ch5

5.md

 # 五、表格
 
+> 原文：[Tables](https://github.com/data-8/textbook/tree/gh-pages/chapters/05)
+
+> 译者：[飞龙](https://github.com/wizardforcel)
+
+> 协议：[CC BY-NC-SA 4.0](http://creativecommons.org/licenses/by-nc-sa/4.0/)
+
+> 自豪地采用[谷歌翻译](https://translate.google.cn/)
+
+
 表格是表示数据集的基本对象类型。 表格可以用两种方式查看：
 
 +   具名列的序列，每列都描述数据集中所有条目的一个方面，或者
@@ -321,7 +330,7 @@ minard.drop('Longitude', 'Latitude', 'Direction')
 | Orscha | 20000 | 13.79% |
 | Moiodexno | 12000 | 8.28% |
 
-`select `和`drop`都不修改原始表格。 相反，他们创建了共享相同数据的新小型表格。 保留的原始表格是实用的！ 您可以生成多个不同的表格，只考虑某些列，而不用担心会互相影响。
+`select `和`drop`都不修改原始表格。 相反，他们创建了共享相同数据的新小型表格。 保留的原始表格是实用的！ 你可以生成多个不同的表格，只考虑某些列，而不用担心会互相影响。
 
 ```
 minard
@@ -737,7 +746,7 @@ nba.where('TEAM', 'Denver Nuggets')
 
 ### 多个属性
 
-通过重复使用`where`，您可以访问具有多个指定特征的行。 例如，这是一种方法，提取薪水超过一千五百万美元的所有控球后卫。
+通过重复使用`where`，你可以访问具有多个指定特征的行。 例如，这是一种方法，提取薪水超过一千五百万美元的所有控球后卫。
 
 ```py
 nba.where('POSITION', 'PG').where('SALARY', are.above(15))
@@ -1229,3 +1238,104 @@ array([  0,   1,   2,   3,   4,   5,   6,   7,   8,   9,  10,  11,  12,
         91,  92,  93,  94,  95,  96,  97,  98,  99, 100])
 ```
 
+对于任何特定年龄，我们都可以通过将女性人数除以男性人数，获的女性：男性性别比例。 为了一步完成它，我们可以使用列来提取女性数量的数组，和相应的男性数量的数组，然后简单地将一个数组除以另一个数组。 逐元素相除将为所有年份创建性别比例的数组。
+
+```py
+ratios = Table().with_columns(
+    'AGE', females.column('AGE'),
+    '2014 F:M RATIO', females.column('2014')/males.column('2014')
+)
+ratios
+```
+
+
+| AGE | 2014 F:M RATIO |
+| --- | --- |
+| 0 | 0.955019 |
+| 1 | 0.956884 |
+| 2 | 0.956672 |
+| 3 | 0.955058 |
+| 4 | 0.959248 |
+| 5 | 0.959998 |
+| 6 | 0.959172 |
+| 7 | 0.957445 |
+| 8 | 0.957099 |
+| 9 | 0.958511 |
+
+（省略了 91 行）
+
+从输出中可以看出，九岁以下儿童的比例都在 0.96 左右。 当男女比例小于 1 时，女性比男性少。 因此，我们所看到的是，在 0~9 岁的年龄段中，女孩比男孩少。此外，在每个年龄中，每 100 个男孩大约对应 96 个女孩。
+
+那么人口中女性的整体比例为什么高于男性呢？
+
+当我们检查年龄的另一端时，会发现一些非同寻常的事情。 以下是 75 岁以上的男女比例。
+
+```py
+ratios.where('AGE', are.above(75)).show()
+```
+
+
+| AGE | 2014 F:M RATIO |
+| --- | --- |
+| 76 | 1.23487 |
+| 77 | 1.25797 |
+| 78 | 1.28244 |
+| 79 | 1.31627 |
+| 80 | 1.34138 |
+| 81 | 1.37967 |
+| 82 | 1.41932 |
+| 83 | 1.46552 |
+| 84 | 1.52048 |
+| 85 | 1.5756 |
+| 86 | 1.65096 |
+| 87 | 1.72172 |
+| 88 | 1.81223 |
+| 89 | 1.91837 |
+| 90 | 2.01263 |
+| 91 | 2.09488 |
+| 92 | 2.2299 |
+| 93 | 2.33359 |
+| 94 | 2.52285 |
+| 95 | 2.67253 |
+| 96 | 2.87998 |
+| 97 | 3.09104 |
+| 98 | 3.41826 |
+| 99 | 3.63278 |
+| 100 | 4.25966 |
+
+不仅所有这些比例大于 1，在所有这些年龄段中，女性比男性多，其中许多比例大于 1。
+
++   在 89 岁和 90 岁中，比例接近 2，这意味着 2014 年这些年龄的女性约为男性的两倍。
++   在 98 岁和 99 岁中，女性约为男性的 3.5 至 4 倍。
+
+如果你想知道有多少高龄的人，你可以使用 Python 来发现：
+
+```py
+males.where('AGE', are.between(98, 100))
+```
+
+| SEX | AGE | 2014 |
+| --- | --- | --- |
+| 1 | 98 | 13518 |
+| 1 | 99 | 8951 |
+
+```
+females.where('AGE', are.between(98, 100))
+```
+
+| SEX | AGE | 2014 |
+| --- | --- | --- |
+| 2 | 98 | 46208 |
+| 2 | 99 | 32517 |
+
+下图展示了年龄相关的性别比率。 蓝色曲线显示 2014 年的比例与年龄。
+
+从 0 岁到 60 岁，这个比例差不多是 1（表示男性和女性差不多相等），但从 65 岁开始，比例开始急剧上升（女性多于男性）。
+
+美国女性人数多于男性，部分原因是老年妇女的显着的性别不平衡。
+
+```py
+ratios.plot('AGE')
+```
+
+![](img/5-1.png)