%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
[('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)]
from IPython.core.display import HTML
def css_styling():
styles = open("../styles/custom.css", "r").read()
return HTML(styles)
css_styling()