Citat:
Jag var uttråkad en måndagskväll som denna, så jag scrape:ade namninsamlingen och skrev ett script. Kom fram till följande demografi:
Datan är tvättad så gott som det gick, de vanligaste mans- och kvinnonamnen (internationellt, nationellt, nyfödda, stavningsvariationer samt dubbelnamn = 91.8% täckning) användes för att sortera kön.
Yrken har relativt svagt underlag då det är svårt att dela upp distinkta yrkeskategorier genom algoritmer/manuell sortering.
Kod:
Könsfördelning:
╔═════════╦═══════╦═════════╗
║ Kön ║ Antal ║ Procent ║
╠═════════╬═══════╬═════════╣
║ Män ║ 1125 ║ 19.98% ║
║ Kvinnor ║ 4045 ║ 71.85% ║
║ Okänt ║ 460 ║ 8.17% ║
╚═════════╩═══════╩═════════╝
Yrkesfördelning samtliga:
╔═══════╦════════════════╦═════════╗
║ Plats ║ Yrke ║ Procent ║
╠═══════╬════════════════╬═════════╣
║ 1 ║ Lärare ║ 14.58% ║
║ 2 ║ Student ║ 7.37% ║
║ 3 ║ Pensionär ║ 7.12% ║
║ 4 ║ Pedagog ║ 3.52% ║
║ 5 ║ Socionom ║ 3.09% ║
║ 6 ║ Psykolog ║ 2.79% ║
║ 7 ║ Sjuksköterska ║ 2.47% ║
║ 8 ║ Läkare ║ 2.42% ║
║ 9 ║ Undersköterska ║ 1.40% ║
║ 10 ║ God man ║ 1.39% ║
║ xx ║ ÖVRIGT ║ 53.85% ║
╚═══════╩════════════════╩═════════╝
Yrkesfördelning män:
╔═══════╦═══════════════╦═════════╗
║ Plats ║ Yrke ║ Procent ║
╠═══════╬═══════════════╬═════════╣
║ 1 ║ Lärare ║ 11.09% ║
║ 2 ║ Pensionär ║ 10.33% ║
║ 3 ║ Student ║ 9.08% ║
║ 4 ║ Läkare ║ 3.25% ║
║ 5 ║ Psykolog ║ 2.49% ║
║ 6 ║ Civilingenjör ║ 2.10% ║
║ 7 ║ Musiker ║ 1.82% ║
║ 8 ║ Professor ║ 1.43% ║
║ 9 ║ Pedagog ║ 1.34% ║
║ 10 ║ God man ║ 1.34% ║
║ xx ║ ÖVRIGT ║ 55.73% ║
╚═══════╩═══════════════╩═════════╝
Yrkesfördelning kvinnor:
╔═══════╦════════════════╦═════════╗
║ Plats ║ Yrke ║ Procent ║
╠═══════╬════════════════╬═════════╣
║ 1 ║ Lärare ║ 16.65% ║
║ 2 ║ Student ║ 7.37% ║
║ 3 ║ Pensionär ║ 6.69% ║
║ 4 ║ Pedagog ║ 4.58% ║
║ 5 ║ Socionom ║ 3.92% ║
║ 6 ║ Sjuksköterska ║ 3.03% ║
║ 7 ║ Psykolog ║ 3.03% ║
║ 8 ║ Läkare ║ 2.38% ║
║ 9 ║ Undersköterska ║ 1.78% ║
║ 10 ║ Förskollärare ║ 1.46% ║
║ xx ║ ÖVRIGT ║ 49.11% ║
╚═══════╩════════════════╩═════════╝
Datan är tvättad så gott som det gick, de vanligaste mans- och kvinnonamnen (internationellt, nationellt, nyfödda, stavningsvariationer samt dubbelnamn = 91.8% täckning) användes för att sortera kön.
Yrken har relativt svagt underlag då det är svårt att dela upp distinkta yrkeskategorier genom algoritmer/manuell sortering.
Snyggt jobbat och föga förvånande resultat.