犯罪統計 男女間における暴力 DV
男女間における暴力に関する調査(H29)
DV認知度
その行為は暴力行為だと回答した人の割合
A、B、C、Eは、どんな場合でも暴力だと回答した人の割合が、男性のほうが多い。これらは「平手で打つ」「足でける」「身体を傷つける可能性のある物でなぐる」「刃物などを突きつけて、おどす」など、実際に体が傷つく可能性のある項目であるのが特徴。
男女間で差が大きい項目については、相手は暴力だと思っているのに自分は暴力だと思っていなくて(やってしまう)、という可能性が出てくるということで、恐ろしいことだ。「大声でどなる」「誰のおかげで生活できるんだ」「避妊に協力しない」
暴力と認識される行為 回答 年代 男女別 %
体に対する暴力についての意識は、全世代で高めではある。ただ、70代、80代はそれでもやや低い傾向があるので、接触するときは注意が必要だ
70代以上の女性の3人に1人は、場合によってはバチーンやったりやられたり、足でけったりけられたりしても、仕方ないやと思っている。でもこれは仕方なくないってなる境目は道具を使うかどうかってことか
この2つの設問も、力でもって言うことを聞かせよう系だから、まぁこんなもんかという感じ
精神的苦痛項目においても、やはり女性の方が意識が高く、男性においては若い世代のほうが高いことが読み取れる。
もう一つ特徴的な点として、いずれの項目においても60代男性で一つ山ができている。このH29年度に60代であった世代というのは「しらけ世代*1」だ。
団塊とバブル、個性の強い世代に挟まれ存在感が薄く、三無主義(無気力・無感動・無関心)などと酷い言われようではあるが、こうしてみると人間力的には前後世代よりよほど優れているのではないか。
そして、親は子を見て育つとはその通りで、しらけ世代の子どもであるゆとり世代(20代、30代)も意識が高い一方、意識の低い団塊世代(70代)の子どもである団塊ジュニア、バブル(40代、50代)も意識が低い。
最後の2つは「だって好きなんだもん」的な心が透けて見えてきもちわるいですね。
レシピ
情報取得元
ツール
*1:クールで穏やか・目立ちたくない・空気を読む・おとなしく覇気がない・何を考えているのかわからない
人口統計 労働力調査
人口統計
労働力調査
年齢階級 性別の別 時代変化
高齢化が進んでいるのが非常によくわかる。女性の労働力は、いわゆるM字の、「産後、いちど仕事を離れて、子育てが落ち着いたら復帰する」傾向は近年見られず、働き続けている様子が見て取れる。高齢世帯の就業率の上昇も興味深い。
レシピ
基本情報
開発環境
情報取得元
ソースコード
事前準備
ライブラリインポート
%matplotlib inline import urllib import urllib.request import json import numpy as np import pandas as pd import japandas as jpd import seaborn as sns import matplotlib import matplotlib.font_manager as fm import matplotlib.pyplot as plt font = {'family':'IPAexGothic'} matplotlib.rc('font', **font) print('Complete.')
人口統計取得
df = jpd.DataReader('0003006361', 'estat', appid=appId)
df.loc[(df['性別'] != '総数') & (df['教育'] != '総数') & (df['年齢階級(詳細集計)'] != '総数') & (df['雇用形態'] == '役員を除く雇用者') & (df['教育'] != 'うち在学中') & (df.index=='2018年7~9月期')]
#2018年 df_2018 = df.loc[(df['性別'] != '総数') & (df['教育'] == '総数') & (df['年齢階級(詳細集計)'] != '総数') & (df['年齢階級(詳細集計)'] != '15~19歳') & (df['年齢階級(詳細集計)'] != '20~24歳') & (df['雇用形態'] == '役員を除く雇用者') & (df['教育'] != 'うち在学中') & (df.index=='2018年7~9月期')] df_2018 = df_2018.assign(intval = df_2018.value.apply(lambda x:int(x))).assign(epoch = df_2018.value.apply(lambda x:int(2018))).set_index(['年齢階級(詳細集計)','性別','epoch']).drop(['value', '地域', '就業状態(詳細集計)', '教育', '表章項目', '雇用形態'], axis=1) #2002年 df_2002 = df.loc[(df['性別'] != '総数') & (df['教育'] == '総数') & (df['年齢階級(詳細集計)'] != '総数') & (df['年齢階級(詳細集計)'] != '15~19歳') & (df['年齢階級(詳細集計)'] != '20~24歳') & (df['雇用形態'] == '役員を除く雇用者') & (df['教育'] != 'うち在学中') & (df.index=='2002年7~9月期')] df_2002 = df_2002.assign(intval = df_2002.value.apply(lambda x:int(x))).assign(epoch = df_2002.value.apply(lambda x:int(2002))).set_index(['年齢階級(詳細集計)','性別','epoch']).drop(['value', '地域', '就業状態(詳細集計)', '教育', '表章項目', '雇用形態'], axis=1) #2010年 df_2010 = df.loc[(df['性別'] != '総数') & (df['教育'] == '総数') & (df['年齢階級(詳細集計)'] != '総数') & (df['年齢階級(詳細集計)'] != '15~19歳') & (df['年齢階級(詳細集計)'] != '20~24歳') & (df['雇用形態'] == '役員を除く雇用者') & (df['教育'] != 'うち在学中') & (df.index=='2010年7~9月期')] df_2010 = df_2010.assign(intval = df_2010.value.apply(lambda x:int(x))).assign(epoch = df_2010.value.apply(lambda x:int(2010))).set_index(['年齢階級(詳細集計)','性別','epoch']).drop(['value', '地域', '就業状態(詳細集計)', '教育', '表章項目', '雇用形態'], axis=1) df_disp = pd.concat([df_2002,df_2010, df_2018]).reset_index() sns.catplot(x='年齢階級(詳細集計)', y="intval", hue='性別',col='epoch', data=df_disp, kind='bar')
犯罪統計 略取誘拐・人身売買 殺人
犯罪統計グラフ
略取誘拐・人身売買
認知件数 年次推移(2006~2016)
2008年を底に増加傾向。2010年が山となっているのは東日本大震災と何か関係があるのか。
殺人
認知件数 年次推移(2006~2016)
右肩下がり、そうか日本は平和になったなぁ
検挙人数 年次推移(2006~2016)成人/少年の別
全体として件数は減っているのだけれど、少年の件数はどうかな?
2016年 殺人の多かった都道府県 トップ11
当たり前だが人口の多いところが件数が多い。大阪府が東京都より多いのは、文化の違いかな。静岡がトップ10入りしているのに底力を感じる
No. | 都道府県名 | 人数 |
---|---|---|
1 | 大阪府 | 110 |
2 | 東京都 | 81 |
3 | 埼玉県 | 66 |
4 | 愛知県 | 60 |
5 | 神奈川県 | 57 |
6 | 福岡県 | 56 |
7 | 千葉県 | 50 |
8 | 兵庫県 | 43 |
9 | 静岡県 | 32 |
10 | 北海道 | 30 |
殺人の多い都道府県 年次推移(2006~2016)
こんな感じだけど、でもとどめをさすときに東京から大阪へ連れて行ってるのかもしれないし。
レシピ
基本情報
開発環境
情報取得元
ソースコード
事前準備
ライブラリインポート
%matplotlib inline import urllib import urllib.request import json import numpy as np import pandas as pd import japandas as jpd import seaborn as sns import matplotlib import matplotlib.font_manager as fm import matplotlib.pyplot as plt font = {'family':'IPAexGothic'} matplotlib.rc('font', **font) print('Complete.')
犯罪統計表取得
dlist = jpd.DataReader("00130001", 'estat', appid=appId)
df = jpd.DataReader('0003191360', 'estat', appid=appId) df['重要犯罪・重要窃盗犯'].unique()
array(['重要犯罪', '重要犯罪_殺人', '重要犯罪_強盗', '重要犯罪_放火', '重要犯罪_強姦',
'重要犯罪_略取誘拐・人身売買', '重要犯罪_強制わいせつ', '重要窃盗犯', '重要窃盗犯_侵入盗',
'重要窃盗犯_侵入盗_住宅対象', '重要窃盗犯_侵入盗_その他', '重要窃盗犯_自動車盗', '重要窃盗犯_ひったくり',
'重要窃盗犯_すり'], dtype=object)
略取誘拐・人身売買 認知件数
df.loc[(df['重要犯罪・重要窃盗犯']=='重要犯罪_略取誘拐・人身売買') & (df['認知・検挙件数・検挙人員']=='認知件数')].plot()
殺人 認知件数
df.loc[(df['重要犯罪・重要窃盗犯']=='重要犯罪_殺人') & (df['認知・検挙件数・検挙人員']=='認知件数')].plot()
殺人 検挙人数 成人/少年別
df_murder = df.loc[(df['重要犯罪・重要窃盗犯']=='重要犯罪_殺人') & ((df['認知・検挙件数・検挙人員']=='検挙人員_うち成人') | (df['認知・検挙件数・検挙人員']=='検挙人員_うち少年'))] sns.lineplot(x=df_murder.index, y="value",hue="認知・検挙件数・検挙人員",data=df_murder)
都道府県別 殺人
df.loc[(df['重要犯罪・重要窃盗犯']=='重要犯罪_殺人') & (df['認知・検挙件数・検挙人員']=='認知件数') & (df['管区警察局'] != '全国') & (df.index == '2016-01-01')].groupby(['管区警察局']).value.sum().sort_values(ascending=False)
都道府県別 殺人 推移
df_murder = df.loc[(df['重要犯罪・重要窃盗犯']=='重要犯罪_殺人') & ((df['管区警察局']=='北海道') | (df['管区警察局']=='千葉県') | (df['管区警察局']=='大阪府') | (df['管区警察局']=='東京都') | (df['管区警察局']=='埼玉県') | (df['管区警察局']=='愛知県') | (df['管区警察局']=='神奈川県') | (df['管区警察局']=='福岡県') | (df['管区警察局']=='兵庫県') | (df['管区警察局']=='静岡県') | (df['管区警察局']=='茨城県'))& (df['認知・検挙件数・検挙人員']=='認知件数')].sort_values(by='value', ascending=False) df_murder.head() sns.lineplot(x=df_murder.index, y="value",hue="管区警察局",data=df_murder)