{"id":1041,"date":"2023-06-21T18:18:34","date_gmt":"2023-06-21T18:18:34","guid":{"rendered":"https:\/\/javierladino.com\/es\/?post_type=rara-portfolio&p=1041"},"modified":"2026-05-23T13:20:06","modified_gmt":"2026-05-23T13:20:06","slug":"explorando-los-nombres-sin-genero-en-los-nacimientos-de-nantes-2001-2022","status":"publish","type":"rara-portfolio","link":"https:\/\/javierladino.com\/es\/portfolio\/explorando-los-nombres-sin-genero-en-los-nacimientos-de-nantes-2001-2022\/","title":{"rendered":"Explorando los nombres sin g\u00e9nero en los nacimientos de Nantes (2001-2022)"},"content":{"rendered":"\n

En los \u00faltimos a\u00f1os, la elecci\u00f3n de nombres sin g\u00e9nero se ha vuelto cada vez m\u00e1s com\u00fan en diferentes culturas. Estos nombres permiten desafiar las convenciones tradicionales y promover la igualdad de g\u00e9nero. En esta publicaci\u00f3n, exploraremos los nombres sin g\u00e9nero utilizados en los nacimientos de la ciudad de Nantes, en Francia, desde el a\u00f1o 2001 hasta el 2022. Analizaremos una base de datos de data.nantesmetropole.fr<\/a> que contiene los nombres de ni\u00f1os y ni\u00f1as nacidos en ese periodo, identificando aquellos nombres que no tienen una asignaci\u00f3n espec\u00edfica de g\u00e9nero. Acomp\u00e1\u00f1anos en este recorrido por la diversidad de nombres y descubre qu\u00e9 nombres sin g\u00e9nero han sido populares en Nantes durante m\u00e1s de dos d\u00e9cadas.<\/p>\n\n\n\n

An\u00e1lisis ETL:<\/strong><\/p>\n\n\n\n

Utilizando una base de datos que recopila informaci\u00f3n sobre los nombres de los reci\u00e9n nacidos en Nantes, creamos un ETL(Extract, Transform, Load) en Python para analizar y visualizar los datos presentados en formato .CSV, donde a partir de la librer\u00eda Pandas capturamos la informaci\u00f3n inicial que nos presenta el conjunto: Tipos y cantidad de variables, n\u00famero de registros del dataset y revisi\u00f3n de datos faltantes.<\/p>\n\n\n\n

Utilizaremos las bibliotecas pandas, matplotlib y plotly para realizar el an\u00e1lisis y la visualizaci\u00f3n de datos. Aseg\u00farate de tener instaladas estas bibliotecas antes de ejecutar el c\u00f3digo. Puedes instalarlas utilizando el administrador de paquetes pip. Por ejemplo, ejecuta pip install pandas matplotlib plotly<\/code> en tu entorno para instalarlas.<\/p>\n\n\n\n

import pandas as pd\nimport matplotlib.pyplot as plt\nimport plotly.express as px\n\n# Extracci\u00f3n de datos\ndata = pd.read_csv('nantes_prenoms.csv')<\/code><\/pre>\n\n\n\n
Exploraci\u00f3n inicial del conjunto de datos:<\/strong><\/p>\n\n\n\n
Despu\u00e9s de importar los datos, extraemos su informaci\u00f3n b\u00e1sica con Pandas: conteo de registros, # de columnas y tipos de variable.<\/p>\n\n\n\n
data.info()\n<class 'pandas.core.frame.DataFrame'>\nRangeIndex: 6037 entries, 0 to 6036\nData columns (total 6 columns):\n #   Column                  Non-Null Count  Dtype \n---  ------                  --------------  ----- \n 0   Commune concern\u00e9e       6037 non-null   object\n 1   Code INSEE              6037 non-null   int64 \n 2   Sexe relatif au pr\u00e9nom  6037 non-null   object\n 3   Pr\u00e9nom                  6037 non-null   object\n 4   Nombre d'occurrences    6037 non-null   int64 \n 5   Ann\u00e9e                   6037 non-null   int64 \ndtypes: int64(3), object(3)\nmemory usage: 283.1+ KB\nNone<\/code><\/pre>\n\n\n\n
Renombramos las columnas a utilizar para eliminar acentos, espacios y unificar el uso de may\u00fasculas y min\u00fasculas:<\/p>\n\n\n\n
# Transformaci\u00f3n de datos\ndata = data.rename(columns={'Sexe relatif au pr\u00e9nom':'sexe','Pr\u00e9nom':'prenom',\"Nombre d'occurrences\":'naissances', 'Ann\u00e9e':'annee'})<\/code><\/pre>\n\n\n\n
Validamos si el dataframe contiene datos nulos:<\/p>\n\n\n\n
data.isnull().sum()\nCommune concern\u00e9e    0\nCode INSEE           0\nsexe                 0\nprenom               0\nnaissances           0\nannee                0\ndtype: int64<\/code><\/pre>\n\n\n\n
Descubriendo los nombres sin g\u00e9nero en Nantes:<\/strong><\/p>\n\n\n\n
A lo largo de los a\u00f1os, hemos observado una creciente tendencia hacia la elecci\u00f3n de nombres sin g\u00e9nero en Nantes. Desde el a\u00f1o 2001 hasta el 2022, se han registrado varios nombres que no est\u00e1n asociados de manera exclusiva con un g\u00e9nero espec\u00edfico. Algunos de estos nombres sin g\u00e9nero han ganado popularidad y se han convertido en opciones populares para padres y madres que desean que sus hijos tengan una identidad de g\u00e9nero no binaria.<\/p>\n\n\n\n
Mediante el agrupamiento, filtros y conteos finales, hemos identificado los nombres que tienen una asignaci\u00f3n de g\u00e9nero femenina y masculina. Podemos presumir que estos nombres son elegidos por padres y madres que buscan romper con las normas tradicionales y permitir que sus hijos elijan libremente su identidad de g\u00e9nero en el futuro.<\/p>\n\n\n\n
# An\u00e1lisis y visualizaci\u00f3n de datos\n\n# Filtrar nombres sin g\u00e9nero (aparecen tanto en sexo masculino como femenino)\nnames_without_gender = data.groupby('nombre').filter(lambda x: x['Sexo'].nunique() == 2)\n\n# Contar ocurrencias de nombres sin g\u00e9nero\nnames_count = names_without_gender.groupby('nombre')['Nacimientos'].sum().reset_index()\n\n# Gr\u00e1fico de barras de nombres sin g\u00e9nero\nfig_names_without_gender = px.bar(names_count, x='nombre', y='Nacimientos', title='Nombres Sin G\u00e9nero Utilizados')\nfig_names_without_gender.update_layout(xaxis_title='Nombres', yaxis_title='Cantidad de Nacimientos')\nfig_names_without_gender.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
En este c\u00f3digo, primero leemos el archivo CSV y almacenamos los datos en el dataframe data<\/code>. Luego, filtramos los nombres que aparecen tanto en sexo masculino como femenino utilizando la funci\u00f3n groupby()<\/code> junto con filter()<\/code>. A continuaci\u00f3n, contamos las ocurrencias de cada nombre sin g\u00e9nero utilizando groupby()<\/code> y sum()<\/code>. Por \u00faltimo, creamos un gr\u00e1fico de barras utilizando px.bar()<\/code> de Plotly Express, donde el eje x muestra los nombres y el eje y muestra la cantidad de nacimientos asociados a cada nombre. Cada barra tiene un color \u00fanico para facilitar la identificaci\u00f3n y destacar la diversidad de nombres sin g\u00e9nero utilizados en la ciudad.<\/p>\n\n\n
\"\"<\/figure>\n\n\n
# Nombres utilizados en ambos sexos<\/strong>\ncommon_names_both_genders2 = data.groupby('prenom')['sexe'].nunique()\ncommon_names_both_genders2 = common_names_both_genders2[common_names_both_genders2 == 2].index\ncommon_names_both_genders2\n9 resultados: ['Alix', 'Camille', 'Charlie', 'Eden', 'Lou', 'Louison', 'Noa', 'Sasha', 'Swann']<\/strong><\/pre>\n\n\n\n
Cumpliendo nuestro objetivo inicial de obtener los 9 nombres m\u00e1s comunes utilizados para ambos sexos en Nantes, podemos retomar la exploraci\u00f3n del dataframe y solucionar algunas preguntas b\u00e1sicas que nos ayuden a realizar su an\u00e1lisis.<\/p>\n\n\n\n
Cu\u00e1l es el total de registros ? <\/strong>
El dataframe cuenta con 6037 registros de nacimiento entre el 2001 y el 2022.<\/p>\n\n\n\n
data.shape\n(6037, 6)<\/code><\/pre>\n\n\n\n
Cu\u00e1ntos nombres \u00fanicos existen ?<\/strong> 
El dataframe cuenta con 731 nombres \u00fanicos utilizados.<\/p>\n\n\n\n
data['prenom'].nunique()\n731<\/code><\/pre>\n\n\n\n
Si quieres ver el listado completo ejecuta:<\/p>\n\n\n\n
data['prenom'].unique()<\/code><\/pre>\n\n\n\n
Visualizamos con Plotly la cantidad de nombres \u00fanicos por a\u00f1o, siendo el 2003 el m\u00e1s bajo con 183 nacimientos y el 2022 (a\u00f1o en pandemia) con 316 nacimientos.<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Cu\u00e1l es la distribuci\u00f3n total por g\u00e9nero ?<\/strong><\/p>\n\n\n\n
Entre el a\u00f1o 2001 y 2022, nacieron m\u00e1s ni\u00f1os (3110) que ni\u00f1as (2927) en la ciudad de Nantes.<\/p>\n\n\n\n
data['sexe'].value_counts()\nM    3110\nF    2927\nName: sexe, dtype: int64<\/code><\/pre>\n\n\n\n
Podemos generar como visualizaci\u00f3n una gr\u00e1fica de pie:<\/p>\n\n\n\n
gender_distribution = data['sexe'].value_counts()\nfig_gender = px.pie(names=gender_distribution.index, values=gender_distribution.values, title='Distribuci\u00f3n de g\u00e9nero de los ni\u00f1os')\nfig_gender.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Visualizar la distribuci\u00f3n de sexo por cada a\u00f1o<\/strong>:<\/p>\n\n\n\n
fig_gender_year = px.histogram(data, x='annee', color='sexe', text_auto=True, title='R\u00e9partition des sexes par ann\u00e9e')\nfig_gender_year.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Cu\u00e1les son los nombres m\u00e1s utilizados del conjunto de datos ?<\/strong><\/p>\n\n\n\n
De los 731 nombres \u00fanicos presentes en el dataframe, filtramos los 10 primeros lugares seg\u00fan la cantidad de nacimientos. Tambi\u00e9n los visualizamos seg\u00fan su g\u00e9nero para nuestro objetivo principal de identificar los nombres no binarios, resaltando \u00abCamille\u00bb, nombre sin genero ubicado en el segundo lugar del ranking con 1147 registros despu\u00e9s de \u00abLouise\u00bb, nombre femenino que ocupa el primer lugar con 1158 registros.<\/p>\n\n\n\n
# Agrupar por nombre y sexo y contar la cantidad de ocurrencias\nnames_count = data.groupby(['prenom', 'sexe'])['naissances'].sum().reset_index()\n\n# Filtrar solo los nombres m\u00e1s utilizados\ntop_names = names_count.groupby('prenom')['naissances'].sum().nlargest(10).index\n\n# Filtrar los datos solo para los nombres m\u00e1s utilizados\ntop_names_data = names_count[names_count['prenom'].isin(top_names)]\n\tprenom\tsexe\tnaissances\n80\tArthur\tM\t1143\n121\tCamille\tF\t890\n122\tCamille\tM\t257\n211\tEmma\tF\t1102\n281\tHugo\tM\t1024\n327\tJules\tM\t1037\n402\tLouis\tM\t1104\n404\tLouise\tF\t1158\n415\tLucas\tM\t1122\n436\tL\u00e9o\tM\t977\n452\tManon\tF\t975\n\n# Gr\u00e1fico de barras diferenciado por color seg\u00fan el sexo\nfig_top_names = px.bar(top_names_data, x='prenom', y='naissances', color='sexe', text_auto=True, title='Pr\u00e9noms les plus utilis\u00e9s (diff\u00e9renci\u00e9s par sexe)')\nfig_top_names.update_layout(xaxis_title='Pr\u00e9noms', yaxis_title='Nombre de naissances')\nfig_top_names.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Cu\u00e1les son los nombres m\u00e1s utilizados por cada a\u00f1o ?<\/strong><\/p>\n\n\n\n
Podemos visualizar el nombre que ocupa la primera posici\u00f3n para cada a\u00f1o del dataframe, donde \u00abCamille\u00bb domina su presencia en 6 a\u00f1os diferentes, seguido por \u00abCharlie\u00bb (5 a\u00f1os), \u00abLouison\u00bb (4 a\u00f1os) y \u00abNoa\u00bb (3 a\u00f1os).<\/p>\n\n\n\n
popular_names = data.groupby('annee')['prenom'].agg(lambda x: x.value_counts().index[0])\nfig_popular_names = px.bar(x=popular_names.index, y=popular_names.values,  text_auto=True, color=popular_names, color_continuous_scale = 'viridis', title='Pr\u00e9nom le plus populaire par an')\nfig_popular_names.show()<\/code><\/pre>\n\n\n\n
\"\"<\/figure>\n\n\n\n
 Porcentaje de nombres con g\u00e9nero a lo largo del tiempo <\/strong><\/p>\n\n\n\n
Mediante un gr\u00e1fico de barras apiladas mostramos el porcentaje de nombres por g\u00e9nero a lo largo del tiempo, utilizando el color azul para el g\u00e9nero masculino \u00abM\u00bb y el color naranja para el g\u00e9nero femenino \u00abF\u00bb:<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Enlace a la visualizaci\u00f3n interactiva en Plotly<\/a><\/p>\n\n\n\n
En este c\u00f3digo, despu\u00e9s de calcular el porcentaje de nombres de pila por g\u00e9nero y a\u00f1o, asignamos colores a los g\u00e9neros utilizando la asignaci\u00f3n de colores. A continuaci\u00f3n, creamos un gr\u00e1fico de barras apiladas utilizando go.Bar() de Plotly Graph Objects. Iteramos sobre los g\u00e9neros y a\u00f1adimos una barra para cada g\u00e9nero con diferentes colores. Por \u00faltimo, actualizamos el dise\u00f1o del gr\u00e1fico con un t\u00edtulo, los t\u00edtulos de los ejes y mostramos el gr\u00e1fico generado por Plotly.<\/p>\n\n\n\n
Ejecuta el c\u00f3digo y podr\u00e1s interactuar con el gr\u00e1fico de barras apiladas que muestra el porcentaje de nombres de pila por g\u00e9nero a lo largo del tiempo.<\/p>\n\n\n\n
# Calculer le pourcentage de pr\u00e9noms par sexe et par ann\u00e9e\npercentage_data = data.groupby(['annee', 'sexe']).size() \/ data.groupby('annee').size() * 100\npercentage_data = percentage_data.reset_index(name='percentage')\n\n# Attribuer des couleurs aux sexes\ncolor_map = {'M': 'blue', 'F': 'orange'}\npercentage_data['Color'] = percentage_data['sexe'].map(color_map)\n\n# Cr\u00e9er un diagramme \u00e0 barres empil\u00e9es du pourcentage de pr\u00e9noms par sexe au fil du temps\n\nfig = go.Figure()\n\nfor sexe in ['M', 'F']:\n    fig.add_trace(go.Bar(\n        x=percentage_data[percentage_data['sexe'] == sexe]['annee'],\n        y=percentage_data[percentage_data['sexe'] == sexe]['pourcentage'],\n        name=sexe,\n        marker_color=color_map[sexe]\n    ))\n\nfig.update_layout(\n    title='Pourcentage de noms de piles par sexe \u00e0 Nantes',\n    xaxis_title='Ann\u00e9e',\n    yaxis_title='Pourcentage',\n    barmode='stack'\n)\nfig.show()<\/code><\/pre>\n\n\n\n
Tendencia de nombres sin g\u00e9nero para los pr\u00f3ximos a\u00f1os<\/strong><\/p>\n\n\n\n
Gracias al comentario de Line Ton That<\/a>, donde se preguntaba por el impacto de Camille<\/strong> en todo esto, si su nombre ya no estar\u00eda tan de moda en los pr\u00f3ximos a\u00f1os, o si veremos la misma tendencia en los nombres sin g\u00e9nero : utilic\u00e9 la biblioteca scikit-learn (sklearn) para calcular la tendencia de los nombres que aparecen en ambos sexos en funci\u00f3n del n\u00famero total de nacimientos por nombre y a\u00f1o. Luego, visualiza la tendencia de estos nombres utilizando un gr\u00e1fico de barras con la biblioteca Plotly Express (px).<\/p>\n\n\n\n
\"\"<\/figure>\n\n\n\n
Enlace a la visualizaci\u00f3n interactiva en Plotly<\/a><\/p>\n\n\n\n
Aqu\u00ed se explica el flujo de ejecuci\u00f3n del c\u00f3digo paso a paso:<\/p>\n\n\n\n
from sklearn.linear_model import LinearRegression\n\n# Filtrar los nombres que aparecen en ambos sexos\nboth_sex_names = data.groupby('prenom').filter(lambda x: len(x['sexe'].unique()) == 2)\n\n# Calcular el n\u00famero total de nacimientos por nombre y a\u00f1o\nnacimientos_por_nombre_y_a\u00f1o = both_sex_names.groupby(['prenom', 'annee'])['naissances'].sum().reset_index()\n\n# Paso 3: An\u00e1lisis y visualizaci\u00f3n de datos\n\n# Crear un DataFrame con las tendencias futuras\ntendencias_futuras = pd.DataFrame(columns=['prenom', 'tendencia'])\n\n# Calcular la tendencia para cada nombre\nfor nombre in both_sex_names['prenom'].unique():\n    nombre_data = nacimientos_por_nombre_y_a\u00f1o[nacimientos_por_nombre_y_a\u00f1o['prenom'] == nombre]\n    \n    # Utilizar regresi\u00f3n lineal para calcular la tendencia\n    X = nombre_data['annee'].values.reshape(-1, 1)\n    y = nombre_data['naissances'].values\n    model = LinearRegression()\n    model.fit(X, y)\n    tendencia = model.coef_[0]\n    \n    tendencias_futuras = tendencias_futuras.append({'prenom': nombre, 'tendencia': tendencia}, ignore_index=True)\n\n# Ordenar los nombres por tendencia descendente\ntendencias_futuras = tendencias_futuras.sort_values(by='tendencia', ascending=False)\n\n# Visualizar la tendencia de los nombres que utilizan ambos g\u00e9neros\nfig = px.bar(tendencias_futuras, x='prenom', y='tendencia', labels={'tendencia': 'Tendencia'},\n             title='Tendencia de Nombres que Utilizan Ambos G\u00e9neros en los Pr\u00f3ximos A\u00f1os')\nfig.update_layout(xaxis_title='Nombre', yaxis_title='Tendencia')\nfig.show()<\/code><\/pre>\n\n\n\n
En resumen, este c\u00f3digo filtra los nombres que aparecen en ambos sexos, calcula la tendencia utilizando la regresi\u00f3n lineal y visualiza la tendencia de los nombres utilizando un gr\u00e1fico de barras. Esto permite obtener informaci\u00f3n sobre los nombres que tienen una tendencia creciente o decreciente en t\u00e9rminos de su popularidad a lo largo de los a\u00f1os.<\/p>\n\n\n\n
Luego de realizar la regresi\u00f3n lineal observamos una tendencia decreciente del nombre \u00abCamille\u00bb<\/strong> para los pr\u00f3ximos a\u00f1os, y un aumento del nombre \u00abCharlie\u00bb <\/strong>frente a los otros nombres sin g\u00e9nero.<\/p>\n\n\n\n
Conclusi\u00f3n<\/strong>:<\/p>\n\n\n\n
El an\u00e1lisis de los nombres sin g\u00e9nero utilizados en los nacimientos de Nantes nos muestra la evoluci\u00f3n y aceptaci\u00f3n de la diversidad de g\u00e9nero en la sociedad. Padres y madres est\u00e1n optando por nombres que no est\u00e1n restringidos a una \u00fanica identidad de g\u00e9nero, brindando a sus hijos la libertad de explorar y definir su propia identidad en el futuro. Esta tendencia refleja una mayor apertura y aceptaci\u00f3n hacia la diversidad en la sociedad, as\u00ed como el deseo de fomentar la igualdad de g\u00e9nero desde el inicio de la vida.<\/p>\n\n\n\n
Resulta interesante, que al comparar los nombres m\u00e1s populares por a\u00f1o, est\u00e9n presentes 5 de los 9 nombres sin g\u00e9nero encontrados al inicio de la exploraci\u00f3n (Camille, Charlie, Louison, Noa y Sasha<\/strong>). Esto determina la firme decisi\u00f3n que tomaron sus padres al nombrar a sus hijos e hijas de una manera no binaria, sea por tendencia o un fen\u00f3meno adaptativo para las nuevas generaciones.<\/p>\n\n\n\n
Seguramente estos resultados cambiar\u00e1n seg\u00fan los datos de la ciudad y el pa\u00eds, de manera que si algui\u00e9n quisiera compartir sus resultados para compararlos con los de Nantes, no dude en ponerse en contacto para seguir aprendiendo de manera colaborativa.<\/p>\n\n\n\n
Referencias:<\/strong><\/p>\n\n\n\n
    \n
  1. Donn\u00e9es sur les naissances \u00e0 Nantes (2001-2022) : Source des donn\u00e9es : Open Data Nantes M\u00e9tropole<\/a><\/li>\n\n\n\n
  2. Plotly Express: (https:\/\/plotly.com\/python\/plotly-express<\/a><\/li>\n\n\n\n
  3. Photo Rene Asmussen de Pexels<\/a><\/li>\n<\/ol>\n","protected":false},"excerpt":{"rendered":"
    En los \u00faltimos a\u00f1os, la elecci\u00f3n de nombres sin g\u00e9nero se ha vuelto cada vez m\u00e1s com\u00fan en diferentes culturas. Estos nombres permiten desafiar las convenciones tradicionales y promover la igualdad de g\u00e9nero. En esta publicaci\u00f3n, exploraremos los nombres sin g\u00e9nero utilizados en los nacimientos de la ciudad de Nantes, en Francia, desde el a\u00f1o … <\/p>\n","protected":false},"author":1,"featured_media":1047,"comment_status":"open","ping_status":"closed","template":"","meta":{"ngg_post_thumbnail":0},"rara_portfolio_categories":[27],"class_list":["post-1041","rara-portfolio","type-rara-portfolio","status-publish","has-post-thumbnail","hentry","rara_portfolio_categories-dataviz"],"_links":{"self":[{"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/rara-portfolio\/1041","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/rara-portfolio"}],"about":[{"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/types\/rara-portfolio"}],"author":[{"embeddable":true,"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/comments?post=1041"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/media\/1047"}],"wp:attachment":[{"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/media?parent=1041"}],"wp:term":[{"taxonomy":"rara_portfolio_categories","embeddable":true,"href":"https:\/\/javierladino.com\/es\/wp-json\/wp\/v2\/rara_portfolio_categories?post=1041"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}