In [1]:

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline

In [2]:

df1 = pd.read_excel('data/mp2011.xlsx') #population in Moutain region in 2011
df1 = df1.set_index('age')
df1

Out[2]:

	male_m	female_m
age
00-04	102314	99825
05 -- 09	117662	117591
10 -- 14	121934	121729
15-19	93061	100093
20-24	61507	78811
25-29	55099	66047
30-34	45378	54371
35-39	44887	51227
40-44	41656	46001
45-49	38556	39807
50-54	35511	34837
55-59	29530	27519
60-64	26327	29466
65-69	19141	19999
70-74	13859	14847
75-79	8655	8986
80-84	4854	5087
85-89	1942	1941
90-94	519	635
95+	200	381

In [3]:

group=np.arange(1,21)
bar_width=0.3
fig,ax = plt.subplots(figsize = [8,6])
ax.bar(group, df1['male_m'],bar_width, facecolor='pink', edgecolor='k',label='Male')
ax.bar(group+bar_width, df1['female_m'],bar_width, facecolor='orange', edgecolor='k',label='Female')
plt.xlabel('Age')
ax.set_xticks(group+bar_width/2)
ax.set_xticklabels(df1.index)
ax.set_ylabel('Population')
ax.tick_params(axis='x', rotation= 45)
plt.title('Population in Himalay region in 2011')
plt.savefig("image/himal.png", dpi = 600) # dpi dot per inch
plt.legend()
plt.show()

In [4]:

df2 = pd.read_excel('data/hp2011.xlsx')#population in Hill region in 2011
df2 = df2.set_index('age')
df2

Out[4]:

	male_h	female_h
age
00-04	540032	509291
05 -- 09	657185	634246
10 -- 14	742164	729226
15-19	632209	682581
20-24	464312	600570
25-29	389744	510156
30-34	324358	410277
35-39	300292	371696
40-44	277900	320467
45-49	240867	266272
50-54	222600	229230
55-59	177381	179586
60-64	154254	172310
65-69	118494	125661
70-74	87716	91604
75-79	58420	61765
80-84	32382	35651
85-89	14056	14920
90-94	4293	5706
95+	1408	2725

In [5]:

fig,ax = plt.subplots(figsize = [8,6])
ax.bar(group, df2['male_h'],bar_width, facecolor='c', edgecolor='k',label='Male')
ax.bar(group+bar_width, df2['female_h'],bar_width, facecolor='y', edgecolor='k',label='Female')
plt.xlabel('Age')
ax.set_xticks(group+bar_width/2)
ax.set_xticklabels(df1.index)
ax.set_ylabel('Population')
ax.tick_params(axis='x', rotation= 45)
plt.title('Population in Hill region in 2011')
plt.savefig("image/Hill.png", dpi = 600) # dpi dot per inch
plt.legend()
plt.show()

In [6]:

df3 = pd.read_excel('data/tp2011.xlsx') #population in Tarai region in 2011
df3 = df3.set_index('age')
df3

Out[6]:

	male_t	female_t
age
00-04	672611	643890
05 -- 09	860329	817846
10 -- 14	900532	859839
15-19	717921	706115
20-24	518162	634709
25-29	472400	585908
30-34	400841	500080
35-39	395021	441196
40-44	340734	359363
45-49	295678	291779
50-54	247753	235545
55-59	205981	198266
60-64	187870	186600
65-69	140147	131007
70-74	98035	89092
75-79	50283	47026
80-84	25551	25252
85-89	9812	9855
90-94	4128	5054
95+	2593	3901

In [7]:

fig,ax = plt.subplots(figsize = [8,6])
ax.bar(group, df3['male_t'],bar_width, facecolor='b', edgecolor='k',label='Male')
ax.bar(group+bar_width, df3['female_t'],bar_width, facecolor='g', edgecolor='k',label='Female')
plt.xlabel('Age')
ax.set_xticks(group+bar_width/2)
ax.set_xticklabels(df1.index)
ax.set_ylabel('Population')
ax.tick_params(axis='x', rotation= 45)
plt.title('Population in Tarai region in 2011')
plt.savefig("image/Tarai.png", dpi = 600) # dpi dot per inch
plt.legend()
plt.show()

In [8]:

frames = [df1, df2, df3]
result1 = pd.concat(frames,axis=0, sort=False)
result1

Out[8]:

	male_m	female_m	male_h	female_h	male_t	female_t
age
00-04	102314.0	99825.0	NaN	NaN	NaN	NaN
05 -- 09	117662.0	117591.0	NaN	NaN	NaN	NaN
10 -- 14	121934.0	121729.0	NaN	NaN	NaN	NaN
15-19	93061.0	100093.0	NaN	NaN	NaN	NaN
20-24	61507.0	78811.0	NaN	NaN	NaN	NaN
25-29	55099.0	66047.0	NaN	NaN	NaN	NaN
30-34	45378.0	54371.0	NaN	NaN	NaN	NaN
35-39	44887.0	51227.0	NaN	NaN	NaN	NaN
40-44	41656.0	46001.0	NaN	NaN	NaN	NaN
45-49	38556.0	39807.0	NaN	NaN	NaN	NaN
50-54	35511.0	34837.0	NaN	NaN	NaN	NaN
55-59	29530.0	27519.0	NaN	NaN	NaN	NaN
60-64	26327.0	29466.0	NaN	NaN	NaN	NaN
65-69	19141.0	19999.0	NaN	NaN	NaN	NaN
70-74	13859.0	14847.0	NaN	NaN	NaN	NaN
75-79	8655.0	8986.0	NaN	NaN	NaN	NaN
80-84	4854.0	5087.0	NaN	NaN	NaN	NaN
85-89	1942.0	1941.0	NaN	NaN	NaN	NaN
90-94	519.0	635.0	NaN	NaN	NaN	NaN
95+	200.0	381.0	NaN	NaN	NaN	NaN
00-04	NaN	NaN	540032.0	509291.0	NaN	NaN
05 -- 09	NaN	NaN	657185.0	634246.0	NaN	NaN
10 -- 14	NaN	NaN	742164.0	729226.0	NaN	NaN
15-19	NaN	NaN	632209.0	682581.0	NaN	NaN
20-24	NaN	NaN	464312.0	600570.0	NaN	NaN
25-29	NaN	NaN	389744.0	510156.0	NaN	NaN
30-34	NaN	NaN	324358.0	410277.0	NaN	NaN
35-39	NaN	NaN	300292.0	371696.0	NaN	NaN
40-44	NaN	NaN	277900.0	320467.0	NaN	NaN
45-49	NaN	NaN	240867.0	266272.0	NaN	NaN
50-54	NaN	NaN	222600.0	229230.0	NaN	NaN
55-59	NaN	NaN	177381.0	179586.0	NaN	NaN
60-64	NaN	NaN	154254.0	172310.0	NaN	NaN
65-69	NaN	NaN	118494.0	125661.0	NaN	NaN
70-74	NaN	NaN	87716.0	91604.0	NaN	NaN
75-79	NaN	NaN	58420.0	61765.0	NaN	NaN
80-84	NaN	NaN	32382.0	35651.0	NaN	NaN
85-89	NaN	NaN	14056.0	14920.0	NaN	NaN
90-94	NaN	NaN	4293.0	5706.0	NaN	NaN
95+	NaN	NaN	1408.0	2725.0	NaN	NaN
00-04	NaN	NaN	NaN	NaN	672611.0	643890.0
05 -- 09	NaN	NaN	NaN	NaN	860329.0	817846.0
10 -- 14	NaN	NaN	NaN	NaN	900532.0	859839.0
15-19	NaN	NaN	NaN	NaN	717921.0	706115.0
20-24	NaN	NaN	NaN	NaN	518162.0	634709.0
25-29	NaN	NaN	NaN	NaN	472400.0	585908.0
30-34	NaN	NaN	NaN	NaN	400841.0	500080.0
35-39	NaN	NaN	NaN	NaN	395021.0	441196.0
40-44	NaN	NaN	NaN	NaN	340734.0	359363.0
45-49	NaN	NaN	NaN	NaN	295678.0	291779.0
50-54	NaN	NaN	NaN	NaN	247753.0	235545.0
55-59	NaN	NaN	NaN	NaN	205981.0	198266.0
60-64	NaN	NaN	NaN	NaN	187870.0	186600.0
65-69	NaN	NaN	NaN	NaN	140147.0	131007.0
70-74	NaN	NaN	NaN	NaN	98035.0	89092.0
75-79	NaN	NaN	NaN	NaN	50283.0	47026.0
80-84	NaN	NaN	NaN	NaN	25551.0	25252.0
85-89	NaN	NaN	NaN	NaN	9812.0	9855.0
90-94	NaN	NaN	NaN	NaN	4128.0	5054.0
95+	NaN	NaN	NaN	NaN	2593.0	3901.0

In [9]:

result2 = pd.concat(frames, axis=1,sort=False)
result2

Out[9]:

	male_m	female_m	male_h	female_h	male_t	female_t
age
00-04	102314	99825	540032	509291	672611	643890
05 -- 09	117662	117591	657185	634246	860329	817846
10 -- 14	121934	121729	742164	729226	900532	859839
15-19	93061	100093	632209	682581	717921	706115
20-24	61507	78811	464312	600570	518162	634709
25-29	55099	66047	389744	510156	472400	585908
30-34	45378	54371	324358	410277	400841	500080
35-39	44887	51227	300292	371696	395021	441196
40-44	41656	46001	277900	320467	340734	359363
45-49	38556	39807	240867	266272	295678	291779
50-54	35511	34837	222600	229230	247753	235545
55-59	29530	27519	177381	179586	205981	198266
60-64	26327	29466	154254	172310	187870	186600
65-69	19141	19999	118494	125661	140147	131007
70-74	13859	14847	87716	91604	98035	89092
75-79	8655	8986	58420	61765	50283	47026
80-84	4854	5087	32382	35651	25551	25252
85-89	1942	1941	14056	14920	9812	9855
90-94	519	635	4293	5706	4128	5054
95+	200	381	1408	2725	2593	3901

In [10]:

result3 = pd.concat(frames, sort=False, join = "inner")
result3

Out[10]:


age
00-04
05 -- 09
10 -- 14
15-19
20-24
25-29
30-34
35-39
40-44
45-49
50-54
55-59
60-64
65-69
70-74
75-79
80-84
85-89
90-94
95+
00-04
05 -- 09
10 -- 14
15-19
20-24
25-29
30-34
35-39
40-44
45-49
50-54
55-59
60-64
65-69
70-74
75-79
80-84
85-89
90-94
95+
00-04
05 -- 09
10 -- 14
15-19
20-24
25-29
30-34
35-39
40-44
45-49
50-54
55-59
60-64
65-69
70-74
75-79
80-84
85-89
90-94
95+

In [11]:

result4 = pd.concat(frames, sort=True, join = "outer")
result4

Out[11]:

	female_h	female_m	female_t	male_h	male_m	male_t
age
00-04	NaN	99825.0	NaN	NaN	102314.0	NaN
05 -- 09	NaN	117591.0	NaN	NaN	117662.0	NaN
10 -- 14	NaN	121729.0	NaN	NaN	121934.0	NaN
15-19	NaN	100093.0	NaN	NaN	93061.0	NaN
20-24	NaN	78811.0	NaN	NaN	61507.0	NaN
25-29	NaN	66047.0	NaN	NaN	55099.0	NaN
30-34	NaN	54371.0	NaN	NaN	45378.0	NaN
35-39	NaN	51227.0	NaN	NaN	44887.0	NaN
40-44	NaN	46001.0	NaN	NaN	41656.0	NaN
45-49	NaN	39807.0	NaN	NaN	38556.0	NaN
50-54	NaN	34837.0	NaN	NaN	35511.0	NaN
55-59	NaN	27519.0	NaN	NaN	29530.0	NaN
60-64	NaN	29466.0	NaN	NaN	26327.0	NaN
65-69	NaN	19999.0	NaN	NaN	19141.0	NaN
70-74	NaN	14847.0	NaN	NaN	13859.0	NaN
75-79	NaN	8986.0	NaN	NaN	8655.0	NaN
80-84	NaN	5087.0	NaN	NaN	4854.0	NaN
85-89	NaN	1941.0	NaN	NaN	1942.0	NaN
90-94	NaN	635.0	NaN	NaN	519.0	NaN
95+	NaN	381.0	NaN	NaN	200.0	NaN
00-04	509291.0	NaN	NaN	540032.0	NaN	NaN
05 -- 09	634246.0	NaN	NaN	657185.0	NaN	NaN
10 -- 14	729226.0	NaN	NaN	742164.0	NaN	NaN
15-19	682581.0	NaN	NaN	632209.0	NaN	NaN
20-24	600570.0	NaN	NaN	464312.0	NaN	NaN
25-29	510156.0	NaN	NaN	389744.0	NaN	NaN
30-34	410277.0	NaN	NaN	324358.0	NaN	NaN
35-39	371696.0	NaN	NaN	300292.0	NaN	NaN
40-44	320467.0	NaN	NaN	277900.0	NaN	NaN
45-49	266272.0	NaN	NaN	240867.0	NaN	NaN
50-54	229230.0	NaN	NaN	222600.0	NaN	NaN
55-59	179586.0	NaN	NaN	177381.0	NaN	NaN
60-64	172310.0	NaN	NaN	154254.0	NaN	NaN
65-69	125661.0	NaN	NaN	118494.0	NaN	NaN
70-74	91604.0	NaN	NaN	87716.0	NaN	NaN
75-79	61765.0	NaN	NaN	58420.0	NaN	NaN
80-84	35651.0	NaN	NaN	32382.0	NaN	NaN
85-89	14920.0	NaN	NaN	14056.0	NaN	NaN
90-94	5706.0	NaN	NaN	4293.0	NaN	NaN
95+	2725.0	NaN	NaN	1408.0	NaN	NaN
00-04	NaN	NaN	643890.0	NaN	NaN	672611.0
05 -- 09	NaN	NaN	817846.0	NaN	NaN	860329.0
10 -- 14	NaN	NaN	859839.0	NaN	NaN	900532.0
15-19	NaN	NaN	706115.0	NaN	NaN	717921.0
20-24	NaN	NaN	634709.0	NaN	NaN	518162.0
25-29	NaN	NaN	585908.0	NaN	NaN	472400.0
30-34	NaN	NaN	500080.0	NaN	NaN	400841.0
35-39	NaN	NaN	441196.0	NaN	NaN	395021.0
40-44	NaN	NaN	359363.0	NaN	NaN	340734.0
45-49	NaN	NaN	291779.0	NaN	NaN	295678.0
50-54	NaN	NaN	235545.0	NaN	NaN	247753.0
55-59	NaN	NaN	198266.0	NaN	NaN	205981.0
60-64	NaN	NaN	186600.0	NaN	NaN	187870.0
65-69	NaN	NaN	131007.0	NaN	NaN	140147.0
70-74	NaN	NaN	89092.0	NaN	NaN	98035.0
75-79	NaN	NaN	47026.0	NaN	NaN	50283.0
80-84	NaN	NaN	25252.0	NaN	NaN	25551.0
85-89	NaN	NaN	9855.0	NaN	NaN	9812.0
90-94	NaN	NaN	5054.0	NaN	NaN	4128.0
95+	NaN	NaN	3901.0	NaN	NaN	2593.0

In [12]:

area=147181 # area of Nepal sq.km
result2['male']=result2['male_m']+result2['male_h']+result2['male_t'] # sum of male
result2['female']=result2['female_m']+result2['female_h']+result2['female_t'] # sum of female
result2['ratio']=result2['male']/result2['female'] # male to female ratio
result2['total']=result2['male']+result2['female']
result2['density(per sq.km)'] = result2['total'].apply(lambda x: x/area) # population density
result2

Out[12]:

	male_m	female_m	male_h	female_h	male_t	female_t	male	female	ratio	total	density(per sq.km)
age
00-04	102314	99825	540032	509291	672611	643890	1314957	1253006	1.049442	2567963	17.447653
05 -- 09	117662	117591	657185	634246	860329	817846	1635176	1569683	1.041724	3204859	21.774951
10 -- 14	121934	121729	742164	729226	900532	859839	1764630	1710794	1.031468	3475424	23.613265
15-19	93061	100093	632209	682581	717921	706115	1443191	1488789	0.969372	2931980	19.920914
20-24	61507	78811	464312	600570	518162	634709	1043981	1314090	0.794452	2358071	16.021572
25-29	55099	66047	389744	510156	472400	585908	917243	1162111	0.789290	2079354	14.127870
30-34	45378	54371	324358	410277	400841	500080	770577	964728	0.798751	1735305	11.790279
35-39	44887	51227	300292	371696	395021	441196	740200	864119	0.856595	1604319	10.900313
40-44	41656	46001	277900	320467	340734	359363	660290	725831	0.909702	1386121	9.417798
45-49	38556	39807	240867	266272	295678	291779	575101	597858	0.961936	1172959	7.969500
50-54	35511	34837	222600	229230	247753	235545	505864	499612	1.012514	1005476	6.831561
55-59	29530	27519	177381	179586	205981	198266	412892	405371	1.018553	818263	5.559570
60-64	26327	29466	154254	172310	187870	186600	368451	388376	0.948697	756827	5.142152
65-69	19141	19999	118494	125661	140147	131007	277782	276667	1.004030	554449	3.767123
70-74	13859	14847	87716	91604	98035	89092	199610	195543	1.020798	395153	2.684810
75-79	8655	8986	58420	61765	50283	47026	117358	117777	0.996442	235135	1.597591
80-84	4854	5087	32382	35651	25551	25252	62787	65990	0.951462	128777	0.874957
85-89	1942	1941	14056	14920	9812	9855	25810	26716	0.966088	52526	0.356880
90-94	519	635	4293	5706	4128	5054	8940	11395	0.784555	20335	0.138163
95+	200	381	1408	2725	2593	3901	4201	7007	0.599543	11208	0.076151

In [19]:

x=result2.total.sum()
x

Out[19]:

26494504

In [13]:

fig,ax = plt.subplots(figsize = [8,6])
ax.bar(group, result2['male'],bar_width, facecolor='g', edgecolor='k',label='Male')
ax.bar(group+bar_width, result2['female'],bar_width, facecolor='r', edgecolor='k',label='Female')
plt.xlabel('Age')
ax.set_xticks(group+bar_width/2)
ax.set_xticklabels(result2.index)
ax.set_ylabel('Population')
ax.tick_params(axis='x', rotation= 45)
plt.title('Population in Nepal in 2011')
plt.savefig("image/Nepal.png", dpi = 600) # dpi dot per inch
plt.legend()
plt.show()

In [21]:

fig,ax = plt.subplots(figsize = [8,6])
ax.bar(group, result2['ratio'],bar_width, facecolor='m', edgecolor='k')
plt.xlabel('Age')
ax.set_xticks(group+bar_width/4)
ax.set_xticklabels(df1.index)
ax.set_ylabel('ratio(male/female)')
ax.tick_params(axis='x', rotation= 45)
plt.title('Population ratio in Nepal in 2011')
plt.savefig("image/ratio.png", dpi = 600) # dpi dot per inch
plt.show()

In [14]:

fig,ax = plt.subplots(figsize = [8,6])
ax.bar(group, result2['density(per sq.km)'],bar_width, facecolor='g', edgecolor='k')
plt.xlabel('Age')
ax.set_xticks(group+bar_width/4)
ax.set_xticklabels(df1.index)
ax.set_ylabel('Population density(per sq.km)')
ax.tick_params(axis='x', rotation= 45)
plt.title('Population density in Nepal in 2011')
plt.savefig("image/Nepald.png", dpi = 600) # dpi dot per inch
plt.show()

In [ ]: