analiza_zdobyte

In [1]:

import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

from pivot_chart import pivot_chart

In [2]:

sns.set_theme(style="whitegrid")

In [3]:

df_input = pd.read_excel("dane_ankieta.xlsx", header=1)
df_input["licznik"] = 1
df_input["Grupa"] = df_input["czy_instruktor"].replace({"NIE": "Wędrownicy", "TAK": "Instruktorzy"})
# df_input.info()

In [4]:

df_test = df_input[["choragiew", "Grupa"]].value_counts(sort="choragiew").rename("Liczba Odpowiedzi")

df_top5 = pd.pivot_table(pd.DataFrame(df_test), index="choragiew", columns="Grupa", fill_value=0).droplevel(level=0, axis=1).sort_values("Wędrownicy", ascending=False).eval("Suma=`Wędrownicy`+`Instruktorzy`").head(5)
choragiew_top5 = df_top5.index.to_list()

df_input["top_choragiew"] = df_input.choragiew.map(lambda x: x if x in choragiew_top5 else "POZOSTAŁE CHORĄGWIE")
choragiew_top5_order = choragiew_top5 + ["POZOSTAŁE CHORĄGWIE"]

In [5]:

naramiennik_wiek_order = ["14 lat", "15 lat", "16 lat", "17 lat", "18 lat", "19+"]

In [6]:

wstapienie_wiek_order = ['<14 lat', "14 lat", "15 lat", "16 lat", "17 lat", "18 lat", "19+ lat"]

Analiza zdobytych naramienników¶

Poniżej zaprezentowano wykres wieku zdobycia naramiennika wędrowniczego przez wędrowników i instruktorów. Generalnie większość wędrowników zdobywa stopnie w wieku 15 i 16 lat, choć istnieje znacząca grupa zdobywających w wieku 17 lat i więcej. Wśród instruktor z wiadomych względów dominuje odpowiedź 19+, z czego można wysnuć hipotezę, że spora większość instruktorów pierwszy styk z wędrownictwem ma już na etapie bycia instruktorem.

In [7]:

g = sns.catplot(
    data=df_input.dropna(subset=["naramiennik_wiek"], axis=0),
    x="naramiennik_wiek",
    hue="Grupa",
    col="Grupa",
    order=naramiennik_wiek_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
)

g.axes[0, 0].set(title="Instruktorzy", xlabel="wiek", ylabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="wiek")

plt.suptitle("W jakim wieku zdobyłeś naramiennik?", y=1.05)

plt.show()
plt.close()

W przekroju sześciu chorągwi jedynie z trzech można wysnuć jakieś konkretne wnioski ze względu na odpowiednią liczbę odpowiedzi (wędrownicy ze zdobytym naramiennikiem). Na Mazowszu spora większość naramienników jest zdobywana w wieku 15 i 16 lat. W Wielkopolsce jest bardzo podobnie, choć od Mazowsza odróżnia ją brak odpowiedzi dla 17 i 18 roku życia. Natomiast w Małopolsce dominującą odpowiedzią było 17 lat.

In [8]:

sns.set_color_codes("pastel")
g = sns.catplot(
    data=df_input.query("czy_instruktor == 'NIE'").dropna(subset=["naramiennik_wiek"], axis=0),
    x="naramiennik_wiek",
    # hue="czy_instruktor",
    col="top_choragiew",
    order=naramiennik_wiek_order,
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    sharex="row",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", xlabel="wiek", ylabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="wiek")
g.set_titles(col_template="{col_name}")
g.set(xlabel="", ylabel="liczba odpowiedzi")

plt.suptitle("W jakim wieku zdobyłeś naramiennik? - wędrownicy", y=1.05)

plt.show()
plt.close()

Większość naramienników zdobywana jest w drużynie, choć istnieją przypadki zdobywania ich po za drużyną wędrowników – w przypadku instruktorów blisko 1/3 naramienników tak jest zdobywana.

In [9]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'"),
    x="czy_naramiennik_w_druzynie",
    hue="Grupa",
    col="Grupa",
    # row="czy_naramiennik_w_druzynie",
    order=["TAK", "NIE"],
    kind="count",
    stat="count",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
)

g.axes[0, 0].set(title="Instruktorzy", xlabel="", ylabel="Liczba odpowiedzi")
g.axes[0, 1].set(title="Wędrownicy", xlabel="")

plt.suptitle("Czy zdobyłeś naramiennik w drużynie wędrowników?", y=1.05)

plt.show()
plt.close()

In [10]:

wstapienie_wiek_order = ['<14 lat', "14 lat", "15 lat", "16 lat", "17 lat", "18 lat", "19+ lat"]

Przy okazji pytania o wiek zdobycia naramiennika, respondenci odpowiadali na pytanie o wiek wstąpienia do drużyny/patrolu wędrowniczego.

W przypadku czynnych wędrowników wiek wstąpienia dla większości wynosił 15 i 16 lat. Należy odnotować, że grupa 14 i mniej 14 lat jest znacząca i to zjawisko zaczyna pojawiać się. Są też wędrownicy wstępujący do drużyn po 18 roku życia.

Instruktorzy w dużej części wstępują do drużyn wędrowniczych już po 18 roku życia (już jako instruktorzy). Choć istnieje spora grupa, która ma za sobą epizod w drużynie wędrowniczej (wiek wstąpienia 18 i mniej).

In [11]:

g = sns.catplot(
    data=df_input.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    x="wstapienie_wiek",
    hue="czy_instruktor",
    col="czy_instruktor",
    order=wstapienie_wiek_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
)

g.axes[0, 0].set(title="Instruktorzy", xlabel="wiek", ylabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="wiek")

plt.suptitle("W jakim wieku wstąpiłeś do drużyny/patrolu wędrowników?", y=1.05)

plt.show()
plt.close()

Analizując wiek wstąpienia do drużyny/patrolu wędrowniczego względem chorągwi można dostrzeć, że wiek wstąpienia 15 i 16 generalnie dominuje dla wszystkich sześciu przedstawionych chorągwi. Tak samo wszędzie pojawia się wiek 14 lat jako wiek wstąpienia. Jedynie dla Małopolskiej Chorągwi Harcerzy można zaobserwować przesunięcie wieku wstąpienia bardziej w stronę 17 roku życia.

In [12]:

sns.set_color_codes("pastel")
g = sns.catplot(
    data=df_input.query("czy_instruktor == 'NIE'"),
    x="wstapienie_wiek",
    # hue="czy_instruktor",
    col="top_choragiew",
    order=wstapienie_wiek_order,
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    sharex="row",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", xlabel="wiek", ylabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="wiek")
g.set_titles(col_template="{col_name}")
g.set(xlabel="", ylabel="liczba odpowiedzi")

plt.suptitle("W jakim wieku wstąpiłeś do drużyny/patrolu wędrowników? - wędrownicy", y=1.05)

plt.show()
plt.close()

Zestawiając wiek wstąpienia drużyny z wiekiem zdobycia naramiennika, można wysnuć wniosek, że zdobycie naramiennika następuje do około roku po wstąpieniu do drużyny wędrowniczej. Zdarzają się oczywiście przypadki zdobycia tego naramiennika później.

In [13]:

g = sns.catplot(
    data=df_input.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'").query("czy_naramiennik == 'TAK'"),
    x="naramiennik_wiek",
    hue="czy_instruktor",
    col="wstapienie_wiek",
    col_wrap=2,
    col_order=wstapienie_wiek_order,
    order=naramiennik_wiek_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    sharex="row",
    legend_out=True,
)

# g.axes[0, 0].set(title="Instruktorzy", xlabel="wiek", ylabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="wiek")

g.set_ylabels("procent")
g.set_xlabels("wiek zdobycia naramiennika")

g.set_titles(col_template="Wstąpienie w wieku {col_name}")

plt.suptitle("Wiek zdobycia naramiennika względem wieku wstąpienia do drużyny", y=1.01)

g._legend.set_title("")
new_labels = ['Instruktorzy', 'Wędrownicy']
for t, l in zip(g._legend.texts, new_labels):
    t.set_text(l)

plt.show()
plt.close()

In [14]:

naramiennik_stopien_order = [
    'Przed otwarciem Ćwika',
    "Miedzy otwarciem a zamknięciem Ćwika",
    'Między Ćwikiem a otwarciem Harcerza Orlego',
    'Między otwarciem a zamknięciem Harcerza Orlego',
    "Między Harcerzem Orlim a otwarciem Harcerza Rzeczypospolitej",
    "Między otwarciem a zamknięciem Harcerza Rzeczypospolitej",
    'Jako Harcerz Rzeczypospolitej',
]

Następnym analizowanym elementem jest etap harcerski (posiadany stopień) w momencie zdobycia naramiennika wędrowniczego.

Dla wędrowników najczęstszą odpowiedzią jest między otwarcie a zamknięciem ćwika. Chociaż podobna ilość odpowiedzi mieści się w każdej podkategorii w zakresie między “przed otwarciem ćwika”, a “między otwarciem a zamknięciem Harcerza Orlego”. Znaczący odsetek wędrowników zdobyło naramiennik już po otwarciu HO, a nawet po zdobyciu tego stopnia.

W przypadku instruktorów moment zdobycia naramiennika przesuwa się znacząco w okolice zdobywania stopnia HR.

In [15]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="naramiennik_stopien",
    hue="czy_instruktor",
    col="czy_instruktor",
    order=naramiennik_stopien_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
    orient="v",
)

g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

plt.suptitle("Kiedy zdobyłeś naramiennik (według stopni)?", y=1.05)

plt.show()
plt.close()

Przyglądając się odpowiedzi na to pytania ze względu na chorągwie widać, że jednostajny rozkład odpowiedzi jest widoczny dla Mazowieckiej Chorągwi Harcerzy. W Wielkopolsce duża większość zdobyła naramiennik przed stopniem ćwika lub w trakcie jego zdobywania. Natomiast w Małopolsce wędrownicy zdobywają naramiennik w dominujacej większości po zdobyciu ćwika. Natomiast w Pomorskiej Chorągwi Harcerzy dominuje zdobycie naramiennika na etapie zdobywania stopnia Harcerza Orlego.

In [16]:

g = sns.catplot(
    data=df_input.query("Grupa == 'Wędrownicy' and czy_naramiennik == 'TAK'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="naramiennik_stopien",
    # hue="czy_instruktor",
    col="top_choragiew",
    order=naramiennik_stopien_order,
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    orient="v",
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

g.set_titles(col_template="{col_name}")
g.set(ylabel="Etap Harcerski", xlabel="liczba odpowiedzi")

plt.suptitle("Kiedy zdobyłeś naramiennik (według stopni)? - wędrownicy", y=1.05)

plt.show()
plt.close()

In [17]:

test = pd.DataFrame(index=pd.MultiIndex.from_product([naramiennik_wiek_order, naramiennik_stopien_order], names=["naramiennik_wiek", "naramiennik_stopien"]), columns=["Zgodnie"]).fillna(0)
test_pivot = pd.pivot_table(test, index="naramiennik_stopien", columns="naramiennik_wiek", values="Zgodnie")
test_pivot = test_pivot.loc[naramiennik_stopien_order]
test_pivot.loc[:,:] = [
    [1, 1, 0, 0, 0, 0],
    [1, 1, 1, 0, 0, 0],
    [0, 1, 1, 0, 0, 0],
    [0, 1, 1, 1, 0, 0],
    [0, 0, 1, 1, 0, 0],
    [0, 0, 0, 1, 1, 0],
    [0, 0, 0, 0, 1, 1],
]
# test_pivot.replace({1:"Zgodnie", 0: "Niezgodnie"})

In [18]:

zgodnie_df = test_pivot.replace({1:"Zgodnie", 0: "Niezgodnie"}).melt(value_name="Zgodnie", ignore_index=False).reset_index()

In [19]:

import random
random.seed(10)

In [20]:

test_instr = df_input.query("Grupa == 'Instruktorzy' and czy_naramiennik == 'TAK'")[["naramiennik_wiek", "naramiennik_stopien"]].value_counts().rename("Odpowiedzi").reset_index().sort_values(by="naramiennik_wiek")
test_instr = test_instr.sort_values("naramiennik_stopien", key=lambda col: col.apply(lambda x: naramiennik_stopien_order.index(x))).sort_values(by="naramiennik_wiek")
# test_instr

In [21]:

test_wedro = df_input.query("Grupa == 'Wędrownicy' and czy_naramiennik == 'TAK'")[["naramiennik_wiek", "naramiennik_stopien"]].value_counts().rename("Odpowiedzi").reset_index().sort_values(by="naramiennik_wiek")
# test_wedro

In [22]:

matrix_df_instr = pd.merge(
    zgodnie_df,
    test_instr,
    how="right",
    on=["naramiennik_wiek", "naramiennik_stopien"],
)
# matrix_df_instr["naramiennik_stopien"].unique()

In [23]:

matrix_df_wedro = pd.merge(
    test_wedro,
    zgodnie_df,
    how="left",
    on=["naramiennik_wiek", "naramiennik_stopien"],
)
# matrix_df_wedro["naramiennik_stopien"].unique()

In [24]:

# g = sns.relplot(
#     data=matrix_df,
#     x="naramiennik_wiek",
#     y="naramiennik_stopien",
#     size="Odpowiedzi",
#     hue="Zgodnie",
#     size_norm=(0,10),
#     palette=sns.color_palette("blend:#8de5a1,#ff9f9b", 2),
#     color="g",
#     sizes=(20, 400),
#     edgecolor=".7",
#     legend="auto",
# )

# # g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# # g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

# plt.suptitle("Korelacja wieku zdobycia naramiennika z etapem harcerskim", y=1.05)
# plt.xlabel("Wiek zdobycia naramiennika")
# plt.ylabel("Etap harcerski")

# sns.move_legend(g, "center right", bbox_to_anchor=(1.1, .5), labelspacing=0.9, labels=["", "Zgodnie", "Niezgodnie", "", "2", "4", "6", "8", "10"])

# plt.show()
# plt.close()

In [25]:

# g = sns.JointGrid(
#     data=matrix_df_wedro,
#     x="naramiennik_wiek",
#     y="naramiennik_stopien",
    
# )

# # g.plot(sns.scatterplot, sns.histplot)
# g.plot_joint(sns.scatterplot, size=matrix_df_wedro["Odpowiedzi"], hue=matrix_df_wedro["Zgodnie"], palette=sns.color_palette("blend:#8de5a1,#ff9f9b", 2), sizes=(20, 400), edgecolor=".7",)
# g.plot_marginals(sns.histplot, kde=True)

# plt.suptitle("Korelacja wieku zdobycia naramiennika z etapem harcerskim - wędrownicy", y=1.05)
# g.ax_joint.set_xlabel("Wiek zdobycia naramiennika")
# g.ax_joint.set_ylabel("Etap harcerski")

# sns.move_legend(g.ax_joint, "center right", bbox_to_anchor=(1.6, .5), labelspacing=0.9, labels=["", "Zgodnie", "Niezgodnie", "", "2", "4", "6", "8", "10"], frameon=False)

# plt.show()
# plt.close()

Zderzając wiek zdobycia z posiadanym stopniem, można dojść do wniosku, że większość harcerzy z naramiennikami jednak zdobywa stopnie zgodnie z wiekiem. Istnieje jednak zauważalna grupa opóźnionych w stopniach szczególnie na etapie przed otwarciem ćwika (spora grupa 16 i 17 latków).

In [26]:

g = sns.JointGrid(
    data=matrix_df_wedro,
    x="naramiennik_wiek",
    y="naramiennik_stopien",
    
)

# g.plot(sns.scatterplot, sns.histplot)
g.plot_joint(sns.scatterplot, size=matrix_df_wedro["Odpowiedzi"], hue=matrix_df_wedro["Zgodnie"], palette=sns.color_palette("blend:#165110,#B80C09", 2), sizes=(20, 400), edgecolor=".7",)
g.plot_marginals(sns.histplot, weights=matrix_df_wedro["Odpowiedzi"], kde=False, hue=matrix_df_wedro["Zgodnie"], multiple="dodge", shrink=.75, palette=sns.color_palette("blend:#165110,#B80C09", 2))

plt.suptitle("Korelacja wieku zdobycia naramiennika z etapem harcerskim - wędrownicy", y=1.05)
g.ax_joint.set_xlabel("Wiek zdobycia naramiennika")
g.ax_joint.set_ylabel("Etap harcerski")

sns.move_legend(g.ax_joint, "center right", bbox_to_anchor=(1.6, .5), labelspacing=0.9, labels=["", "Zgodnie", "Niezgodnie", "", "2", "4", "6", "8", "10"], frameon=False)

plt.show()
plt.close()

In [29]:

# g = sns.JointGrid(
#     data=matrix_df_instr,
#     x="naramiennik_wiek",
#     y="naramiennik_stopien",
    
# )

# # g.plot(sns.scatterplot, sns.histplot)
# g.plot_joint(sns.scatterplot, size=matrix_df_instr["Odpowiedzi"], hue=matrix_df_instr["Zgodnie"], palette=sns.color_palette("blend:#8de5a1,#ff9f9b", 2), sizes=(20, 400), edgecolor=".7",)
# g.plot_marginals(sns.histplot, weights=matrix_df_instr["Odpowiedzi"], kde=False, hue=matrix_df_instr["Zgodnie"], multiple="dodge", shrink=.75, palette=sns.color_palette("blend:#8de5a1,#ff9f9b", 2))

# plt.suptitle("Korelacja wieku zdobycia naramiennika z etapem harcerskim - instruktorzy", y=1.05)
# g.ax_joint.set_xlabel("Wiek zdobycia naramiennika")
# g.ax_joint.set_ylabel("Etap harcerski")

# sns.move_legend(g.ax_joint, "center right", bbox_to_anchor=(1.6, .5), labelspacing=0.9, labels=["", "Zgodnie", "Niezgodnie", "", "2", "4", "6", "8", "10"], frameon=False)

# plt.show()
# plt.close()

In [30]:

naramiennik_wzor_order = [
    'ZHR OH-y ze składnicy',
    'ZHP',
    'własny/inny',
    'ZHR OH-ek',
]

Następnie respondenci odpowiedzieli jaki wzór naramiennika posiadają. Zdecydowanie dominuje wzór dostępny w składnicach.

Wzór dostępny w składnicach	Wzór ZHP	Wzór Organizacji Harcerek

In [31]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="naramiennik_wzor",
    hue="czy_instruktor",
    col="czy_instruktor",
    order=naramiennik_wzor_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
    orient="v",
)

g.axes[0, 0].set(title="Instruktorzy", ylabel="Wzór naramiennika", xlabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

plt.suptitle("Jaki posiadasz wzór naramiennika?", y=1.05)

plt.show()
plt.close()

Zestawiając chorągwiami odpowiedzi na pytanie o wzór widać duże powiązanie wzoru względem chorągwi. Na Mazowszu bardzo zdecydowanie dominuje wzór składnicowy. W Małopolsce i Wielkopolsce nałatwiej natrafić na wzór “ZHP”. W Pomorskiej chorągwi wszyscy posiadają chorągwiane wzory naramienników.

In [32]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="naramiennik_wzor",
    # hue="czy_instruktor",
    col="top_choragiew",
    order=naramiennik_wzor_order,
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    orient="v",
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

g.set_titles(col_template="{col_name}")
g.set(ylabel="Wzór naramiennika", xlabel="liczba odpowiedzi")

plt.suptitle("Jaki posiadasz wzór naramiennika?", y=1.05)

plt.show()
plt.close()

90 % respondentów posiadających naramienniki realizowała zadania i próbę na naramiennik.

In [33]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="czy_zadania",
    hue="czy_instruktor",
    col="czy_instruktor",
    # order=naramiennik_wzor_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
    orient="v",
)

g.axes[0, 0].set(title="Instruktorzy", ylabel="", xlabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

plt.suptitle("Czy miałeś zadania/próbę na naramiennik?", y=1.05)

plt.show()
plt.close()

Patrząc na odpowiedź na pytanie choragwiami, to jedynie na Pomorzu widać różnice, czyli wszystkie naramienniki tam są nadawane bez próby czy zadań. Chociaż w większych chorągwiach są osoby, które dostały naramiennik bez próby.

In [34]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="czy_zadania",
    # hue="czy_instruktor",
    col="top_choragiew",
    # order=naramiennik_wzor_order,
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    orient="v",
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

g.set_titles(col_template="{col_name}")
g.set(ylabel="", xlabel="liczba odpowiedzi")

plt.suptitle("Czy miałeś zadania/próbę na naramiennik?", y=1.05)

plt.show()
plt.close()

In [35]:

ile_zadan_order = [
    "miałem tylko wyczyn",
    "1 zadanie",
    "2 zadania",
    "3 zadania",
    "ponad 3 zadania",
]

Poniżej zestawiono liczbę odpowiedzi na pytanie o ilość zadań w ramach próby na naramiennik. Dominuje odpowiedź “3 zadania”, ale też znacząca liczba wędroników zdobyła naramiennik realizując więcej niż 3 zadania.

In [36]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="ile_zadań",
    hue="czy_instruktor",
    col="czy_instruktor",
    order=ile_zadan_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
    orient="v",
)

g.axes[0, 0].set(title="Instruktorzy", ylabel="", xlabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

plt.suptitle("Ile miałeś zadań na naramiennik?", y=1.05)

plt.show()
plt.close()

Przyglądając się wynikom z podziałem na chorągwie można dostrzec, że na Mazowszu dominują 3 zadania. W Wielkopolsce połowa prób składa się z trzech zadań, a druga połowa z ponad 3 zadań. Największa różnorodność można zaobserwować w Małopolsce.

In [37]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="ile_zadań",
    # hue="czy_instruktor",
    col="top_choragiew",
    order=ile_zadan_order,
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    orient="v",
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

g.set_titles(col_template="{col_name}")
g.set(ylabel="", xlabel="liczba odpowiedzi")

plt.suptitle("Ile miałeś zadań na naramiennik?", y=1.05)

plt.show()
plt.close()

In [38]:

dlugosc_proby_order = [
    'tydzień',
    '2 tygodnie',
    '3 tygodnie',
    'miesiąc',
    '2 miesiące',
    '3 miesiące',
    '3 - 6 miesięcy',
    'ponad 6 miesięcy',
]

Największa liczba prób zdobytych trwa około miesiąc. Jednak podobna część prób trwa więcej niż miesiąc. Zdarzają się próby krótsze niż miesiąc.

In [39]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="dlugosc_proby",
    hue="czy_instruktor",
    col="czy_instruktor",
    order=dlugosc_proby_order,
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
    orient="v",
)

g.axes[0, 0].set(title="Instruktorzy", ylabel="", xlabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

plt.suptitle("Ile trwała Twoja próba na naramiennik?", y=1.05)

plt.show()
plt.close()

Przyglądając się długości próby na naramiennik ze względu na chorągwie można zauważyć, że to przede wszystkim Mazowsze tworzy wynik, gdzie dominującą odpowiedzią jest miesiąc. W Wielkopolsce wyniki są równomierne w przedziale od miesiąca do pół roku. W Małopolsce próby trwają 3 miesiące i więcej.

In [40]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="dlugosc_proby",
    # hue="czy_instruktor",
    col="top_choragiew",
    order=dlugosc_proby_order,
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    orient="v",
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

g.set_titles(col_template="{col_name}")
g.set(ylabel="", xlabel="liczba odpowiedzi")

plt.suptitle("Ile trwała Twoja próba na naramiennik?", y=1.05)

plt.show()
plt.close()

Większość wędrowników nie miała wyczynu lub próby końcowej w ramach zdobywania naramiennika. Około 30 % respondentów miała próbę końcową.

In [41]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="czy_wyczyn",
    hue="czy_instruktor",
    col="czy_instruktor",
    order=["TAK", "NIE"],
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
    orient="v",
)

g.axes[0, 0].set(title="Instruktorzy", ylabel="", xlabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

plt.suptitle("Czy miałeś wyczyn/próbę końcową?", y=1.05)

plt.show()
plt.close()

W większych choragwiach nie ma prób końcowych, to zjawisko jest bardziej widoczne w mniejszych chorągwiach.

In [42]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="czy_wyczyn",
    # hue="czy_instruktor",
    col="top_choragiew",
    order=["TAK", "NIE"],
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    orient="v",
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

g.set_titles(col_template="{col_name}")
g.set(ylabel="", xlabel="liczba odpowiedzi")

plt.suptitle("Czy miałeś wyczyn/próbę końcową?", y=1.05)

plt.show()
plt.close()

Znacząca większość respondentów odpowiedziała, że próby na naramiennik ukończyła w terminie.

In [43]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="czy_w_terminie",
    hue="czy_instruktor",
    col="czy_instruktor",
    # order=["TAK", "NIE"],
    kind="count",
    stat="percent",
    # palette="pastel6",
    palette=sns.color_palette("blend:#FFC30F,#165110", 2),
    legend=False,
    orient="v",
)

g.axes[0, 0].set(title="Instruktorzy", ylabel="", xlabel="procent")
g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

plt.suptitle("Czy udało Ci się zamknąć próbę w terminie?", y=1.05)

plt.show()
plt.close()

Odpowiedzi na pytanie “Czy udało Ci się zamknąć próbę w terminie?” we wszystkich chorągwiach mają bardzo podobny rozkład. Znacząca większość zamknęła próby w terminie.

In [44]:

g = sns.catplot(
    data=df_input.query("czy_naramiennik == 'TAK'").query("czy_zadania == 'Tak, miałem zadania/próbę'"), #.query("wstapienie_wiek != 'Nie wstąpiłem nigdy do drużyny/patrolu'"),
    y="czy_w_terminie",
    # hue="czy_instruktor",
    col="top_choragiew",
    # order=["TAK", "NIE"],
    col_order=choragiew_top5_order,
    col_wrap=3,
    kind="count",
    # stat="percent",
    # palette="pastel6",
    legend=False,
    orient="v",
    color="#165110",
)

# g.axes[0, 0].set(title="Instruktorzy", ylabel="Etap harcerski", xlabel="procent")
# g.axes[0, 1].set(title="Wędrownicy", xlabel="procent")

g.set_titles(col_template="{col_name}")
g.set(ylabel="", xlabel="liczba odpowiedzi")

plt.suptitle("Czy udało Ci się zamknąć próbę w terminie?", y=1.05)

plt.show()
plt.close()

In [ ]:

← Wstęp

Analiza zdobywających naramienniki →