] = new_col

# ディクショナリに従って、列名を置換する
new_columns = []
for col in df.columns:
    if col in col_replace_dict:
        new_columns.append(col_replace_dict[col])
    else:
        new_columns.append(col)

df.columns = new_columns
print(df.sort_values('値', ascending=False))

import requests

import pandas as pd

APP_ID = "自分のアプリID"

API_URL = "http://api.e-stat.go.jp/rest/3.0/app/json/getStatsData"

params = {

"appId": APP_ID,

"statsDataId": "0003448231", # 人口推計

# "cdArea": "01000,02000", # 都道府県コード

"cdAreaFrom": "01000", # 都道府県コード(開始)

"cdAreaTo": "47000", # 都道府県コード(終了)

"cdCat01": "004", # 人口性比

"cdCat02": "001", # 総人口

"cdTime": "1701", # 2022年10月1日現在

"lang": "J" # 日本語を指定

}

response = requests.get(API_URL, params=params)

data = response.json()

# 統計データからデータ部取得

values = data['GET_STATS_DATA']['STATISTICAL_DATA']['DATA_INF']['VALUE']

# JSONからDataFrameを作成

df = pd.DataFrame(values)

# メタ情報取得(統計データの文字列がコードになっている。その対応表がメタ情報)

meta_info = data['GET_STATS_DATA']['STATISTICAL_DATA']['CLASS_INF']['CLASS_OBJ']

# 統計データのカテゴリ要素をID(数字の羅列)から、意味のある名称に変更する

for class_obj in meta_info:

# メタ情報の「@id」の先頭に'@'を付与した文字列が、統計データの列名と対応している

column_name = '@' + class_obj['@id']

# 統計データの列名を「@code」から「@name」に置換するディクショナリを作成

id_to_name_dict = {}

if isinstance(class_obj['CLASS'], list):

for obj in class_obj['CLASS']:

id_to_name_dict[obj['@code']] = obj['@name']

else:

id_to_name_dict[class_obj['CLASS']['@code']] = class_obj['CLASS']['@name']

# ディクショナリを用いて、指定した列の要素を置換

df[column_name] = df[column_name].replace(id_to_name_dict)

# 統計データの列名を変換するためのディクショナリを作成

col_replace_dict = {'@unit': '単位', '$': '値'}

for class_obj in meta_info:

org_col = '@' + class_obj['@id']

new_col = class_obj['@name']

col_replace_dict[org_col] = new_col

# ディクショナリに従って、列名を置換する

new_columns = []

for col in df.columns:

if col in col_replace_dict:

new_columns.append(col_replace_dict[col])

else:

new_columns.append(col)

df.columns = new_columns

print(df.sort_values('値', ascending=False))

男性比率が高い都道府県は
茨城県・栃木・埼玉と北関東が多い。マイルドヤンキー文化圏？

男女別・性比人口全国・都道府県時間軸（年月日現在）単位値
7 人口性比総人口茨城県 2022年10月1日現在女性＝100 99.7
8 人口性比総人口栃木県 2022年10月1日現在女性＝100 99.6
22 人口性比総人口愛知県 2022年10月1日現在女性＝100 99.3
10 人口性比総人口埼玉県 2022年10月1日現在女性＝100 98.6
13 人口性比総人口神奈川県 2022年10月1日現在女性＝100 98.4
11 人口性比総人口千葉県 2022年10月1日現在女性＝100 98.2
9 人口性比総人口群馬県 2022年10月1日現在女性＝100 98.0
6 人口性比総人口福島県 2022年10月1日現在女性＝100 97.6
24 人口性比総人口滋賀県 2022年10月1日現在女性＝100 97.4
21 人口性比総人口静岡県 2022年10月1日現在女性＝100 97.3
46 人口性比総人口沖縄県 2022年10月1日現在女性＝100 96.9
18 人口性比総人口山梨県 2022年10月1日現在女性＝100 96.6
12 人口性比総人口東京都 2022年10月1日現在女性＝100 96.4
19 人口性比総人口長野県 2022年10月1日現在女性＝100 95.7
17 人口性比総人口福井県 2022年10月1日現在女性＝100 95.6
23 人口性比総人口三重県 2022年10月1日現在女性＝100 95.6
3 人口性比総人口宮城県 2022年10月1日現在女性＝100 95.2
15 人口性比総人口富山県 2022年10月1日現在女性＝100 94.8
14 人口性比総人口新潟県 2022年10月1日現在女性＝100 94.5
16 人口性比総人口石川県 2022年10月1日現在女性＝100 94.4
20 人口性比総人口岐阜県 2022年10月1日現在女性＝100 94.4
5 人口性比総人口山形県 2022年10月1日現在女性＝100 94.1
33 人口性比総人口広島県 2022年10月1日現在女性＝100 94.1
31 人口性比総人口島根県 2022年10月1日現在女性＝100 93.8
36 人口性比総人口香川県 2022年10月1日現在女性＝100 93.5
2 人口性比総人口岩手県 2022年10月1日現在女性＝100 93.3
32 人口性比総人口岡山県 2022年10月1日現在女性＝100 92.7
30 人口性比総人口鳥取県 2022年10月1日現在女性＝100 91.7
26 人口性比総人口大阪府 2022年10月1日現在女性＝100 91.7
35 人口性比総人口徳島県 2022年10月1日現在女性＝100 91.5
25 人口性比総人口京都府 2022年10月1日現在女性＝100 91.3
34 人口性比総人口山口県 2022年10月1日現在女性＝100 90.6
43 人口性比総人口大分県 2022年10月1日現在女性＝100 90.6
27 人口性比総人口兵庫県 2022年10月1日現在女性＝100 90.5
37 人口性比総人口愛媛県 2022年10月1日現在女性＝100 90.4
40 人口性比総人口佐賀県 2022年10月1日現在女性＝100 90.3
42 人口性比総人口熊本県 2022年10月1日現在女性＝100 90.1
39 人口性比総人口福岡県 2022年10月1日現在女性＝100 90.0
38 人口性比総人口高知県 2022年10月1日現在女性＝100 89.7
45 人口性比総人口鹿児島県 2022年10月1日現在女性＝100 89.5
4 人口性比総人口秋田県 2022年10月1日現在女性＝100 89.5
44 人口性比総人口宮崎県 2022年10月1日現在女性＝100 89.5
0 人口性比総人口北海道 2022年10月1日現在女性＝100 89.4
1 人口性比総人口青森県 2022年10月1日現在女性＝100 89.2
29 人口性比総人口和歌山県 2022年10月1日現在女性＝100 89.2
41 人口性比総人口長崎県 2022年10月1日現在女性＝100 88.9
28 人口性比総人口奈良県 2022年10月1日現在女性＝100 88.9

関連記事