退休计划的人口预测。
pop-projection的Python项目详细描述
弹出投影
退休计划的人口预测，包括：
- 员工（在职和退休人员）
- 他们的配偶
- 他们的孩子们
考虑到第0年年末的此类人口，我们计算出，在接下来的每一年（第1年、第2年、…、第100年，以及在该年年末），幸存、死亡并退出公司（仅限在职人员）和退休（仅限在职人员）的人数。除此之外，新的配偶，新的孩子，和新的活跃分子也产生使用给定的法律。
这些运动的规律是：
- 死亡率定律（死亡率表）
- 退出法则
- 退休定律（事实上这条定律是确定的：在某个年龄退休，例如60岁）
- 婚姻法
- 出生法则
- 置换定律
这些定律（替换定律除外）作为函数或两个元素的元组传递，第一个是函数，第二个是参数列表。这些参数的名称必须存在于数据文件的雇员、配偶或儿童的列的列表中（取决于法律）。见下文）。 如果该法律仅作为函数传递，则函数的签名中使用的参数的名称必须存在于数据文件的雇员、配偶或儿童的列的列表中（取决于法律）。见下文）。
替代法则作为功能被传递。
定律参数
- 退出法则-->；参数名称在员工列列表中。
- 退休法则-->；参数名称在员工列的列表中。
- 婚姻法-->；参数名称在员工列的列表中。
- 出生法则-->；参数名称在配偶列的列表中。
- 置换定律有两个参数：
- 一个DIC，按组存储每年的离职人数（年内退休、辞职或死亡的员工）
- 出发年份
返回法律值
- 辞职法则-->；员工在下一年年底前辞职的可能性。
- 退休法-->；1如果员工将在下一年年底前退休，则为0。
- 婚姻法-->；员工明年年底前结婚的可能性。
- 出生法则-->；配偶（如果是女性）或其妻子在下一年年底前分娩的可能性。
- 替换法则-->；要添加到人口中的员工列表。此列表中的每个员工都是一个DIC，具有关键字：“key”（用于唯一定义员工）、“number”和“data”（与除ID之外的员工列相对应的值列表）。
安装
pip install pop-projection
用法示例
import pop_projection.Effectifs as eff
import pop_projection.Actuariat as act
import pandas as pd
# Define law of retirement
def law_ret1(age, Year_employment):
if Year_employment < 2002:
if age+1 >= 55:
return True
else:
return False
if Year_employment >= 2002:
if age+1 >= 60:
return True
else:
return False
# Define law of reignation
def law_resignation_1(age, sex):
if age+1 >= 50 :
return 0
if sex == 'female':
if age+1 <= 30:
return 0.02
else:
return 0.01
if sex == 'male':
if age+1 <= 30:
return 0.02
else:
return 0.01
# Define law of marriage
def law_mar1(age, sexe, typeAgent):
"""
Return the probability of getting maried during the following year at a given age for a given sex
"""
if sexe == 'male':
if typeAgent=='active':
if age >= 25 and age <= 54:
return 0.095
else :
return 0
else:
return 0
if sexe == 'female':
if typeAgent=='active':
if age >= 25 and age <= 54:
return 0.15
else :
return 0
else:
return 0
# Define law of replacement
def law_replacement1(departures_, year_):
'''
assumes departures_ is a dic storing number of departures by group of the year year_
returns a list of dics having keys : key, number and data
'''
def nouveaux(g_):
structure_nouveaux = {'1':[25,25,0.8],'2':[25,25,0.8],'3':[25,25,0.6],'4':[29,29,0.6],'5':[28,28,0.5,],
'6':[28,28,0.5],'7':[33,33,0.5],'8':[38,38,0.5],'9':[38,38,0.5],'10':[47,47,0.5],'11':[49,49,0.5]}
if str(g_) in structure_nouveaux:
return structure_nouveaux[str(g_)]
else:
return [30, 30, 1.0]
def taux_rempl(y, g_ = '0'):
if y <= 3 :
if str(g_) in ['1','2','3','5','6','7']:
return 0.64
else:
return 1
else:
return 1
new_employees = []
for g in departures_:
# add a male
if nouveaux(g)[2] > 0:
temp = {'key':'male_groupe_' + str(g) + 'year_' + str(year_),
'number':nouveaux(g)[2]*departures_[g]*taux_rempl(year_, g),'data':['active', 'male', 'not married', nouveaux(g)[0], year_,g,'01/01/'+str((2018+year_+1)),'31/12/'+str((2018+year_-nouveaux(g)[0]))]}
new_employees.append(temp)
# add a female
if nouveaux(g)[2] < 1:
temp = {'key':'female_groupe_' + str(g) + 'year_' + str(year_),
'number':(1-nouveaux(g)[2])*departures_[g]*taux_rempl(year_, g),'data':['active', 'female', 'not married', nouveaux(g)[1], year_,g,'01/01/'+str((2018+year_+1)),'31/12/'+str((2018+year_-nouveaux(g)[1]))]}
new_employees.append(temp)
return new_employees
# Path for input data
path ="./pop_projection/data/"
# Number of years to project
MAX_YEARS = 50
# Loading data
employees = pd.read_csv(path + "employees.csv",sep=";", decimal = ",")
spouses = pd.read_csv(path + "spouses.csv",sep=";", decimal = ",")
children = pd.read_csv(path + "children.csv",sep=";", decimal = ",")
# View existing mortality tables
print('Mortality tables : \n',list(act.mortality_tables.keys()))
# Add the 2009 usa table
table_usa_2009 = pd.read_csv("table_usa_2009.csv",sep=";", decimal = ",")
act.add_mortality_table('table_usa_2009', list(table_usa_2009['Lx']))
# Projection of population
numbers_ = eff.simulerEffectif(employees, spouses, children, 'table_usa_2009', MAX_YEARS,
law_retirement_= law_ret1, law_resignation_= law_resignation_1,
law_marriage_= (law_mar1, ['age', 'sex', 'type']), law_replacement_= law_replacement1)
# Global numbers
Effectifs = eff.globalNumbers(numbers_[0], numbers_[1], numbers_[2], MAX_YEARS)
# Print some lines
print(Effectifs.head(10))
# Export Effectifs
Effectifs.to_csv('Effectifs_python.csv', sep = ';', index=False, decimal=',')
#Number of actives leaving population : deaths, resignations, and new retired
Leaving = eff.leavingNumbers(numbers_[0], numbers_[4], MAX_YEARS)
#Print some lines
print(Leaving.head(10))
#Export Leaving
Leaving.to_csv('Sortants_python.csv', sep = ';', index=False, decimal=',')
#export projected employees
pd.DataFrame.from_dict(numbers_[0]).to_csv('employees_proj.csv', sep = ';', index=False, decimal=',')
#export projected spouses
pd.DataFrame.from_dict(numbers_[1]).to_csv('spouses_proj.csv', sep = ';', index=False, decimal=',')
#export projected children
pd.DataFrame.from_dict(numbers_[2]).to_csv('children_proj.csv', sep = ';', index=False, decimal=',')
其他示例：
Plotting Evolution of Ages pyramid over years
欢迎加入QQ群-->： 979659372
