class: center, middle, inverse, title-slide # Intro a R ## Día 2: Estadística descriptiva y limpieza de datos ### Escuela de Invierno en Métodos 2022 - Martín Opertti ### July 18, 2022 --- class: inverse, center, middle # Directorios de trabajo y proyectos de R (.Rproj) --- ## Directorios de trabajo - Para abrir en R un archivo guardado en tu computadora, debes especificar en qué carpeta está guardado, para esto hay varias opciones. Primero, puedes fijar un directorio por defecto: .codefont[ ```r # Puedo fijar el directorio de trabajo con la función setwd() # Fijar la carpeta donde vamos a importar y exportar los archivos: setwd("micompu/micarpeta") getwd() # Con está función puedo consultar el directorio ``` ] .codefont[ ```r # Ahora, si quiero leer un archivo que esté en "micompu/micarpeta" simplemente # escribo su nombre dentro de la función, en el lugar del "path". # Supongamos que tengo dentro de la carpeta "micarpeta" un excel con datos # de desempleo en Uruguay: library(readxl) desempleo_uru <- read_excel("data/desempleo.xlsx") head(desempleo_uru, 4) ``` ``` ## # A tibble: 4 x 2 ## Year tasa ## <dbl> <dbl> ## 1 1990 8.5 ## 2 1991 8.9 ## 3 1992 9 ## 4 1993 8.3 ``` ] --- ## Directorios de trabajo También podemos no fijar un directorio para la sesión e ir especificando los directorios completos dentro de cada función: ```r desempleo_uru <- read_excel("micompu/micarpeta/data/desempleo.xlsx") ``` --- ## Proyectos de R (.Rproj) - La mejor práctica para que nuestros scripts sean portables y reproducibles, es utilzar R Projects (`.Rproj`). - Para crear un `.Rproj` vamos a `File/New Project` y ahí nos encontramos con la opción de crear una carpeta para guardar los archivos o utilizar una carpeta ya existente. - Al crear un proyecto de R se creará un archivo de extensión `.Rproj`, cuando le damos click se inicia una nueva sesión de R cuyo directorio es por defecto la carpeta en la que está guardado. - Podemos usar directorios relativos dentro de la carpeta en la que se aloja nuestro `.Rproj` para importar y exportar datos a y desde R. Esto hace que uno pueda cambiar la carpeta o compartirla y el script correrá de igual manera (a diferencia de si utilizamos `setwd()`) --- ## Proyectos de R (.Rproj) <ol> <li> Creen una carpeta para guardar el material del curso <li> Descarga de la webasignatura las carpetas "Data" y las carpetas "scripts" de los días 1 y 2. Pegalas en la carpeta del punto 1 (guarda todos los scripts dentro de la misma carpeta) <li> Crea además dos carpetas más dentro de tu carpeta: "graficos" y "resultados" <li> Abran RStudio y desde ahí creen un `.Rproj`, desde existing directory, seleccionando la carpeta del punto 1 </ol> .center[ <img src="ima/rproj.png" width="700px" /> ] --- ## Proyectos de R (.Rproj) <ol start=5> <li> Deberían ver en su carpeta algo así: </ol> .center[ <img src="ima/rproj3.png" width="1000px" /> ] --- ## Proyectos de R (.Rproj) <ol start=6> <li> Abran el archivo `.Rproj` y desde ahí usando File/Open File abren los scripts dentro de la carpeta "scripts". Es importante que los abran desde la sesión que inicia el proyecto y no directamente haciendo click en el script. <li> Ya estamos listos para empezar! </ol> --- class: inverse, center, middle # Dialectos --- ## Ejercicio .content-box-blue[ *Supongamos que tengo estos datos:* ] ```r data ``` ``` ## # A tibble: 35 x 5 ## year gdp_lcu inflation unemployment presidente ## <dbl> <dbl> <dbl> <dbl> <chr> ## 1 1985 249277574100 72.2 NA Sanguinetti ## 2 1986 271238450500 76.4 NA Sanguinetti ## 3 1987 292918912000 63.6 NA Sanguinetti ## 4 1988 297256857900 62.2 NA Sanguinetti ## 5 1989 300538279400 80.4 NA Sanguinetti ## 6 1990 301431925100 113. NA Lacalle ## 7 1991 312099023700 102. 9.01 Lacalle ## 8 1992 336853433700 68.5 8.98 Lacalle ## 9 1993 345805469000 54.1 8.94 Lacalle ## 10 1994 370984750100 44.7 9 Lacalle ## # ... with 25 more rows ``` --- ## Ejercicio .content-box-blue[ *¿Qué quiero hacer con el código debajo?* ] .codefont[ ```r as.data.frame(t(sapply(X = split( x = data[which(data$presidente %in% c("Vázquez", "Sanguinetti")), which(colnames(data) %in% c("gdp_lcu", "inflation"))], f = data$presidente[which(data$presidente %in% c("Vázquez", "Sanguinetti"))], drop = TRUE), FUN = function(x) {apply(x, 2, mean)}))) ``` ] --- ## Ejercicio .content-box-blue[ *¿Qué quiero hacer con el código debajo?* ] ```r data_dt <- data setDT(data_dt) data_dt[presidente %in% c("Vázquez", "Sanguinetti"), c("presidente", "gdp_lcu", "inflation") ][ , lapply(.SD, mean), by = presidente] ``` --- ## Ejercicio .content-box-blue[ *¿Qué quiero hacer con el código debajo?* ] ```r data %>% filter(presidente %in% c("Vázquez", "Sanguinetti")) %>% select(presidente, gdp_lcu, inflation) %>% group_by(presidente) %>% summarise_all(mean) ``` --- ## R Base ```r as.data.frame(t(sapply(X = split( x = data[which(data$presidente %in% c("Vázquez", "Sanguinetti")), which(colnames(data) %in% c("gdp_lcu", "inflation"))], f = data$presidente[which(data$presidente %in% c("Vázquez", "Sanguinetti"))], drop = TRUE), FUN = function(x) {apply(x, 2, mean)}))) ``` ``` ## gdp_lcu inflation ## Sanguinetti 344923753631 46.168819 ## Vázquez 584455715198 7.416316 ``` --- ## Data.table ```r data_dt <- data setDT(data_dt) data_dt[presidente %in% c("Vázquez", "Sanguinetti"), c("presidente", "gdp_lcu", "inflation") ][ , lapply(.SD, mean), by = presidente] ``` ``` ## presidente gdp_lcu inflation ## 1: Sanguinetti 344923753631 46.168819 ## 2: Vázquez 584455715198 7.416316 ``` --- ## Tidyverse ```r data %>% filter(presidente %in% c("Vázquez", "Sanguinetti")) %>% select(presidente, gdp_lcu, inflation) %>% group_by(presidente) %>% summarise_all(mean) ``` ``` ## # A tibble: 2 x 3 ## presidente gdp_lcu inflation ## <chr> <dbl> <dbl> ## 1 Sanguinetti 344923753631. 46.2 ## 2 Vázquez 584455715198. 7.42 ``` --- ## Dialectos - Como vimos, en R podemos realizar una misma operación de muchas maneras distintas. Puesto de otra manera, R como lenguaje de programación tiene distintos "dialectos", esto es, paquetes (o conjuntos de paquetes) con sus propias funciones, sintaxis y comunidad de usuarios. - Para la mayoría de las funciones requeridas para un análisis de datos estándar (importar datos, manipular, modelar y visualizar) existen -de forma muy simplificada- tres grandes dialectos: [R Base](https://stat.ethz.ch/R-manual/R-devel/library/base/html/00Index.html), [tidyverse](https://www.tidyverse.org/) y [data.table](https://rdatatable.gitlab.io/data.table/). - Tidyverse es una colección de paquetes diseñados para el análisis de datos. Este conjunto de paquetes comparte una filosofía de diseño, grámatica y estructura de datos. - Las ventajas de Tidyverse están en su gramática (fácil de leer lo que invita a compartir y replicar), consistencia, alcance y su numerosa y creciente comunidad. --- ## Dialectos (ejemplo) .codefontchico[ ```r encuesta # Retomemos el data.frame "encuesta" ``` ``` ## edad ideologia voto ## 1 18 Izquierda Partido A ## 2 24 Izquierda Partido A ## 3 80 Derecha Partido C ``` ```r # Supongamos que quiero quedarme solo con las variables de edad y voto encuesta_base <- encuesta[ , c("edad", "voto")] # R Base colnames(encuesta_base) ``` ``` ## [1] "edad" "voto" ``` ```r encuesta_dt <- as.data.table(encuesta)[ , .(edad, voto)] # Datatable colnames(encuesta_dt) ``` ``` ## [1] "edad" "voto" ``` ```r encuesta_tidy <- select(encuesta, edad, voto) # Tidyverse colnames(encuesta_tidy) ``` ``` ## [1] "edad" "voto" ``` ] --- class: inverse, center, middle # Tidyverse --- ## Tidyverse Tidyverse cuenta con varios paquetes que sirven para distintos tipos de tareas específicas. Podemos cargar todos los paquetes de forma conjunta: .codefont[ ```r # install.packages("tidyverse") library(tidyverse) # install.packages("dplyr") library(dplyr) ``` ] .center[ <img src="ima/tidy.jpg" width="200px" /> ] --- ## Tidyverse La mejor manera de entender los principios de tidyverse es a través del libro del creador de tidyverse (Hadley Wickham) y Garrett Grolemund "R for Data Science" (2018). .center[ <img src="ima/tidy_pr.png" width="600px" /> ] --- ## Tidyverse: paquetes .pull-left[Paquetes que Tidyverse carga: - [readr](https://readr.tidyverse.org/): importar y exportar datos - [dplyr](https://dplyr.tidyverse.org/): manipulación de datos - [tidyr](https://tidyr.tidyverse.org/): manipulación de datos - [ggplot2](https://ggplot2.tidyverse.org/): visualización de datos - [purr](https://purrr.tidyverse.org/): programación avanzada - [tibble](https://tibble.tidyverse.org/): estructura de datos - [forcats](https://forcats.tidyverse.org/): factores - [stringr](https://stringr.tidyverse.org/): variables de caracteres ] .pull-right[ <img src="ima/tidy_pack.jpg" width="500px" /> ] --- ## Tidyverse: paquetes Estos son algunos paquetes (para tareas más específicas) que forman parte del Tidyverse pero se tienen que cargar por separado: - [readxl](https://readxl.tidyverse.org/): importar datos (excel) - [haven](https://haven.tidyverse.org/): importar (Stata, SPSS, SAS) - [lubridate](https://lubridate.tidyverse.org/): manipulación de fechas - [rvest](https://rvest.tidyverse.org/): webscrapping - [glue](https://www.tidyverse.org/blog/2017/10/glue-1.2.0/): combinar data - [tidymodels](https://www.tidymodels.org/): modelar datos --- class: inverse, center, middle # Importar y exportar datos --- ## Importar datos - Hasta ahora trabajamos principalmente con datos ingresados manualmente con las funciones `c()` y `data.frame()` - Normalmente cuando trabajamos con datos solemos utilizar datos ya creados guardados en los formatos de otros programas (ej. Excel, Stata, SPSS) - Existen varios paquetes que permiten importar y exportar datos desde distintos formatos. Algunos de los más utilizados son [readr](https://readr.tidyverse.org/), [haven](https://haven.tidyverse.org/), [readxl](https://readxl.tidyverse.org/) y [utils](https://www.rdocumentation.org/packages/utils/versions/3.6.2) --- ## Importar datos Distintas funciones nos sirven para importar datos a R desde distintos formatos. Veamos algunos ejemplos: .codefont[ ```r # Con la función read_csv() del paquete readr importamos archivos .csv library(tidyverse) gapminder_csv <- read_csv("data/gapminder.csv") # Con la función read_excel() del paquete readxl importamos archivos excel library(readxl) gapminder_excel <- read_excel("data/gapminder.xlsx") ``` ] .codefont[ ```r # Vemos que los dataframes son iguales, tienen la mismas filas y columnas dim(gapminder_csv) ``` ``` ## [1] 1704 6 ``` ```r dim(gapminder_excel) ``` ``` ## [1] 1704 6 ``` ] --- ## Importar datos Algunos paquetes incluyen datos, por ejemplo, gapminder. En la documentación del paquete se encuentra el nombre de los datos. Con una simple asignación los podemos cargar ```r library(gapminder) data_gapminder <- gapminder head(data_gapminder) ``` ``` ## # A tibble: 6 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. ## 2 Afghanistan Asia 1957 30.3 9240934 821. ## 3 Afghanistan Asia 1962 32.0 10267083 853. ## 4 Afghanistan Asia 1967 34.0 11537966 836. ## 5 Afghanistan Asia 1972 36.1 13079460 740. ## 6 Afghanistan Asia 1977 38.4 14880372 786. ``` --- ## Importar datos También es posible importar datos guardados en los formatos de otros softwares estadísticos como SPSS o Stata. Para esto usaremos el paquete haven. .codefont[ ```r library(haven) # SPSS gapminder_spss <- read_spss("data/gapminder.sav") # STATA gapminder_stata <- read_stata("data/gapminder.dta") ``` ] O podríamos llamar a la función y paquete dado que generalmente solo utilizamos una función de los paquetes que cargan datos (depende del caso obviamente) .codefont[ ```r # SPSS gapminder_spss <- haven::read_spss("data/gapminder.sav") # STATA gapminder_stata <- haven::read_stata("data/gapminder.dta") ``` ] --- ## Importar datos R también cuenta con sus propios formatos de almacenamiento de datos (`.rds` y `.Rdata` o `.rda`). Este enfoque es poco práctico si queremos usar los datos almacenados en otro programa, pero muy útil si solamente usaremos R dado que mantiene la información tal cual estaba en R (por ej. tipos de variables o atributos): .codefont[ ```r # Para esto no necesitamos cargar paquetes. # Guardar un objeto como .rds: saveRDS(object = data_gapminder, file = "resultados/data_gapminder.rds") # Leemos un archivo .rds miobjeto_rds <- readRDS(file = "resultados/data_gapminder.rds") # Con .rda se pueden guardar varios objetos al mismo tiempo! # Exportamos un archivo .Rdata save(data_gapminder, miobjeto_rds, file = "resultados/dos_dataframes.Rdata") # Importamos un archivo .Rdata load("resultados/dos_dataframes.Rdata") ``` ] --- ## Exportar datos - También podemos guardar archivos desde R en otros formatos. - Con [readr](https://readr.tidyverse.org/) podemos exportar archivos en formato .csv - Con [writexl](https://cran.r-project.org/web/packages/writexl/writexl.pdf) podemos exportar directamente un excel. - Con [haven](https://www.rdocumentation.org/packages/haven/versions/2.3.1) podemos exportar achivos en formato .dta (Stata) y .sav (SPSS) .codefont[ ```r # Guardar .csv library(gapminder) data_gapminder <- gapminder write_excel_csv(data_gapminder, "resultados/gapminder.csv") # Guardar excel library(writexl) write_xlsx(data_gapminder, "resultados/gapminder.xlsx") # Guardar .dta (Stata) library(haven) write_dta(data_gapminder, "resultados/gapminder.dta") # Guardar .sav (SPSS) write_sav(data_gapminder, "resultados/gapminder.sav") # Guardar .sas (SAS) write_sas(data_gapminder, "resultados/gapminder.sas") ``` ] --- ## Importar y exportar datos .bold[Argumentos a tener en cuenta:] - .bold[Nombre de columnas:] a veces debemos especificar si queremos que la primera fila de nuestros datos sean el nombre de las variables - .bold[Nombre de filas:] de igual manera, a veces podemos especificar si queremos que la primera columna sea el nombre de las filas (sirve para identificadores de caso por ej.) - .bold[Etiquetas de variables:] cuando los datos que queremos importar tienen etiquetas (pasa mucho en encuestas) podemos cargarlas como etiquetas o cargar solamente la etiqueta como cadena o factores. Ver capítulo 4 de Urdinez, F. & Labrin, A. (Eds.) (2020) - .bold[Append:] algunas funciones permiten agregar filas debajo de un archivo (esto es muy útil para ir actualizando bases de datos) --- ## Etiquetas cuando importamos datos - Cuando importamos datos que tienen etiquetas (por ejemplo de formatos como Stata o SPSS) debemos tener cuidado con cómo manejar estas etiquetas - Por ejemplo, supongamos que queremos leer los datos de una encuesta con dos variables, guardada en formato Stata (`.dta`), con el paquete `haven`: .codefont[ ```r data <- haven::read_stata("data/ej_encuesta.dta") head(data, 5) ``` ``` ## # A tibble: 5 x 2 ## P1 P14 ## <dbl+lbl> <dbl+lbl> ## 1 4 [Colonia] 1 [Muy mala] ## 2 18 [Tacuarembó] 2 [Mala] ## 3 15 [Salto] 5 [Muy buena] ## 4 1 [Artigas] 3 [Ni buena ni mala] ## 5 10 [Montevideo] 1 [Muy mala] ``` ] - Por defecto se leen como variables de tipo `double` (numérica) con etiquetas como atributos --- ## Etiquetas cuando importamos datos Si queremos quedarnos directamente coon las etiquetas, podemos utilizar la funcion `as_factor`: ```r data <- haven::read_stata("data/ej_encuesta.dta") %>% as_factor() head(data, 5) ``` ``` ## # A tibble: 5 x 2 ## P1 P14 ## <fct> <fct> ## 1 Colonia Muy mala ## 2 Tacuarembó Mala ## 3 Salto Muy buena ## 4 Artigas Ni buena ni mala ## 5 Montevideo Muy mala ``` --- ## Importar y exportar datos: factores - Otro tipo de variables en R son los factores (factors), utilizados para representar data categórica. Estos suelen confundirse con las variables de caracteres pero tienen algunas diferencias. - Normalmente los factores son utilizados para las variables de caracteres con un número de valores posibles fijo y cierto orden (opcional) - A R le gusta transformar las variables de caracteres en factores al importarlas (si usamos R Base particularmente). - El paquete [forcats](https://forcats.tidyverse.org/) (dentro del Tidyverse) ayuda a manejar variables de caracteres y factores: - `fct_relevel()` cambia manualmente el orden de los niveles - `fct_reoder()` cambia el orden de los niveles de acuerdo a otra variable - `fct_infreq()` reordena un factor por la frecuencia de sus valores - `fct_lump()` collapsa los valores menos frecuentes en otra categoría "other". Es muy útil para preparar datos para tablas y gráficos --- ## Importar y exportar datos: factores .codefontchico[ ```r # Podemos chequear y coercionar factores data_gapminder <- gapminder is.factor(data_gapminder$continent) # Chequeo si es factor ``` ``` ## [1] TRUE ``` ```r levels(data_gapminder$continent) # Chequeo los niveles ``` ``` ## [1] "Africa" "Americas" "Asia" "Europe" "Oceania" ``` ```r # Transformo a caracter data_gapminder$continent <- as.character(data_gapminder$continent) class(data_gapminder$continent) ``` ``` ## [1] "character" ``` ```r # De vuelta a factor data_gapminder$continent <- as.factor(data_gapminder$continent) class(data_gapminder$continent) ``` ``` ## [1] "factor" ``` ] --- ## Importar y exportar datos: factores .codefont[ ```r # Para crear un factor usamos la función factor() paises_mercosur <- factor(c("Argentina", "Brasil", "Paraguay", "Uruguay")) table(paises_mercosur) ``` ``` ## paises_mercosur ## Argentina Brasil Paraguay Uruguay ## 1 1 1 1 ``` ```r # La función fct_relevel() nos permite reordenar los niveles del factor paises_mercosur <- fct_relevel(paises_mercosur, "Uruguay") table(paises_mercosur) ``` ``` ## paises_mercosur ## Uruguay Argentina Brasil Paraguay ## 1 1 1 1 ``` ] --- ## Ejercicio .content-box-blue[ *En la carpeta data encontrarán un archivo excel llamado "urudata_sheets", leer la segunda hoja del archivo* ] --- class: inverse, center, middle # Dataframes --- ## Dataframes: tibbles - La mayoría de los análisis de datos convencionales contienen dataframes. Cuando usamos los paquetes del tidyverse, generalmente trabajamos con "tibbles", que es muy similar a un dataframe pero con pequeños cambios. - Una de las principales diferencias es la forma en que se imprimen los datos. - La mayoría de las funciones del Tidyverse devuelven un tibble. .codefont[ ```r data_gapminder <- (gapminder) class(data_gapminder) # Ya es un tibble ``` ``` ## [1] "tbl_df" "tbl" "data.frame" ``` ```r data_gapminder <- as.data.frame(data_gapminder) class(data_gapminder) # Ahora solamente dataframe ``` ``` ## [1] "data.frame" ``` ] --- ## Dataframes: imprimir dataframe .codefont[ ```r print(data_gapminder) ``` ``` ## country continent year lifeExp pop gdpPercap ## 1 Afghanistan Asia 1952 28.80100 8425333 779.4453 ## 2 Afghanistan Asia 1957 30.33200 9240934 820.8530 ## 3 Afghanistan Asia 1962 31.99700 10267083 853.1007 ## 4 Afghanistan Asia 1967 34.02000 11537966 836.1971 ## 5 Afghanistan Asia 1972 36.08800 13079460 739.9811 ## 6 Afghanistan Asia 1977 38.43800 14880372 786.1134 ## 7 Afghanistan Asia 1982 39.85400 12881816 978.0114 ## 8 Afghanistan Asia 1987 40.82200 13867957 852.3959 ## 9 Afghanistan Asia 1992 41.67400 16317921 649.3414 ## 10 Afghanistan Asia 1997 41.76300 22227415 635.3414 ## 11 Afghanistan Asia 2002 42.12900 25268405 726.7341 ## 12 Afghanistan Asia 2007 43.82800 31889923 974.5803 ## 13 Albania Europe 1952 55.23000 1282697 1601.0561 ## 14 Albania Europe 1957 59.28000 1476505 1942.2842 ## 15 Albania Europe 1962 64.82000 1728137 2312.8890 ## 16 Albania Europe 1967 66.22000 1984060 2760.1969 ## 17 Albania Europe 1972 67.69000 2263554 3313.4222 ## 18 Albania Europe 1977 68.93000 2509048 3533.0039 ## 19 Albania Europe 1982 70.42000 2780097 3630.8807 ## 20 Albania Europe 1987 72.00000 3075321 3738.9327 ## 21 Albania Europe 1992 71.58100 3326498 2497.4379 ## 22 Albania Europe 1997 72.95000 3428038 3193.0546 ## 23 Albania Europe 2002 75.65100 3508512 4604.2117 ## 24 Albania Europe 2007 76.42300 3600523 5937.0295 ## 25 Algeria Africa 1952 43.07700 9279525 2449.0082 ## 26 Algeria Africa 1957 45.68500 10270856 3013.9760 ## 27 Algeria Africa 1962 48.30300 11000948 2550.8169 ## 28 Algeria Africa 1967 51.40700 12760499 3246.9918 ## 29 Algeria Africa 1972 54.51800 14760787 4182.6638 ## 30 Algeria Africa 1977 58.01400 17152804 4910.4168 ## 31 Algeria Africa 1982 61.36800 20033753 5745.1602 ## 32 Algeria Africa 1987 65.79900 23254956 5681.3585 ## 33 Algeria Africa 1992 67.74400 26298373 5023.2166 ## 34 Algeria Africa 1997 69.15200 29072015 4797.2951 ## 35 Algeria Africa 2002 70.99400 31287142 5288.0404 ## 36 Algeria Africa 2007 72.30100 33333216 6223.3675 ## 37 Angola Africa 1952 30.01500 4232095 3520.6103 ## 38 Angola Africa 1957 31.99900 4561361 3827.9405 ## 39 Angola Africa 1962 34.00000 4826015 4269.2767 ## 40 Angola Africa 1967 35.98500 5247469 5522.7764 ## 41 Angola Africa 1972 37.92800 5894858 5473.2880 ## 42 Angola Africa 1977 39.48300 6162675 3008.6474 ## 43 Angola Africa 1982 39.94200 7016384 2756.9537 ## 44 Angola Africa 1987 39.90600 7874230 2430.2083 ## 45 Angola Africa 1992 40.64700 8735988 2627.8457 ## 46 Angola Africa 1997 40.96300 9875024 2277.1409 ## 47 Angola Africa 2002 41.00300 10866106 2773.2873 ## 48 Angola Africa 2007 42.73100 12420476 4797.2313 ## 49 Argentina Americas 1952 62.48500 17876956 5911.3151 ## 50 Argentina Americas 1957 64.39900 19610538 6856.8562 ## 51 Argentina Americas 1962 65.14200 21283783 7133.1660 ## 52 Argentina Americas 1967 65.63400 22934225 8052.9530 ## 53 Argentina Americas 1972 67.06500 24779799 9443.0385 ## 54 Argentina Americas 1977 68.48100 26983828 10079.0267 ## 55 Argentina Americas 1982 69.94200 29341374 8997.8974 ## 56 Argentina Americas 1987 70.77400 31620918 9139.6714 ## 57 Argentina Americas 1992 71.86800 33958947 9308.4187 ## 58 Argentina Americas 1997 73.27500 36203463 10967.2820 ## 59 Argentina Americas 2002 74.34000 38331121 8797.6407 ## 60 Argentina Americas 2007 75.32000 40301927 12779.3796 ## 61 Australia Oceania 1952 69.12000 8691212 10039.5956 ## 62 Australia Oceania 1957 70.33000 9712569 10949.6496 ## 63 Australia Oceania 1962 70.93000 10794968 12217.2269 ## 64 Australia Oceania 1967 71.10000 11872264 14526.1246 ## 65 Australia Oceania 1972 71.93000 13177000 16788.6295 ## 66 Australia Oceania 1977 73.49000 14074100 18334.1975 ## 67 Australia Oceania 1982 74.74000 15184200 19477.0093 ## 68 Australia Oceania 1987 76.32000 16257249 21888.8890 ## 69 Australia Oceania 1992 77.56000 17481977 23424.7668 ## 70 Australia Oceania 1997 78.83000 18565243 26997.9366 ## 71 Australia Oceania 2002 80.37000 19546792 30687.7547 ## 72 Australia Oceania 2007 81.23500 20434176 34435.3674 ## 73 Austria Europe 1952 66.80000 6927772 6137.0765 ## 74 Austria Europe 1957 67.48000 6965860 8842.5980 ## 75 Austria Europe 1962 69.54000 7129864 10750.7211 ## 76 Austria Europe 1967 70.14000 7376998 12834.6024 ## 77 Austria Europe 1972 70.63000 7544201 16661.6256 ## 78 Austria Europe 1977 72.17000 7568430 19749.4223 ## 79 Austria Europe 1982 73.18000 7574613 21597.0836 ## 80 Austria Europe 1987 74.94000 7578903 23687.8261 ## 81 Austria Europe 1992 76.04000 7914969 27042.0187 ## 82 Austria Europe 1997 77.51000 8069876 29095.9207 ## 83 Austria Europe 2002 78.98000 8148312 32417.6077 ## 84 Austria Europe 2007 79.82900 8199783 36126.4927 ## 85 Bahrain Asia 1952 50.93900 120447 9867.0848 ## 86 Bahrain Asia 1957 53.83200 138655 11635.7995 ## 87 Bahrain Asia 1962 56.92300 171863 12753.2751 ## 88 Bahrain Asia 1967 59.92300 202182 14804.6727 ## 89 Bahrain Asia 1972 63.30000 230800 18268.6584 ## 90 Bahrain Asia 1977 65.59300 297410 19340.1020 ## 91 Bahrain Asia 1982 69.05200 377967 19211.1473 ## 92 Bahrain Asia 1987 70.75000 454612 18524.0241 ## 93 Bahrain Asia 1992 72.60100 529491 19035.5792 ## 94 Bahrain Asia 1997 73.92500 598561 20292.0168 ## 95 Bahrain Asia 2002 74.79500 656397 23403.5593 ## 96 Bahrain Asia 2007 75.63500 708573 29796.0483 ## 97 Bangladesh Asia 1952 37.48400 46886859 684.2442 ## 98 Bangladesh Asia 1957 39.34800 51365468 661.6375 ## 99 Bangladesh Asia 1962 41.21600 56839289 686.3416 ## 100 Bangladesh Asia 1967 43.45300 62821884 721.1861 ## 101 Bangladesh Asia 1972 45.25200 70759295 630.2336 ## 102 Bangladesh Asia 1977 46.92300 80428306 659.8772 ## 103 Bangladesh Asia 1982 50.00900 93074406 676.9819 ## 104 Bangladesh Asia 1987 52.81900 103764241 751.9794 ## 105 Bangladesh Asia 1992 56.01800 113704579 837.8102 ## 106 Bangladesh Asia 1997 59.41200 123315288 972.7700 ## 107 Bangladesh Asia 2002 62.01300 135656790 1136.3904 ## 108 Bangladesh Asia 2007 64.06200 150448339 1391.2538 ## 109 Belgium Europe 1952 68.00000 8730405 8343.1051 ## 110 Belgium Europe 1957 69.24000 8989111 9714.9606 ## 111 Belgium Europe 1962 70.25000 9218400 10991.2068 ## 112 Belgium Europe 1967 70.94000 9556500 13149.0412 ## 113 Belgium Europe 1972 71.44000 9709100 16672.1436 ## 114 Belgium Europe 1977 72.80000 9821800 19117.9745 ## 115 Belgium Europe 1982 73.93000 9856303 20979.8459 ## 116 Belgium Europe 1987 75.35000 9870200 22525.5631 ## 117 Belgium Europe 1992 76.46000 10045622 25575.5707 ## 118 Belgium Europe 1997 77.53000 10199787 27561.1966 ## 119 Belgium Europe 2002 78.32000 10311970 30485.8838 ## 120 Belgium Europe 2007 79.44100 10392226 33692.6051 ## 121 Benin Africa 1952 38.22300 1738315 1062.7522 ## 122 Benin Africa 1957 40.35800 1925173 959.6011 ## 123 Benin Africa 1962 42.61800 2151895 949.4991 ## 124 Benin Africa 1967 44.88500 2427334 1035.8314 ## 125 Benin Africa 1972 47.01400 2761407 1085.7969 ## 126 Benin Africa 1977 49.19000 3168267 1029.1613 ## 127 Benin Africa 1982 50.90400 3641603 1277.8976 ## 128 Benin Africa 1987 52.33700 4243788 1225.8560 ## 129 Benin Africa 1992 53.91900 4981671 1191.2077 ## 130 Benin Africa 1997 54.77700 6066080 1232.9753 ## 131 Benin Africa 2002 54.40600 7026113 1372.8779 ## 132 Benin Africa 2007 56.72800 8078314 1441.2849 ## 133 Bolivia Americas 1952 40.41400 2883315 2677.3263 ## 134 Bolivia Americas 1957 41.89000 3211738 2127.6863 ## 135 Bolivia Americas 1962 43.42800 3593918 2180.9725 ## 136 Bolivia Americas 1967 45.03200 4040665 2586.8861 ## 137 Bolivia Americas 1972 46.71400 4565872 2980.3313 ## 138 Bolivia Americas 1977 50.02300 5079716 3548.0978 ## 139 Bolivia Americas 1982 53.85900 5642224 3156.5105 ## 140 Bolivia Americas 1987 57.25100 6156369 2753.6915 ## 141 Bolivia Americas 1992 59.95700 6893451 2961.6997 ## 142 Bolivia Americas 1997 62.05000 7693188 3326.1432 ## 143 Bolivia Americas 2002 63.88300 8445134 3413.2627 ## 144 Bolivia Americas 2007 65.55400 9119152 3822.1371 ## 145 Bosnia and Herzegovina Europe 1952 53.82000 2791000 973.5332 ## 146 Bosnia and Herzegovina Europe 1957 58.45000 3076000 1353.9892 ## 147 Bosnia and Herzegovina Europe 1962 61.93000 3349000 1709.6837 ## 148 Bosnia and Herzegovina Europe 1967 64.79000 3585000 2172.3524 ## 149 Bosnia and Herzegovina Europe 1972 67.45000 3819000 2860.1698 ## 150 Bosnia and Herzegovina Europe 1977 69.86000 4086000 3528.4813 ## 151 Bosnia and Herzegovina Europe 1982 70.69000 4172693 4126.6132 ## 152 Bosnia and Herzegovina Europe 1987 71.14000 4338977 4314.1148 ## 153 Bosnia and Herzegovina Europe 1992 72.17800 4256013 2546.7814 ## 154 Bosnia and Herzegovina Europe 1997 73.24400 3607000 4766.3559 ## 155 Bosnia and Herzegovina Europe 2002 74.09000 4165416 6018.9752 ## 156 Bosnia and Herzegovina Europe 2007 74.85200 4552198 7446.2988 ## 157 Botswana Africa 1952 47.62200 442308 851.2411 ## 158 Botswana Africa 1957 49.61800 474639 918.2325 ## 159 Botswana Africa 1962 51.52000 512764 983.6540 ## 160 Botswana Africa 1967 53.29800 553541 1214.7093 ## 161 Botswana Africa 1972 56.02400 619351 2263.6111 ## 162 Botswana Africa 1977 59.31900 781472 3214.8578 ## 163 Botswana Africa 1982 61.48400 970347 4551.1421 ## 164 Botswana Africa 1987 63.62200 1151184 6205.8839 ## 165 Botswana Africa 1992 62.74500 1342614 7954.1116 ## 166 Botswana Africa 1997 52.55600 1536536 8647.1423 ## 167 Botswana Africa 2002 46.63400 1630347 11003.6051 ## 168 Botswana Africa 2007 50.72800 1639131 12569.8518 ## 169 Brazil Americas 1952 50.91700 56602560 2108.9444 ## 170 Brazil Americas 1957 53.28500 65551171 2487.3660 ## 171 Brazil Americas 1962 55.66500 76039390 3336.5858 ## 172 Brazil Americas 1967 57.63200 88049823 3429.8644 ## 173 Brazil Americas 1972 59.50400 100840058 4985.7115 ## 174 Brazil Americas 1977 61.48900 114313951 6660.1187 ## 175 Brazil Americas 1982 63.33600 128962939 7030.8359 ## 176 Brazil Americas 1987 65.20500 142938076 7807.0958 ## 177 Brazil Americas 1992 67.05700 155975974 6950.2830 ## 178 Brazil Americas 1997 69.38800 168546719 7957.9808 ## 179 Brazil Americas 2002 71.00600 179914212 8131.2128 ## 180 Brazil Americas 2007 72.39000 190010647 9065.8008 ## 181 Bulgaria Europe 1952 59.60000 7274900 2444.2866 ## 182 Bulgaria Europe 1957 66.61000 7651254 3008.6707 ## 183 Bulgaria Europe 1962 69.51000 8012946 4254.3378 ## 184 Bulgaria Europe 1967 70.42000 8310226 5577.0028 ## 185 Bulgaria Europe 1972 70.90000 8576200 6597.4944 ## 186 Bulgaria Europe 1977 70.81000 8797022 7612.2404 ## 187 Bulgaria Europe 1982 71.08000 8892098 8224.1916 ## 188 Bulgaria Europe 1987 71.34000 8971958 8239.8548 ## 189 Bulgaria Europe 1992 71.19000 8658506 6302.6234 ## 190 Bulgaria Europe 1997 70.32000 8066057 5970.3888 ## 191 Bulgaria Europe 2002 72.14000 7661799 7696.7777 ## 192 Bulgaria Europe 2007 73.00500 7322858 10680.7928 ## 193 Burkina Faso Africa 1952 31.97500 4469979 543.2552 ## 194 Burkina Faso Africa 1957 34.90600 4713416 617.1835 ## 195 Burkina Faso Africa 1962 37.81400 4919632 722.5120 ## 196 Burkina Faso Africa 1967 40.69700 5127935 794.8266 ## 197 Burkina Faso Africa 1972 43.59100 5433886 854.7360 ## 198 Burkina Faso Africa 1977 46.13700 5889574 743.3870 ## 199 Burkina Faso Africa 1982 48.12200 6634596 807.1986 ## 200 Burkina Faso Africa 1987 49.55700 7586551 912.0631 ## 201 Burkina Faso Africa 1992 50.26000 8878303 931.7528 ## 202 Burkina Faso Africa 1997 50.32400 10352843 946.2950 ## 203 Burkina Faso Africa 2002 50.65000 12251209 1037.6452 ## 204 Burkina Faso Africa 2007 52.29500 14326203 1217.0330 ## 205 Burundi Africa 1952 39.03100 2445618 339.2965 ## 206 Burundi Africa 1957 40.53300 2667518 379.5646 ## 207 Burundi Africa 1962 42.04500 2961915 355.2032 ## 208 Burundi Africa 1967 43.54800 3330989 412.9775 ## 209 Burundi Africa 1972 44.05700 3529983 464.0995 ## 210 Burundi Africa 1977 45.91000 3834415 556.1033 ## 211 Burundi Africa 1982 47.47100 4580410 559.6032 ## 212 Burundi Africa 1987 48.21100 5126023 621.8188 ## 213 Burundi Africa 1992 44.73600 5809236 631.6999 ## 214 Burundi Africa 1997 45.32600 6121610 463.1151 ## 215 Burundi Africa 2002 47.36000 7021078 446.4035 ## 216 Burundi Africa 2007 49.58000 8390505 430.0707 ## 217 Cambodia Asia 1952 39.41700 4693836 368.4693 ## 218 Cambodia Asia 1957 41.36600 5322536 434.0383 ## 219 Cambodia Asia 1962 43.41500 6083619 496.9136 ## 220 Cambodia Asia 1967 45.41500 6960067 523.4323 ## 221 Cambodia Asia 1972 40.31700 7450606 421.6240 ## 222 Cambodia Asia 1977 31.22000 6978607 524.9722 ## 223 Cambodia Asia 1982 50.95700 7272485 624.4755 ## 224 Cambodia Asia 1987 53.91400 8371791 683.8956 ## 225 Cambodia Asia 1992 55.80300 10150094 682.3032 ## 226 Cambodia Asia 1997 56.53400 11782962 734.2852 ## 227 Cambodia Asia 2002 56.75200 12926707 896.2260 ## 228 Cambodia Asia 2007 59.72300 14131858 1713.7787 ## 229 Cameroon Africa 1952 38.52300 5009067 1172.6677 ## 230 Cameroon Africa 1957 40.42800 5359923 1313.0481 ## 231 Cameroon Africa 1962 42.64300 5793633 1399.6074 ## 232 Cameroon Africa 1967 44.79900 6335506 1508.4531 ## 233 Cameroon Africa 1972 47.04900 7021028 1684.1465 ## 234 Cameroon Africa 1977 49.35500 7959865 1783.4329 ## 235 Cameroon Africa 1982 52.96100 9250831 2367.9833 ## 236 Cameroon Africa 1987 54.98500 10780667 2602.6642 ## 237 Cameroon Africa 1992 54.31400 12467171 1793.1633 ## 238 Cameroon Africa 1997 52.19900 14195809 1694.3375 ## 239 Cameroon Africa 2002 49.85600 15929988 1934.0114 ## 240 Cameroon Africa 2007 50.43000 17696293 2042.0952 ## 241 Canada Americas 1952 68.75000 14785584 11367.1611 ## 242 Canada Americas 1957 69.96000 17010154 12489.9501 ## 243 Canada Americas 1962 71.30000 18985849 13462.4855 ## 244 Canada Americas 1967 72.13000 20819767 16076.5880 ## 245 Canada Americas 1972 72.88000 22284500 18970.5709 ## 246 Canada Americas 1977 74.21000 23796400 22090.8831 ## 247 Canada Americas 1982 75.76000 25201900 22898.7921 ## 248 Canada Americas 1987 76.86000 26549700 26626.5150 ## 249 Canada Americas 1992 77.95000 28523502 26342.8843 ## 250 Canada Americas 1997 78.61000 30305843 28954.9259 ## 251 Canada Americas 2002 79.77000 31902268 33328.9651 ## 252 Canada Americas 2007 80.65300 33390141 36319.2350 ## 253 Central African Republic Africa 1952 35.46300 1291695 1071.3107 ## 254 Central African Republic Africa 1957 37.46400 1392284 1190.8443 ## 255 Central African Republic Africa 1962 39.47500 1523478 1193.0688 ## 256 Central African Republic Africa 1967 41.47800 1733638 1136.0566 ## 257 Central African Republic Africa 1972 43.45700 1927260 1070.0133 ## 258 Central African Republic Africa 1977 46.77500 2167533 1109.3743 ## 259 Central African Republic Africa 1982 48.29500 2476971 956.7530 ## 260 Central African Republic Africa 1987 50.48500 2840009 844.8764 ## 261 Central African Republic Africa 1992 49.39600 3265124 747.9055 ## 262 Central African Republic Africa 1997 46.06600 3696513 740.5063 ## 263 Central African Republic Africa 2002 43.30800 4048013 738.6906 ## 264 Central African Republic Africa 2007 44.74100 4369038 706.0165 ## 265 Chad Africa 1952 38.09200 2682462 1178.6659 ## 266 Chad Africa 1957 39.88100 2894855 1308.4956 ## 267 Chad Africa 1962 41.71600 3150417 1389.8176 ## 268 Chad Africa 1967 43.60100 3495967 1196.8106 ## 269 Chad Africa 1972 45.56900 3899068 1104.1040 ## 270 Chad Africa 1977 47.38300 4388260 1133.9850 ## 271 Chad Africa 1982 49.51700 4875118 797.9081 ## 272 Chad Africa 1987 51.05100 5498955 952.3861 ## 273 Chad Africa 1992 51.72400 6429417 1058.0643 ## 274 Chad Africa 1997 51.57300 7562011 1004.9614 ## 275 Chad Africa 2002 50.52500 8835739 1156.1819 ## 276 Chad Africa 2007 50.65100 10238807 1704.0637 ## 277 Chile Americas 1952 54.74500 6377619 3939.9788 ## 278 Chile Americas 1957 56.07400 7048426 4315.6227 ## 279 Chile Americas 1962 57.92400 7961258 4519.0943 ## 280 Chile Americas 1967 60.52300 8858908 5106.6543 ## 281 Chile Americas 1972 63.44100 9717524 5494.0244 ## 282 Chile Americas 1977 67.05200 10599793 4756.7638 ## 283 Chile Americas 1982 70.56500 11487112 5095.6657 ## 284 Chile Americas 1987 72.49200 12463354 5547.0638 ## 285 Chile Americas 1992 74.12600 13572994 7596.1260 ## 286 Chile Americas 1997 75.81600 14599929 10118.0532 ## 287 Chile Americas 2002 77.86000 15497046 10778.7838 ## 288 Chile Americas 2007 78.55300 16284741 13171.6388 ## 289 China Asia 1952 44.00000 556263527 400.4486 ## 290 China Asia 1957 50.54896 637408000 575.9870 ## 291 China Asia 1962 44.50136 665770000 487.6740 ## 292 China Asia 1967 58.38112 754550000 612.7057 ## 293 China Asia 1972 63.11888 862030000 676.9001 ## 294 China Asia 1977 63.96736 943455000 741.2375 ## 295 China Asia 1982 65.52500 1000281000 962.4214 ## 296 China Asia 1987 67.27400 1084035000 1378.9040 ## 297 China Asia 1992 68.69000 1164970000 1655.7842 ## 298 China Asia 1997 70.42600 1230075000 2289.2341 ## 299 China Asia 2002 72.02800 1280400000 3119.2809 ## 300 China Asia 2007 72.96100 1318683096 4959.1149 ## 301 Colombia Americas 1952 50.64300 12350771 2144.1151 ## 302 Colombia Americas 1957 55.11800 14485993 2323.8056 ## 303 Colombia Americas 1962 57.86300 17009885 2492.3511 ## 304 Colombia Americas 1967 59.96300 19764027 2678.7298 ## 305 Colombia Americas 1972 61.62300 22542890 3264.6600 ## 306 Colombia Americas 1977 63.83700 25094412 3815.8079 ## 307 Colombia Americas 1982 66.65300 27764644 4397.5757 ## 308 Colombia Americas 1987 67.76800 30964245 4903.2191 ## 309 Colombia Americas 1992 68.42100 34202721 5444.6486 ## 310 Colombia Americas 1997 70.31300 37657830 6117.3617 ## 311 Colombia Americas 2002 71.68200 41008227 5755.2600 ## 312 Colombia Americas 2007 72.88900 44227550 7006.5804 ## 313 Comoros Africa 1952 40.71500 153936 1102.9909 ## 314 Comoros Africa 1957 42.46000 170928 1211.1485 ## 315 Comoros Africa 1962 44.46700 191689 1406.6483 ## 316 Comoros Africa 1967 46.47200 217378 1876.0296 ## 317 Comoros Africa 1972 48.94400 250027 1937.5777 ## 318 Comoros Africa 1977 50.93900 304739 1172.6030 ## 319 Comoros Africa 1982 52.93300 348643 1267.1001 ## 320 Comoros Africa 1987 54.92600 395114 1315.9808 ## 321 Comoros Africa 1992 57.93900 454429 1246.9074 ## 322 Comoros Africa 1997 60.66000 527982 1173.6182 ## 323 Comoros Africa 2002 62.97400 614382 1075.8116 ## 324 Comoros Africa 2007 65.15200 710960 986.1479 ## 325 Congo, Dem. Rep. Africa 1952 39.14300 14100005 780.5423 ## 326 Congo, Dem. Rep. Africa 1957 40.65200 15577932 905.8602 ## 327 Congo, Dem. Rep. Africa 1962 42.12200 17486434 896.3146 ## 328 Congo, Dem. Rep. Africa 1967 44.05600 19941073 861.5932 ## 329 Congo, Dem. Rep. Africa 1972 45.98900 23007669 904.8961 ## 330 Congo, Dem. Rep. Africa 1977 47.80400 26480870 795.7573 ## 331 Congo, Dem. Rep. Africa 1982 47.78400 30646495 673.7478 ## 332 Congo, Dem. Rep. Africa 1987 47.41200 35481645 672.7748 ## 333 Congo, Dem. Rep. Africa 1992 45.54800 41672143 457.7192 ## 334 Congo, Dem. Rep. Africa 1997 42.58700 47798986 312.1884 ## 335 Congo, Dem. Rep. Africa 2002 44.96600 55379852 241.1659 ## 336 Congo, Dem. Rep. Africa 2007 46.46200 64606759 277.5519 ## 337 Congo, Rep. Africa 1952 42.11100 854885 2125.6214 ## 338 Congo, Rep. Africa 1957 45.05300 940458 2315.0566 ## 339 Congo, Rep. Africa 1962 48.43500 1047924 2464.7832 ## 340 Congo, Rep. Africa 1967 52.04000 1179760 2677.9396 ## 341 Congo, Rep. Africa 1972 54.90700 1340458 3213.1527 ## 342 Congo, Rep. Africa 1977 55.62500 1536769 3259.1790 ## 343 Congo, Rep. Africa 1982 56.69500 1774735 4879.5075 ## 344 Congo, Rep. Africa 1987 57.47000 2064095 4201.1949 ## 345 Congo, Rep. Africa 1992 56.43300 2409073 4016.2395 ## 346 Congo, Rep. Africa 1997 52.96200 2800947 3484.1644 ## 347 Congo, Rep. Africa 2002 52.97000 3328795 3484.0620 ## 348 Congo, Rep. Africa 2007 55.32200 3800610 3632.5578 ## 349 Costa Rica Americas 1952 57.20600 926317 2627.0095 ## 350 Costa Rica Americas 1957 60.02600 1112300 2990.0108 ## 351 Costa Rica Americas 1962 62.84200 1345187 3460.9370 ## 352 Costa Rica Americas 1967 65.42400 1588717 4161.7278 ## 353 Costa Rica Americas 1972 67.84900 1834796 5118.1469 ## 354 Costa Rica Americas 1977 70.75000 2108457 5926.8770 ## 355 Costa Rica Americas 1982 73.45000 2424367 5262.7348 ## 356 Costa Rica Americas 1987 74.75200 2799811 5629.9153 ## 357 Costa Rica Americas 1992 75.71300 3173216 6160.4163 ## 358 Costa Rica Americas 1997 77.26000 3518107 6677.0453 ## 359 Costa Rica Americas 2002 78.12300 3834934 7723.4472 ## 360 Costa Rica Americas 2007 78.78200 4133884 9645.0614 ## 361 Cote d'Ivoire Africa 1952 40.47700 2977019 1388.5947 ## 362 Cote d'Ivoire Africa 1957 42.46900 3300000 1500.8959 ## 363 Cote d'Ivoire Africa 1962 44.93000 3832408 1728.8694 ## 364 Cote d'Ivoire Africa 1967 47.35000 4744870 2052.0505 ## 365 Cote d'Ivoire Africa 1972 49.80100 6071696 2378.2011 ## 366 Cote d'Ivoire Africa 1977 52.37400 7459574 2517.7365 ## 367 Cote d'Ivoire Africa 1982 53.98300 9025951 2602.7102 ## 368 Cote d'Ivoire Africa 1987 54.65500 10761098 2156.9561 ## 369 Cote d'Ivoire Africa 1992 52.04400 12772596 1648.0738 ## 370 Cote d'Ivoire Africa 1997 47.99100 14625967 1786.2654 ## 371 Cote d'Ivoire Africa 2002 46.83200 16252726 1648.8008 ## 372 Cote d'Ivoire Africa 2007 48.32800 18013409 1544.7501 ## 373 Croatia Europe 1952 61.21000 3882229 3119.2365 ## 374 Croatia Europe 1957 64.77000 3991242 4338.2316 ## 375 Croatia Europe 1962 67.13000 4076557 5477.8900 ## 376 Croatia Europe 1967 68.50000 4174366 6960.2979 ## 377 Croatia Europe 1972 69.61000 4225310 9164.0901 ## 378 Croatia Europe 1977 70.64000 4318673 11305.3852 ## 379 Croatia Europe 1982 70.46000 4413368 13221.8218 ## 380 Croatia Europe 1987 71.52000 4484310 13822.5839 ## 381 Croatia Europe 1992 72.52700 4494013 8447.7949 ## 382 Croatia Europe 1997 73.68000 4444595 9875.6045 ## 383 Croatia Europe 2002 74.87600 4481020 11628.3890 ## 384 Croatia Europe 2007 75.74800 4493312 14619.2227 ## 385 Cuba Americas 1952 59.42100 6007797 5586.5388 ## 386 Cuba Americas 1957 62.32500 6640752 6092.1744 ## 387 Cuba Americas 1962 65.24600 7254373 5180.7559 ## 388 Cuba Americas 1967 68.29000 8139332 5690.2680 ## 389 Cuba Americas 1972 70.72300 8831348 5305.4453 ## 390 Cuba Americas 1977 72.64900 9537988 6380.4950 ## 391 Cuba Americas 1982 73.71700 9789224 7316.9181 ## 392 Cuba Americas 1987 74.17400 10239839 7532.9248 ## 393 Cuba Americas 1992 74.41400 10723260 5592.8440 ## 394 Cuba Americas 1997 76.15100 10983007 5431.9904 ## 395 Cuba Americas 2002 77.15800 11226999 6340.6467 ## 396 Cuba Americas 2007 78.27300 11416987 8948.1029 ## 397 Czech Republic Europe 1952 66.87000 9125183 6876.1403 ## 398 Czech Republic Europe 1957 69.03000 9513758 8256.3439 ## 399 Czech Republic Europe 1962 69.90000 9620282 10136.8671 ## 400 Czech Republic Europe 1967 70.38000 9835109 11399.4449 ## 401 Czech Republic Europe 1972 70.29000 9862158 13108.4536 ## 402 Czech Republic Europe 1977 70.71000 10161915 14800.1606 ## 403 Czech Republic Europe 1982 70.96000 10303704 15377.2285 ## 404 Czech Republic Europe 1987 71.58000 10311597 16310.4434 ## 405 Czech Republic Europe 1992 72.40000 10315702 14297.0212 ## 406 Czech Republic Europe 1997 74.01000 10300707 16048.5142 ## 407 Czech Republic Europe 2002 75.51000 10256295 17596.2102 ## 408 Czech Republic Europe 2007 76.48600 10228744 22833.3085 ## 409 Denmark Europe 1952 70.78000 4334000 9692.3852 ## 410 Denmark Europe 1957 71.81000 4487831 11099.6593 ## 411 Denmark Europe 1962 72.35000 4646899 13583.3135 ## 412 Denmark Europe 1967 72.96000 4838800 15937.2112 ## 413 Denmark Europe 1972 73.47000 4991596 18866.2072 ## 414 Denmark Europe 1977 74.69000 5088419 20422.9015 ## 415 Denmark Europe 1982 74.63000 5117810 21688.0405 ## 416 Denmark Europe 1987 74.80000 5127024 25116.1758 ## 417 Denmark Europe 1992 75.33000 5171393 26406.7399 ## 418 Denmark Europe 1997 76.11000 5283663 29804.3457 ## 419 Denmark Europe 2002 77.18000 5374693 32166.5001 ## 420 Denmark Europe 2007 78.33200 5468120 35278.4187 ## 421 Djibouti Africa 1952 34.81200 63149 2669.5295 ## 422 Djibouti Africa 1957 37.32800 71851 2864.9691 ## 423 Djibouti Africa 1962 39.69300 89898 3020.9893 ## 424 Djibouti Africa 1967 42.07400 127617 3020.0505 ## 425 Djibouti Africa 1972 44.36600 178848 3694.2124 ## 426 Djibouti Africa 1977 46.51900 228694 3081.7610 ## 427 Djibouti Africa 1982 48.81200 305991 2879.4681 ## 428 Djibouti Africa 1987 50.04000 311025 2880.1026 ## 429 Djibouti Africa 1992 51.60400 384156 2377.1562 ## 430 Djibouti Africa 1997 53.15700 417908 1895.0170 ## 431 Djibouti Africa 2002 53.37300 447416 1908.2609 ## 432 Djibouti Africa 2007 54.79100 496374 2082.4816 ## 433 Dominican Republic Americas 1952 45.92800 2491346 1397.7171 ## 434 Dominican Republic Americas 1957 49.82800 2923186 1544.4030 ## 435 Dominican Republic Americas 1962 53.45900 3453434 1662.1374 ## 436 Dominican Republic Americas 1967 56.75100 4049146 1653.7230 ## 437 Dominican Republic Americas 1972 59.63100 4671329 2189.8745 ## 438 Dominican Republic Americas 1977 61.78800 5302800 2681.9889 ## 439 Dominican Republic Americas 1982 63.72700 5968349 2861.0924 ## 440 Dominican Republic Americas 1987 66.04600 6655297 2899.8422 ## 441 Dominican Republic Americas 1992 68.45700 7351181 3044.2142 ## 442 Dominican Republic Americas 1997 69.95700 7992357 3614.1013 ## 443 Dominican Republic Americas 2002 70.84700 8650322 4563.8082 ## 444 Dominican Republic Americas 2007 72.23500 9319622 6025.3748 ## 445 Ecuador Americas 1952 48.35700 3548753 3522.1107 ## 446 Ecuador Americas 1957 51.35600 4058385 3780.5467 ## 447 Ecuador Americas 1962 54.64000 4681707 4086.1141 ## 448 Ecuador Americas 1967 56.67800 5432424 4579.0742 ## 449 Ecuador Americas 1972 58.79600 6298651 5280.9947 ## 450 Ecuador Americas 1977 61.31000 7278866 6679.6233 ## 451 Ecuador Americas 1982 64.34200 8365850 7213.7913 ## 452 Ecuador Americas 1987 67.23100 9545158 6481.7770 ## 453 Ecuador Americas 1992 69.61300 10748394 7103.7026 ## 454 Ecuador Americas 1997 72.31200 11911819 7429.4559 ## 455 Ecuador Americas 2002 74.17300 12921234 5773.0445 ## 456 Ecuador Americas 2007 74.99400 13755680 6873.2623 ## 457 Egypt Africa 1952 41.89300 22223309 1418.8224 ## 458 Egypt Africa 1957 44.44400 25009741 1458.9153 ## 459 Egypt Africa 1962 46.99200 28173309 1693.3359 ## 460 Egypt Africa 1967 49.29300 31681188 1814.8807 ## 461 Egypt Africa 1972 51.13700 34807417 2024.0081 ## 462 Egypt Africa 1977 53.31900 38783863 2785.4936 ## 463 Egypt Africa 1982 56.00600 45681811 3503.7296 ## 464 Egypt Africa 1987 59.79700 52799062 3885.4607 ## 465 Egypt Africa 1992 63.67400 59402198 3794.7552 ## 466 Egypt Africa 1997 67.21700 66134291 4173.1818 ## 467 Egypt Africa 2002 69.80600 73312559 4754.6044 ## 468 Egypt Africa 2007 71.33800 80264543 5581.1810 ## 469 El Salvador Americas 1952 45.26200 2042865 3048.3029 ## 470 El Salvador Americas 1957 48.57000 2355805 3421.5232 ## 471 El Salvador Americas 1962 52.30700 2747687 3776.8036 ## 472 El Salvador Americas 1967 55.85500 3232927 4358.5954 ## 473 El Salvador Americas 1972 58.20700 3790903 4520.2460 ## 474 El Salvador Americas 1977 56.69600 4282586 5138.9224 ## 475 El Salvador Americas 1982 56.60400 4474873 4098.3442 ## 476 El Salvador Americas 1987 63.15400 4842194 4140.4421 ## 477 El Salvador Americas 1992 66.79800 5274649 4444.2317 ## 478 El Salvador Americas 1997 69.53500 5783439 5154.8255 ## 479 El Salvador Americas 2002 70.73400 6353681 5351.5687 ## 480 El Salvador Americas 2007 71.87800 6939688 5728.3535 ## 481 Equatorial Guinea Africa 1952 34.48200 216964 375.6431 ## 482 Equatorial Guinea Africa 1957 35.98300 232922 426.0964 ## 483 Equatorial Guinea Africa 1962 37.48500 249220 582.8420 ## 484 Equatorial Guinea Africa 1967 38.98700 259864 915.5960 ## 485 Equatorial Guinea Africa 1972 40.51600 277603 672.4123 ## 486 Equatorial Guinea Africa 1977 42.02400 192675 958.5668 ## 487 Equatorial Guinea Africa 1982 43.66200 285483 927.8253 ## 488 Equatorial Guinea Africa 1987 45.66400 341244 966.8968 ## 489 Equatorial Guinea Africa 1992 47.54500 387838 1132.0550 ## 490 Equatorial Guinea Africa 1997 48.24500 439971 2814.4808 ## 491 Equatorial Guinea Africa 2002 49.34800 495627 7703.4959 ## 492 Equatorial Guinea Africa 2007 51.57900 551201 12154.0897 ## 493 Eritrea Africa 1952 35.92800 1438760 328.9406 ## 494 Eritrea Africa 1957 38.04700 1542611 344.1619 ## 495 Eritrea Africa 1962 40.15800 1666618 380.9958 ## 496 Eritrea Africa 1967 42.18900 1820319 468.7950 ## 497 Eritrea Africa 1972 44.14200 2260187 514.3242 ## 498 Eritrea Africa 1977 44.53500 2512642 505.7538 ## 499 Eritrea Africa 1982 43.89000 2637297 524.8758 ## 500 Eritrea Africa 1987 46.45300 2915959 521.1341 ## 501 Eritrea Africa 1992 49.99100 3668440 582.8585 ## 502 Eritrea Africa 1997 53.37800 4058319 913.4708 ## 503 Eritrea Africa 2002 55.24000 4414865 765.3500 ## 504 Eritrea Africa 2007 58.04000 4906585 641.3695 ## 505 Ethiopia Africa 1952 34.07800 20860941 362.1463 ## 506 Ethiopia Africa 1957 36.66700 22815614 378.9042 ## 507 Ethiopia Africa 1962 40.05900 25145372 419.4564 ## 508 Ethiopia Africa 1967 42.11500 27860297 516.1186 ## 509 Ethiopia Africa 1972 43.51500 30770372 566.2439 ## 510 Ethiopia Africa 1977 44.51000 34617799 556.8084 ## 511 Ethiopia Africa 1982 44.91600 38111756 577.8607 ## 512 Ethiopia Africa 1987 46.68400 42999530 573.7413 ## 513 Ethiopia Africa 1992 48.09100 52088559 421.3535 ## 514 Ethiopia Africa 1997 49.40200 59861301 515.8894 ## 515 Ethiopia Africa 2002 50.72500 67946797 530.0535 ## 516 Ethiopia Africa 2007 52.94700 76511887 690.8056 ## 517 Finland Europe 1952 66.55000 4090500 6424.5191 ## 518 Finland Europe 1957 67.49000 4324000 7545.4154 ## 519 Finland Europe 1962 68.75000 4491443 9371.8426 ## 520 Finland Europe 1967 69.83000 4605744 10921.6363 ## 521 Finland Europe 1972 70.87000 4639657 14358.8759 ## 522 Finland Europe 1977 72.52000 4738902 15605.4228 ## 523 Finland Europe 1982 74.55000 4826933 18533.1576 ## 524 Finland Europe 1987 74.83000 4931729 21141.0122 ## 525 Finland Europe 1992 75.70000 5041039 20647.1650 ## 526 Finland Europe 1997 77.13000 5134406 23723.9502 ## 527 Finland Europe 2002 78.37000 5193039 28204.5906 ## 528 Finland Europe 2007 79.31300 5238460 33207.0844 ## 529 France Europe 1952 67.41000 42459667 7029.8093 ## 530 France Europe 1957 68.93000 44310863 8662.8349 ## 531 France Europe 1962 70.51000 47124000 10560.4855 ## 532 France Europe 1967 71.55000 49569000 12999.9177 ## 533 France Europe 1972 72.38000 51732000 16107.1917 ## 534 France Europe 1977 73.83000 53165019 18292.6351 ## 535 France Europe 1982 74.89000 54433565 20293.8975 ## 536 France Europe 1987 76.34000 55630100 22066.4421 ## 537 France Europe 1992 77.46000 57374179 24703.7961 ## 538 France Europe 1997 78.64000 58623428 25889.7849 ## 539 France Europe 2002 79.59000 59925035 28926.0323 ## 540 France Europe 2007 80.65700 61083916 30470.0167 ## 541 Gabon Africa 1952 37.00300 420702 4293.4765 ## 542 Gabon Africa 1957 38.99900 434904 4976.1981 ## 543 Gabon Africa 1962 40.48900 455661 6631.4592 ## 544 Gabon Africa 1967 44.59800 489004 8358.7620 ## 545 Gabon Africa 1972 48.69000 537977 11401.9484 ## 546 Gabon Africa 1977 52.79000 706367 21745.5733 ## 547 Gabon Africa 1982 56.56400 753874 15113.3619 ## 548 Gabon Africa 1987 60.19000 880397 11864.4084 ## 549 Gabon Africa 1992 61.36600 985739 13522.1575 ## 550 Gabon Africa 1997 60.46100 1126189 14722.8419 ## 551 Gabon Africa 2002 56.76100 1299304 12521.7139 ## 552 Gabon Africa 2007 56.73500 1454867 13206.4845 ## 553 Gambia Africa 1952 30.00000 284320 485.2307 ## 554 Gambia Africa 1957 32.06500 323150 520.9267 ## 555 Gambia Africa 1962 33.89600 374020 599.6503 ## 556 Gambia Africa 1967 35.85700 439593 734.7829 ## 557 Gambia Africa 1972 38.30800 517101 756.0868 ## 558 Gambia Africa 1977 41.84200 608274 884.7553 ## 559 Gambia Africa 1982 45.58000 715523 835.8096 ## 560 Gambia Africa 1987 49.26500 848406 611.6589 ## 561 Gambia Africa 1992 52.64400 1025384 665.6244 ## 562 Gambia Africa 1997 55.86100 1235767 653.7302 ## 563 Gambia Africa 2002 58.04100 1457766 660.5856 ## 564 Gambia Africa 2007 59.44800 1688359 752.7497 ## 565 Germany Europe 1952 67.50000 69145952 7144.1144 ## 566 Germany Europe 1957 69.10000 71019069 10187.8267 ## 567 Germany Europe 1962 70.30000 73739117 12902.4629 ## 568 Germany Europe 1967 70.80000 76368453 14745.6256 ## 569 Germany Europe 1972 71.00000 78717088 18016.1803 ## 570 Germany Europe 1977 72.50000 78160773 20512.9212 ## 571 Germany Europe 1982 73.80000 78335266 22031.5327 ## 572 Germany Europe 1987 74.84700 77718298 24639.1857 ## 573 Germany Europe 1992 76.07000 80597764 26505.3032 ## 574 Germany Europe 1997 77.34000 82011073 27788.8842 ## 575 Germany Europe 2002 78.67000 82350671 30035.8020 ## 576 Germany Europe 2007 79.40600 82400996 32170.3744 ## 577 Ghana Africa 1952 43.14900 5581001 911.2989 ## 578 Ghana Africa 1957 44.77900 6391288 1043.5615 ## 579 Ghana Africa 1962 46.45200 7355248 1190.0411 ## 580 Ghana Africa 1967 48.07200 8490213 1125.6972 ## 581 Ghana Africa 1972 49.87500 9354120 1178.2237 ## 582 Ghana Africa 1977 51.75600 10538093 993.2240 ## 583 Ghana Africa 1982 53.74400 11400338 876.0326 ## 584 Ghana Africa 1987 55.72900 14168101 847.0061 ## 585 Ghana Africa 1992 57.50100 16278738 925.0602 ## 586 Ghana Africa 1997 58.55600 18418288 1005.2458 ## 587 Ghana Africa 2002 58.45300 20550751 1111.9846 ## 588 Ghana Africa 2007 60.02200 22873338 1327.6089 ## 589 Greece Europe 1952 65.86000 7733250 3530.6901 ## 590 Greece Europe 1957 67.86000 8096218 4916.2999 ## 591 Greece Europe 1962 69.51000 8448233 6017.1907 ## 592 Greece Europe 1967 71.00000 8716441 8513.0970 ## 593 Greece Europe 1972 72.34000 8888628 12724.8296 ## 594 Greece Europe 1977 73.68000 9308479 14195.5243 ## 595 Greece Europe 1982 75.24000 9786480 15268.4209 ## 596 Greece Europe 1987 76.67000 9974490 16120.5284 ## 597 Greece Europe 1992 77.03000 10325429 17541.4963 ## 598 Greece Europe 1997 77.86900 10502372 18747.6981 ## 599 Greece Europe 2002 78.25600 10603863 22514.2548 ## 600 Greece Europe 2007 79.48300 10706290 27538.4119 ## 601 Guatemala Americas 1952 42.02300 3146381 2428.2378 ## 602 Guatemala Americas 1957 44.14200 3640876 2617.1560 ## 603 Guatemala Americas 1962 46.95400 4208858 2750.3644 ## 604 Guatemala Americas 1967 50.01600 4690773 3242.5311 ## 605 Guatemala Americas 1972 53.73800 5149581 4031.4083 ## 606 Guatemala Americas 1977 56.02900 5703430 4879.9927 ## 607 Guatemala Americas 1982 58.13700 6395630 4820.4948 ## 608 Guatemala Americas 1987 60.78200 7326406 4246.4860 ## 609 Guatemala Americas 1992 63.37300 8486949 4439.4508 ## 610 Guatemala Americas 1997 66.32200 9803875 4684.3138 ## 611 Guatemala Americas 2002 68.97800 11178650 4858.3475 ## 612 Guatemala Americas 2007 70.25900 12572928 5186.0500 ## 613 Guinea Africa 1952 33.60900 2664249 510.1965 ## 614 Guinea Africa 1957 34.55800 2876726 576.2670 ## 615 Guinea Africa 1962 35.75300 3140003 686.3737 ## 616 Guinea Africa 1967 37.19700 3451418 708.7595 ## 617 Guinea Africa 1972 38.84200 3811387 741.6662 ## 618 Guinea Africa 1977 40.76200 4227026 874.6859 ## 619 Guinea Africa 1982 42.89100 4710497 857.2504 ## 620 Guinea Africa 1987 45.55200 5650262 805.5725 ## 621 Guinea Africa 1992 48.57600 6990574 794.3484 ## 622 Guinea Africa 1997 51.45500 8048834 869.4498 ## 623 Guinea Africa 2002 53.67600 8807818 945.5836 ## 624 Guinea Africa 2007 56.00700 9947814 942.6542 ## 625 Guinea-Bissau Africa 1952 32.50000 580653 299.8503 ## 626 Guinea-Bissau Africa 1957 33.48900 601095 431.7905 ## 627 Guinea-Bissau Africa 1962 34.48800 627820 522.0344 ## 628 Guinea-Bissau Africa 1967 35.49200 601287 715.5806 ## 629 Guinea-Bissau Africa 1972 36.48600 625361 820.2246 ## 630 Guinea-Bissau Africa 1977 37.46500 745228 764.7260 ## 631 Guinea-Bissau Africa 1982 39.32700 825987 838.1240 ## 632 Guinea-Bissau Africa 1987 41.24500 927524 736.4154 ## 633 Guinea-Bissau Africa 1992 43.26600 1050938 745.5399 ## 634 Guinea-Bissau Africa 1997 44.87300 1193708 796.6645 ## 635 Guinea-Bissau Africa 2002 45.50400 1332459 575.7047 ## 636 Guinea-Bissau Africa 2007 46.38800 1472041 579.2317 ## 637 Haiti Americas 1952 37.57900 3201488 1840.3669 ## 638 Haiti Americas 1957 40.69600 3507701 1726.8879 ## 639 Haiti Americas 1962 43.59000 3880130 1796.5890 ## 640 Haiti Americas 1967 46.24300 4318137 1452.0577 ## 641 Haiti Americas 1972 48.04200 4698301 1654.4569 ## 642 Haiti Americas 1977 49.92300 4908554 1874.2989 ## 643 Haiti Americas 1982 51.46100 5198399 2011.1595 ## 644 Haiti Americas 1987 53.63600 5756203 1823.0160 ## 645 Haiti Americas 1992 55.08900 6326682 1456.3095 ## 646 Haiti Americas 1997 56.67100 6913545 1341.7269 ## 647 Haiti Americas 2002 58.13700 7607651 1270.3649 ## 648 Haiti Americas 2007 60.91600 8502814 1201.6372 ## 649 Honduras Americas 1952 41.91200 1517453 2194.9262 ## 650 Honduras Americas 1957 44.66500 1770390 2220.4877 ## 651 Honduras Americas 1962 48.04100 2090162 2291.1568 ## 652 Honduras Americas 1967 50.92400 2500689 2538.2694 ## 653 Honduras Americas 1972 53.88400 2965146 2529.8423 ## 654 Honduras Americas 1977 57.40200 3055235 3203.2081 ## 655 Honduras Americas 1982 60.90900 3669448 3121.7608 ## 656 Honduras Americas 1987 64.49200 4372203 3023.0967 ## 657 Honduras Americas 1992 66.39900 5077347 3081.6946 ## 658 Honduras Americas 1997 67.65900 5867957 3160.4549 ## 659 Honduras Americas 2002 68.56500 6677328 3099.7287 ## 660 Honduras Americas 2007 70.19800 7483763 3548.3308 ## 661 Hong Kong, China Asia 1952 60.96000 2125900 3054.4212 ## 662 Hong Kong, China Asia 1957 64.75000 2736300 3629.0765 ## 663 Hong Kong, China Asia 1962 67.65000 3305200 4692.6483 ## 664 Hong Kong, China Asia 1967 70.00000 3722800 6197.9628 ## 665 Hong Kong, China Asia 1972 72.00000 4115700 8315.9281 ## 666 Hong Kong, China Asia 1977 73.60000 4583700 11186.1413 ## 667 Hong Kong, China Asia 1982 75.45000 5264500 14560.5305 ## 668 Hong Kong, China Asia 1987 76.20000 5584510 20038.4727 ## 669 Hong Kong, China Asia 1992 77.60100 5829696 24757.6030 ## 670 Hong Kong, China Asia 1997 80.00000 6495918 28377.6322 ## 671 Hong Kong, China Asia 2002 81.49500 6762476 30209.0152 ## 672 Hong Kong, China Asia 2007 82.20800 6980412 39724.9787 ## 673 Hungary Europe 1952 64.03000 9504000 5263.6738 ## 674 Hungary Europe 1957 66.41000 9839000 6040.1800 ## 675 Hungary Europe 1962 67.96000 10063000 7550.3599 ## 676 Hungary Europe 1967 69.50000 10223422 9326.6447 ## 677 Hungary Europe 1972 69.76000 10394091 10168.6561 ## 678 Hungary Europe 1977 69.95000 10637171 11674.8374 ## 679 Hungary Europe 1982 69.39000 10705535 12545.9907 ## 680 Hungary Europe 1987 69.58000 10612740 12986.4800 ## 681 Hungary Europe 1992 69.17000 10348684 10535.6285 ## 682 Hungary Europe 1997 71.04000 10244684 11712.7768 ## 683 Hungary Europe 2002 72.59000 10083313 14843.9356 ## 684 Hungary Europe 2007 73.33800 9956108 18008.9444 ## 685 Iceland Europe 1952 72.49000 147962 7267.6884 ## 686 Iceland Europe 1957 73.47000 165110 9244.0014 ## 687 Iceland Europe 1962 73.68000 182053 10350.1591 ## 688 Iceland Europe 1967 73.73000 198676 13319.8957 ## 689 Iceland Europe 1972 74.46000 209275 15798.0636 ## 690 Iceland Europe 1977 76.11000 221823 19654.9625 ## 691 Iceland Europe 1982 76.99000 233997 23269.6075 ## 692 Iceland Europe 1987 77.23000 244676 26923.2063 ## 693 Iceland Europe 1992 78.77000 259012 25144.3920 ## 694 Iceland Europe 1997 78.95000 271192 28061.0997 ## 695 Iceland Europe 2002 80.50000 288030 31163.2020 ## 696 Iceland Europe 2007 81.75700 301931 36180.7892 ## 697 India Asia 1952 37.37300 372000000 546.5657 ## 698 India Asia 1957 40.24900 409000000 590.0620 ## 699 India Asia 1962 43.60500 454000000 658.3472 ## 700 India Asia 1967 47.19300 506000000 700.7706 ## 701 India Asia 1972 50.65100 567000000 724.0325 ## 702 India Asia 1977 54.20800 634000000 813.3373 ## 703 India Asia 1982 56.59600 708000000 855.7235 ## 704 India Asia 1987 58.55300 788000000 976.5127 ## 705 India Asia 1992 60.22300 872000000 1164.4068 ## 706 India Asia 1997 61.76500 959000000 1458.8174 ## 707 India Asia 2002 62.87900 1034172547 1746.7695 ## 708 India Asia 2007 64.69800 1110396331 2452.2104 ## 709 Indonesia Asia 1952 37.46800 82052000 749.6817 ## 710 Indonesia Asia 1957 39.91800 90124000 858.9003 ## 711 Indonesia Asia 1962 42.51800 99028000 849.2898 ## 712 Indonesia Asia 1967 45.96400 109343000 762.4318 ## 713 Indonesia Asia 1972 49.20300 121282000 1111.1079 ## 714 Indonesia Asia 1977 52.70200 136725000 1382.7021 ## 715 Indonesia Asia 1982 56.15900 153343000 1516.8730 ## 716 Indonesia Asia 1987 60.13700 169276000 1748.3570 ## 717 Indonesia Asia 1992 62.68100 184816000 2383.1409 ## 718 Indonesia Asia 1997 66.04100 199278000 3119.3356 ## 719 Indonesia Asia 2002 68.58800 211060000 2873.9129 ## 720 Indonesia Asia 2007 70.65000 223547000 3540.6516 ## 721 Iran Asia 1952 44.86900 17272000 3035.3260 ## 722 Iran Asia 1957 47.18100 19792000 3290.2576 ## 723 Iran Asia 1962 49.32500 22874000 4187.3298 ## 724 Iran Asia 1967 52.46900 26538000 5906.7318 ## 725 Iran Asia 1972 55.23400 30614000 9613.8186 ## 726 Iran Asia 1977 57.70200 35480679 11888.5951 ## 727 Iran Asia 1982 59.62000 43072751 7608.3346 ## 728 Iran Asia 1987 63.04000 51889696 6642.8814 ## 729 Iran Asia 1992 65.74200 60397973 7235.6532 ## 730 Iran Asia 1997 68.04200 63327987 8263.5903 ## 731 Iran Asia 2002 69.45100 66907826 9240.7620 ## 732 Iran Asia 2007 70.96400 69453570 11605.7145 ## 733 Iraq Asia 1952 45.32000 5441766 4129.7661 ## 734 Iraq Asia 1957 48.43700 6248643 6229.3336 ## 735 Iraq Asia 1962 51.45700 7240260 8341.7378 ## 736 Iraq Asia 1967 54.45900 8519282 8931.4598 ## 737 Iraq Asia 1972 56.95000 10061506 9576.0376 ## 738 Iraq Asia 1977 60.41300 11882916 14688.2351 ## 739 Iraq Asia 1982 62.03800 14173318 14517.9071 ## 740 Iraq Asia 1987 65.04400 16543189 11643.5727 ## 741 Iraq Asia 1992 59.46100 17861905 3745.6407 ## 742 Iraq Asia 1997 58.81100 20775703 3076.2398 ## 743 Iraq Asia 2002 57.04600 24001816 4390.7173 ## 744 Iraq Asia 2007 59.54500 27499638 4471.0619 ## 745 Ireland Europe 1952 66.91000 2952156 5210.2803 ## 746 Ireland Europe 1957 68.90000 2878220 5599.0779 ## 747 Ireland Europe 1962 70.29000 2830000 6631.5973 ## 748 Ireland Europe 1967 71.08000 2900100 7655.5690 ## 749 Ireland Europe 1972 71.28000 3024400 9530.7729 ## 750 Ireland Europe 1977 72.03000 3271900 11150.9811 ## 751 Ireland Europe 1982 73.10000 3480000 12618.3214 ## 752 Ireland Europe 1987 74.36000 3539900 13872.8665 ## 753 Ireland Europe 1992 75.46700 3557761 17558.8155 ## 754 Ireland Europe 1997 76.12200 3667233 24521.9471 ## 755 Ireland Europe 2002 77.78300 3879155 34077.0494 ## 756 Ireland Europe 2007 78.88500 4109086 40675.9964 ## 757 Israel Asia 1952 65.39000 1620914 4086.5221 ## 758 Israel Asia 1957 67.84000 1944401 5385.2785 ## 759 Israel Asia 1962 69.39000 2310904 7105.6307 ## 760 Israel Asia 1967 70.75000 2693585 8393.7414 ## 761 Israel Asia 1972 71.63000 3095893 12786.9322 ## 762 Israel Asia 1977 73.06000 3495918 13306.6192 ## 763 Israel Asia 1982 74.45000 3858421 15367.0292 ## 764 Israel Asia 1987 75.60000 4203148 17122.4799 ## 765 Israel Asia 1992 76.93000 4936550 18051.5225 ## 766 Israel Asia 1997 78.26900 5531387 20896.6092 ## 767 Israel Asia 2002 79.69600 6029529 21905.5951 ## 768 Israel Asia 2007 80.74500 6426679 25523.2771 ## 769 Italy Europe 1952 65.94000 47666000 4931.4042 ## 770 Italy Europe 1957 67.81000 49182000 6248.6562 ## 771 Italy Europe 1962 69.24000 50843200 8243.5823 ## 772 Italy Europe 1967 71.06000 52667100 10022.4013 ## 773 Italy Europe 1972 72.19000 54365564 12269.2738 ## 774 Italy Europe 1977 73.48000 56059245 14255.9847 ## 775 Italy Europe 1982 74.98000 56535636 16537.4835 ## 776 Italy Europe 1987 76.42000 56729703 19207.2348 ## 777 Italy Europe 1992 77.44000 56840847 22013.6449 ## 778 Italy Europe 1997 78.82000 57479469 24675.0245 ## 779 Italy Europe 2002 80.24000 57926999 27968.0982 ## 780 Italy Europe 2007 80.54600 58147733 28569.7197 ## 781 Jamaica Americas 1952 58.53000 1426095 2898.5309 ## 782 Jamaica Americas 1957 62.61000 1535090 4756.5258 ## 783 Jamaica Americas 1962 65.61000 1665128 5246.1075 ## 784 Jamaica Americas 1967 67.51000 1861096 6124.7035 ## 785 Jamaica Americas 1972 69.00000 1997616 7433.8893 ## 786 Jamaica Americas 1977 70.11000 2156814 6650.1956 ## 787 Jamaica Americas 1982 71.21000 2298309 6068.0513 ## 788 Jamaica Americas 1987 71.77000 2326606 6351.2375 ## 789 Jamaica Americas 1992 71.76600 2378618 7404.9237 ## 790 Jamaica Americas 1997 72.26200 2531311 7121.9247 ## 791 Jamaica Americas 2002 72.04700 2664659 6994.7749 ## 792 Jamaica Americas 2007 72.56700 2780132 7320.8803 ## 793 Japan Asia 1952 63.03000 86459025 3216.9563 ## 794 Japan Asia 1957 65.50000 91563009 4317.6944 ## 795 Japan Asia 1962 68.73000 95831757 6576.6495 ## 796 Japan Asia 1967 71.43000 100825279 9847.7886 ## 797 Japan Asia 1972 73.42000 107188273 14778.7864 ## 798 Japan Asia 1977 75.38000 113872473 16610.3770 ## 799 Japan Asia 1982 77.11000 118454974 19384.1057 ## 800 Japan Asia 1987 78.67000 122091325 22375.9419 ## 801 Japan Asia 1992 79.36000 124329269 26824.8951 ## 802 Japan Asia 1997 80.69000 125956499 28816.5850 ## 803 Japan Asia 2002 82.00000 127065841 28604.5919 ## 804 Japan Asia 2007 82.60300 127467972 31656.0681 ## 805 Jordan Asia 1952 43.15800 607914 1546.9078 ## 806 Jordan Asia 1957 45.66900 746559 1886.0806 ## 807 Jordan Asia 1962 48.12600 933559 2348.0092 ## 808 Jordan Asia 1967 51.62900 1255058 2741.7963 ## 809 Jordan Asia 1972 56.52800 1613551 2110.8563 ## 810 Jordan Asia 1977 61.13400 1937652 2852.3516 ## 811 Jordan Asia 1982 63.73900 2347031 4161.4160 ## 812 Jordan Asia 1987 65.86900 2820042 4448.6799 ## 813 Jordan Asia 1992 68.01500 3867409 3431.5936 ## 814 Jordan Asia 1997 69.77200 4526235 3645.3796 ## 815 Jordan Asia 2002 71.26300 5307470 3844.9172 ## 816 Jordan Asia 2007 72.53500 6053193 4519.4612 ## 817 Kenya Africa 1952 42.27000 6464046 853.5409 ## 818 Kenya Africa 1957 44.68600 7454779 944.4383 ## 819 Kenya Africa 1962 47.94900 8678557 896.9664 ## 820 Kenya Africa 1967 50.65400 10191512 1056.7365 ## 821 Kenya Africa 1972 53.55900 12044785 1222.3600 ## 822 Kenya Africa 1977 56.15500 14500404 1267.6132 ## 823 Kenya Africa 1982 58.76600 17661452 1348.2258 ## 824 Kenya Africa 1987 59.33900 21198082 1361.9369 ## 825 Kenya Africa 1992 59.28500 25020539 1341.9217 ## 826 Kenya Africa 1997 54.40700 28263827 1360.4850 ## 827 Kenya Africa 2002 50.99200 31386842 1287.5147 ## 828 Kenya Africa 2007 54.11000 35610177 1463.2493 ## 829 Korea, Dem. Rep. Asia 1952 50.05600 8865488 1088.2778 ## 830 Korea, Dem. Rep. Asia 1957 54.08100 9411381 1571.1347 ## 831 Korea, Dem. Rep. Asia 1962 56.65600 10917494 1621.6936 ## 832 Korea, Dem. Rep. Asia 1967 59.94200 12617009 2143.5406 ## 833 Korea, Dem. Rep. Asia 1972 63.98300 14781241 3701.6215 ## 834 Korea, Dem. Rep. Asia 1977 67.15900 16325320 4106.3012 ## 835 Korea, Dem. Rep. Asia 1982 69.10000 17647518 4106.5253 ## 836 Korea, Dem. Rep. Asia 1987 70.64700 19067554 4106.4923 ## 837 Korea, Dem. Rep. Asia 1992 69.97800 20711375 3726.0635 ## 838 Korea, Dem. Rep. Asia 1997 67.72700 21585105 1690.7568 ## 839 Korea, Dem. Rep. Asia 2002 66.66200 22215365 1646.7582 ## 840 Korea, Dem. Rep. Asia 2007 67.29700 23301725 1593.0655 ## 841 Korea, Rep. Asia 1952 47.45300 20947571 1030.5922 ## 842 Korea, Rep. Asia 1957 52.68100 22611552 1487.5935 ## 843 Korea, Rep. Asia 1962 55.29200 26420307 1536.3444 ## 844 Korea, Rep. Asia 1967 57.71600 30131000 2029.2281 ## 845 Korea, Rep. Asia 1972 62.61200 33505000 3030.8767 ## 846 Korea, Rep. Asia 1977 64.76600 36436000 4657.2210 ## 847 Korea, Rep. Asia 1982 67.12300 39326000 5622.9425 ## 848 Korea, Rep. Asia 1987 69.81000 41622000 8533.0888 ## 849 Korea, Rep. Asia 1992 72.24400 43805450 12104.2787 ## 850 Korea, Rep. Asia 1997 74.64700 46173816 15993.5280 ## 851 Korea, Rep. Asia 2002 77.04500 47969150 19233.9882 ## 852 Korea, Rep. Asia 2007 78.62300 49044790 23348.1397 ## 853 Kuwait Asia 1952 55.56500 160000 108382.3529 ## 854 Kuwait Asia 1957 58.03300 212846 113523.1329 ## 855 Kuwait Asia 1962 60.47000 358266 95458.1118 ## 856 Kuwait Asia 1967 64.62400 575003 80894.8833 ## 857 Kuwait Asia 1972 67.71200 841934 109347.8670 ## 858 Kuwait Asia 1977 69.34300 1140357 59265.4771 ## 859 Kuwait Asia 1982 71.30900 1497494 31354.0357 ## 860 Kuwait Asia 1987 74.17400 1891487 28118.4300 ## 861 Kuwait Asia 1992 75.19000 1418095 34932.9196 ## 862 Kuwait Asia 1997 76.15600 1765345 40300.6200 ## 863 Kuwait Asia 2002 76.90400 2111561 35110.1057 ## 864 Kuwait Asia 2007 77.58800 2505559 47306.9898 ## 865 Lebanon Asia 1952 55.92800 1439529 4834.8041 ## 866 Lebanon Asia 1957 59.48900 1647412 6089.7869 ## 867 Lebanon Asia 1962 62.09400 1886848 5714.5606 ## 868 Lebanon Asia 1967 63.87000 2186894 6006.9830 ## 869 Lebanon Asia 1972 65.42100 2680018 7486.3843 ## 870 Lebanon Asia 1977 66.09900 3115787 8659.6968 ## 871 Lebanon Asia 1982 66.98300 3086876 7640.5195 ## 872 Lebanon Asia 1987 67.92600 3089353 5377.0913 ## 873 Lebanon Asia 1992 69.29200 3219994 6890.8069 ## 874 Lebanon Asia 1997 70.26500 3430388 8754.9639 ## 875 Lebanon Asia 2002 71.02800 3677780 9313.9388 ## 876 Lebanon Asia 2007 71.99300 3921278 10461.0587 ## 877 Lesotho Africa 1952 42.13800 748747 298.8462 ## 878 Lesotho Africa 1957 45.04700 813338 335.9971 ## 879 Lesotho Africa 1962 47.74700 893143 411.8006 ## 880 Lesotho Africa 1967 48.49200 996380 498.6390 ## 881 Lesotho Africa 1972 49.76700 1116779 496.5816 ## 882 Lesotho Africa 1977 52.20800 1251524 745.3695 ## 883 Lesotho Africa 1982 55.07800 1411807 797.2631 ## 884 Lesotho Africa 1987 57.18000 1599200 773.9932 ## 885 Lesotho Africa 1992 59.68500 1803195 977.4863 ## 886 Lesotho Africa 1997 55.55800 1982823 1186.1480 ## 887 Lesotho Africa 2002 44.59300 2046772 1275.1846 ## 888 Lesotho Africa 2007 42.59200 2012649 1569.3314 ## 889 Liberia Africa 1952 38.48000 863308 575.5730 ## 890 Liberia Africa 1957 39.48600 975950 620.9700 ## 891 Liberia Africa 1962 40.50200 1112796 634.1952 ## 892 Liberia Africa 1967 41.53600 1279406 713.6036 ## 893 Liberia Africa 1972 42.61400 1482628 803.0055 ## 894 Liberia Africa 1977 43.76400 1703617 640.3224 ## 895 Liberia Africa 1982 44.85200 1956875 572.1996 ## 896 Liberia Africa 1987 46.02700 2269414 506.1139 ## 897 Liberia Africa 1992 40.80200 1912974 636.6229 ## 898 Liberia Africa 1997 42.22100 2200725 609.1740 ## 899 Liberia Africa 2002 43.75300 2814651 531.4824 ## 900 Liberia Africa 2007 45.67800 3193942 414.5073 ## 901 Libya Africa 1952 42.72300 1019729 2387.5481 ## 902 Libya Africa 1957 45.28900 1201578 3448.2844 ## 903 Libya Africa 1962 47.80800 1441863 6757.0308 ## 904 Libya Africa 1967 50.22700 1759224 18772.7517 ## 905 Libya Africa 1972 52.77300 2183877 21011.4972 ## 906 Libya Africa 1977 57.44200 2721783 21951.2118 ## 907 Libya Africa 1982 62.15500 3344074 17364.2754 ## 908 Libya Africa 1987 66.23400 3799845 11770.5898 ## 909 Libya Africa 1992 68.75500 4364501 9640.1385 ## 910 Libya Africa 1997 71.55500 4759670 9467.4461 ## 911 Libya Africa 2002 72.73700 5368585 9534.6775 ## 912 Libya Africa 2007 73.95200 6036914 12057.4993 ## 913 Madagascar Africa 1952 36.68100 4762912 1443.0117 ## 914 Madagascar Africa 1957 38.86500 5181679 1589.2027 ## 915 Madagascar Africa 1962 40.84800 5703324 1643.3871 ## 916 Madagascar Africa 1967 42.88100 6334556 1634.0473 ## 917 Madagascar Africa 1972 44.85100 7082430 1748.5630 ## 918 Madagascar Africa 1977 46.88100 8007166 1544.2286 ## 919 Madagascar Africa 1982 48.96900 9171477 1302.8787 ## 920 Madagascar Africa 1987 49.35000 10568642 1155.4419 ## 921 Madagascar Africa 1992 52.21400 12210395 1040.6762 ## 922 Madagascar Africa 1997 54.97800 14165114 986.2959 ## 923 Madagascar Africa 2002 57.28600 16473477 894.6371 ## 924 Madagascar Africa 2007 59.44300 19167654 1044.7701 ## 925 Malawi Africa 1952 36.25600 2917802 369.1651 ## 926 Malawi Africa 1957 37.20700 3221238 416.3698 ## 927 Malawi Africa 1962 38.41000 3628608 427.9011 ## 928 Malawi Africa 1967 39.48700 4147252 495.5148 ## 929 Malawi Africa 1972 41.76600 4730997 584.6220 ## 930 Malawi Africa 1977 43.76700 5637246 663.2237 ## 931 Malawi Africa 1982 45.64200 6502825 632.8039 ## 932 Malawi Africa 1987 47.45700 7824747 635.5174 ## 933 Malawi Africa 1992 49.42000 10014249 563.2000 ## 934 Malawi Africa 1997 47.49500 10419991 692.2758 ## 935 Malawi Africa 2002 45.00900 11824495 665.4231 ## 936 Malawi Africa 2007 48.30300 13327079 759.3499 ## 937 Malaysia Asia 1952 48.46300 6748378 1831.1329 ## 938 Malaysia Asia 1957 52.10200 7739235 1810.0670 ## 939 Malaysia Asia 1962 55.73700 8906385 2036.8849 ## 940 Malaysia Asia 1967 59.37100 10154878 2277.7424 ## 941 Malaysia Asia 1972 63.01000 11441462 2849.0948 ## 942 Malaysia Asia 1977 65.25600 12845381 3827.9216 ## 943 Malaysia Asia 1982 68.00000 14441916 4920.3560 ## 944 Malaysia Asia 1987 69.50000 16331785 5249.8027 ## 945 Malaysia Asia 1992 70.69300 18319502 7277.9128 ## 946 Malaysia Asia 1997 71.93800 20476091 10132.9096 ## 947 Malaysia Asia 2002 73.04400 22662365 10206.9779 ## 948 Malaysia Asia 2007 74.24100 24821286 12451.6558 ## 949 Mali Africa 1952 33.68500 3838168 452.3370 ## 950 Mali Africa 1957 35.30700 4241884 490.3822 ## 951 Mali Africa 1962 36.93600 4690372 496.1743 ## 952 Mali Africa 1967 38.48700 5212416 545.0099 ## 953 Mali Africa 1972 39.97700 5828158 581.3689 ## 954 Mali Africa 1977 41.71400 6491649 686.3953 ## 955 Mali Africa 1982 43.91600 6998256 618.0141 ## 956 Mali Africa 1987 46.36400 7634008 684.1716 ## 957 Mali Africa 1992 48.38800 8416215 739.0144 ## 958 Mali Africa 1997 49.90300 9384984 790.2580 ## 959 Mali Africa 2002 51.81800 10580176 951.4098 ## 960 Mali Africa 2007 54.46700 12031795 1042.5816 ## 961 Mauritania Africa 1952 40.54300 1022556 743.1159 ## 962 Mauritania Africa 1957 42.33800 1076852 846.1203 ## 963 Mauritania Africa 1962 44.24800 1146757 1055.8960 ## 964 Mauritania Africa 1967 46.28900 1230542 1421.1452 ## 965 Mauritania Africa 1972 48.43700 1332786 1586.8518 ## 966 Mauritania Africa 1977 50.85200 1456688 1497.4922 ## 967 Mauritania Africa 1982 53.59900 1622136 1481.1502 ## 968 Mauritania Africa 1987 56.14500 1841240 1421.6036 ## 969 Mauritania Africa 1992 58.33300 2119465 1361.3698 ## 970 Mauritania Africa 1997 60.43000 2444741 1483.1361 ## 971 Mauritania Africa 2002 62.24700 2828858 1579.0195 ## 972 Mauritania Africa 2007 64.16400 3270065 1803.1515 ## 973 Mauritius Africa 1952 50.98600 516556 1967.9557 ## 974 Mauritius Africa 1957 58.08900 609816 2034.0380 ## 975 Mauritius Africa 1962 60.24600 701016 2529.0675 ## 976 Mauritius Africa 1967 61.55700 789309 2475.3876 ## 977 Mauritius Africa 1972 62.94400 851334 2575.4842 ## 978 Mauritius Africa 1977 64.93000 913025 3710.9830 ## 979 Mauritius Africa 1982 66.71100 992040 3688.0377 ## 980 Mauritius Africa 1987 68.74000 1042663 4783.5869 ## 981 Mauritius Africa 1992 69.74500 1096202 6058.2538 ## 982 Mauritius Africa 1997 70.73600 1149818 7425.7053 ## 983 Mauritius Africa 2002 71.95400 1200206 9021.8159 ## 984 Mauritius Africa 2007 72.80100 1250882 10956.9911 ## 985 Mexico Americas 1952 50.78900 30144317 3478.1255 ## 986 Mexico Americas 1957 55.19000 35015548 4131.5466 ## 987 Mexico Americas 1962 58.29900 41121485 4581.6094 ## 988 Mexico Americas 1967 60.11000 47995559 5754.7339 ## 989 Mexico Americas 1972 62.36100 55984294 6809.4067 ## 990 Mexico Americas 1977 65.03200 63759976 7674.9291 ## 991 Mexico Americas 1982 67.40500 71640904 9611.1475 ## 992 Mexico Americas 1987 69.49800 80122492 8688.1560 ## 993 Mexico Americas 1992 71.45500 88111030 9472.3843 ## 994 Mexico Americas 1997 73.67000 95895146 9767.2975 ## 995 Mexico Americas 2002 74.90200 102479927 10742.4405 ## 996 Mexico Americas 2007 76.19500 108700891 11977.5750 ## 997 Mongolia Asia 1952 42.24400 800663 786.5669 ## 998 Mongolia Asia 1957 45.24800 882134 912.6626 ## 999 Mongolia Asia 1962 48.25100 1010280 1056.3540 ## 1000 Mongolia Asia 1967 51.25300 1149500 1226.0411 ## 1001 Mongolia Asia 1972 53.75400 1320500 1421.7420 ## 1002 Mongolia Asia 1977 55.49100 1528000 1647.5117 ## 1003 Mongolia Asia 1982 57.48900 1756032 2000.6031 ## 1004 Mongolia Asia 1987 60.22200 2015133 2338.0083 ## 1005 Mongolia Asia 1992 61.27100 2312802 1785.4020 ## 1006 Mongolia Asia 1997 63.62500 2494803 1902.2521 ## 1007 Mongolia Asia 2002 65.03300 2674234 2140.7393 ## 1008 Mongolia Asia 2007 66.80300 2874127 3095.7723 ## 1009 Montenegro Europe 1952 59.16400 413834 2647.5856 ## 1010 Montenegro Europe 1957 61.44800 442829 3682.2599 ## 1011 Montenegro Europe 1962 63.72800 474528 4649.5938 ## 1012 Montenegro Europe 1967 67.17800 501035 5907.8509 ## 1013 Montenegro Europe 1972 70.63600 527678 7778.4140 ## 1014 Montenegro Europe 1977 73.06600 560073 9595.9299 ## 1015 Montenegro Europe 1982 74.10100 562548 11222.5876 ## 1016 Montenegro Europe 1987 74.86500 569473 11732.5102 ## 1017 Montenegro Europe 1992 75.43500 621621 7003.3390 ## 1018 Montenegro Europe 1997 75.44500 692651 6465.6133 ## 1019 Montenegro Europe 2002 73.98100 720230 6557.1943 ## 1020 Montenegro Europe 2007 74.54300 684736 9253.8961 ## 1021 Morocco Africa 1952 42.87300 9939217 1688.2036 ## 1022 Morocco Africa 1957 45.42300 11406350 1642.0023 ## 1023 Morocco Africa 1962 47.92400 13056604 1566.3535 ## 1024 Morocco Africa 1967 50.33500 14770296 1711.0448 ## 1025 Morocco Africa 1972 52.86200 16660670 1930.1950 ## 1026 Morocco Africa 1977 55.73000 18396941 2370.6200 ## 1027 Morocco Africa 1982 59.65000 20198730 2702.6204 ## 1028 Morocco Africa 1987 62.67700 22987397 2755.0470 ## 1029 Morocco Africa 1992 65.39300 25798239 2948.0473 ## 1030 Morocco Africa 1997 67.66000 28529501 2982.1019 ## 1031 Morocco Africa 2002 69.61500 31167783 3258.4956 ## 1032 Morocco Africa 2007 71.16400 33757175 3820.1752 ## 1033 Mozambique Africa 1952 31.28600 6446316 468.5260 ## 1034 Mozambique Africa 1957 33.77900 7038035 495.5868 ## 1035 Mozambique Africa 1962 36.16100 7788944 556.6864 ## 1036 Mozambique Africa 1967 38.11300 8680909 566.6692 ## 1037 Mozambique Africa 1972 40.32800 9809596 724.9178 ## 1038 Mozambique Africa 1977 42.49500 11127868 502.3197 ## 1039 Mozambique Africa 1982 42.79500 12587223 462.2114 ## 1040 Mozambique Africa 1987 42.86100 12891952 389.8762 ## 1041 Mozambique Africa 1992 44.28400 13160731 410.8968 ## 1042 Mozambique Africa 1997 46.34400 16603334 472.3461 ## 1043 Mozambique Africa 2002 44.02600 18473780 633.6179 ## 1044 Mozambique Africa 2007 42.08200 19951656 823.6856 ## 1045 Myanmar Asia 1952 36.31900 20092996 331.0000 ## 1046 Myanmar Asia 1957 41.90500 21731844 350.0000 ## 1047 Myanmar Asia 1962 45.10800 23634436 388.0000 ## 1048 Myanmar Asia 1967 49.37900 25870271 349.0000 ## 1049 Myanmar Asia 1972 53.07000 28466390 357.0000 ## 1050 Myanmar Asia 1977 56.05900 31528087 371.0000 ## 1051 Myanmar Asia 1982 58.05600 34680442 424.0000 ## 1052 Myanmar Asia 1987 58.33900 38028578 385.0000 ## 1053 Myanmar Asia 1992 59.32000 40546538 347.0000 ## 1054 Myanmar Asia 1997 60.32800 43247867 415.0000 ## 1055 Myanmar Asia 2002 59.90800 45598081 611.0000 ## 1056 Myanmar Asia 2007 62.06900 47761980 944.0000 ## 1057 Namibia Africa 1952 41.72500 485831 2423.7804 ## 1058 Namibia Africa 1957 45.22600 548080 2621.4481 ## 1059 Namibia Africa 1962 48.38600 621392 3173.2156 ## 1060 Namibia Africa 1967 51.15900 706640 3793.6948 ## 1061 Namibia Africa 1972 53.86700 821782 3746.0809 ## 1062 Namibia Africa 1977 56.43700 977026 3876.4860 ## 1063 Namibia Africa 1982 58.96800 1099010 4191.1005 ## 1064 Namibia Africa 1987 60.83500 1278184 3693.7313 ## 1065 Namibia Africa 1992 61.99900 1554253 3804.5380 ## 1066 Namibia Africa 1997 58.90900 1774766 3899.5243 ## 1067 Namibia Africa 2002 51.47900 1972153 4072.3248 ## 1068 Namibia Africa 2007 52.90600 2055080 4811.0604 ## 1069 Nepal Asia 1952 36.15700 9182536 545.8657 ## 1070 Nepal Asia 1957 37.68600 9682338 597.9364 ## 1071 Nepal Asia 1962 39.39300 10332057 652.3969 ## 1072 Nepal Asia 1967 41.47200 11261690 676.4422 ## 1073 Nepal Asia 1972 43.97100 12412593 674.7881 ## 1074 Nepal Asia 1977 46.74800 13933198 694.1124 ## 1075 Nepal Asia 1982 49.59400 15796314 718.3731 ## 1076 Nepal Asia 1987 52.53700 17917180 775.6325 ## 1077 Nepal Asia 1992 55.72700 20326209 897.7404 ## 1078 Nepal Asia 1997 59.42600 23001113 1010.8921 ## 1079 Nepal Asia 2002 61.34000 25873917 1057.2063 ## 1080 Nepal Asia 2007 63.78500 28901790 1091.3598 ## 1081 Netherlands Europe 1952 72.13000 10381988 8941.5719 ## 1082 Netherlands Europe 1957 72.99000 11026383 11276.1934 ## 1083 Netherlands Europe 1962 73.23000 11805689 12790.8496 ## 1084 Netherlands Europe 1967 73.82000 12596822 15363.2514 ## 1085 Netherlands Europe 1972 73.75000 13329874 18794.7457 ## 1086 Netherlands Europe 1977 75.24000 13852989 21209.0592 ## 1087 Netherlands Europe 1982 76.05000 14310401 21399.4605 ## 1088 Netherlands Europe 1987 76.83000 14665278 23651.3236 ## 1089 Netherlands Europe 1992 77.42000 15174244 26790.9496 ## 1090 Netherlands Europe 1997 78.03000 15604464 30246.1306 ## 1091 Netherlands Europe 2002 78.53000 16122830 33724.7578 ## 1092 Netherlands Europe 2007 79.76200 16570613 36797.9333 ## 1093 New Zealand Oceania 1952 69.39000 1994794 10556.5757 ## 1094 New Zealand Oceania 1957 70.26000 2229407 12247.3953 ## 1095 New Zealand Oceania 1962 71.24000 2488550 13175.6780 ## 1096 New Zealand Oceania 1967 71.52000 2728150 14463.9189 ## 1097 New Zealand Oceania 1972 71.89000 2929100 16046.0373 ## 1098 New Zealand Oceania 1977 72.22000 3164900 16233.7177 ## 1099 New Zealand Oceania 1982 73.84000 3210650 17632.4104 ## 1100 New Zealand Oceania 1987 74.32000 3317166 19007.1913 ## 1101 New Zealand Oceania 1992 76.33000 3437674 18363.3249 ## 1102 New Zealand Oceania 1997 77.55000 3676187 21050.4138 ## 1103 New Zealand Oceania 2002 79.11000 3908037 23189.8014 ## 1104 New Zealand Oceania 2007 80.20400 4115771 25185.0091 ## 1105 Nicaragua Americas 1952 42.31400 1165790 3112.3639 ## 1106 Nicaragua Americas 1957 45.43200 1358828 3457.4159 ## 1107 Nicaragua Americas 1962 48.63200 1590597 3634.3644 ## 1108 Nicaragua Americas 1967 51.88400 1865490 4643.3935 ## 1109 Nicaragua Americas 1972 55.15100 2182908 4688.5933 ## 1110 Nicaragua Americas 1977 57.47000 2554598 5486.3711 ## 1111 Nicaragua Americas 1982 59.29800 2979423 3470.3382 ## 1112 Nicaragua Americas 1987 62.00800 3344353 2955.9844 ## 1113 Nicaragua Americas 1992 65.84300 4017939 2170.1517 ## 1114 Nicaragua Americas 1997 68.42600 4609572 2253.0230 ## 1115 Nicaragua Americas 2002 70.83600 5146848 2474.5488 ## 1116 Nicaragua Americas 2007 72.89900 5675356 2749.3210 ## 1117 Niger Africa 1952 37.44400 3379468 761.8794 ## 1118 Niger Africa 1957 38.59800 3692184 835.5234 ## 1119 Niger Africa 1962 39.48700 4076008 997.7661 ## 1120 Niger Africa 1967 40.11800 4534062 1054.3849 ## 1121 Niger Africa 1972 40.54600 5060262 954.2092 ## 1122 Niger Africa 1977 41.29100 5682086 808.8971 ## 1123 Niger Africa 1982 42.59800 6437188 909.7221 ## 1124 Niger Africa 1987 44.55500 7332638 668.3000 ## 1125 Niger Africa 1992 47.39100 8392818 581.1827 ## 1126 Niger Africa 1997 51.31300 9666252 580.3052 ## 1127 Niger Africa 2002 54.49600 11140655 601.0745 ## 1128 Niger Africa 2007 56.86700 12894865 619.6769 ## 1129 Nigeria Africa 1952 36.32400 33119096 1077.2819 ## 1130 Nigeria Africa 1957 37.80200 37173340 1100.5926 ## 1131 Nigeria Africa 1962 39.36000 41871351 1150.9275 ## 1132 Nigeria Africa 1967 41.04000 47287752 1014.5141 ## 1133 Nigeria Africa 1972 42.82100 53740085 1698.3888 ## 1134 Nigeria Africa 1977 44.51400 62209173 1981.9518 ## 1135 Nigeria Africa 1982 45.82600 73039376 1576.9738 ## 1136 Nigeria Africa 1987 46.88600 81551520 1385.0296 ## 1137 Nigeria Africa 1992 47.47200 93364244 1619.8482 ## 1138 Nigeria Africa 1997 47.46400 106207839 1624.9413 ## 1139 Nigeria Africa 2002 46.60800 119901274 1615.2864 ## 1140 Nigeria Africa 2007 46.85900 135031164 2013.9773 ## 1141 Norway Europe 1952 72.67000 3327728 10095.4217 ## 1142 Norway Europe 1957 73.44000 3491938 11653.9730 ## 1143 Norway Europe 1962 73.47000 3638919 13450.4015 ## 1144 Norway Europe 1967 74.08000 3786019 16361.8765 ## 1145 Norway Europe 1972 74.34000 3933004 18965.0555 ## 1146 Norway Europe 1977 75.37000 4043205 23311.3494 ## 1147 Norway Europe 1982 75.97000 4114787 26298.6353 ## 1148 Norway Europe 1987 75.89000 4186147 31540.9748 ## 1149 Norway Europe 1992 77.32000 4286357 33965.6611 ## 1150 Norway Europe 1997 78.32000 4405672 41283.1643 ## 1151 Norway Europe 2002 79.05000 4535591 44683.9753 ## 1152 Norway Europe 2007 80.19600 4627926 49357.1902 ## 1153 Oman Asia 1952 37.57800 507833 1828.2303 ## 1154 Oman Asia 1957 40.08000 561977 2242.7466 ## 1155 Oman Asia 1962 43.16500 628164 2924.6381 ## 1156 Oman Asia 1967 46.98800 714775 4720.9427 ## 1157 Oman Asia 1972 52.14300 829050 10618.0385 ## 1158 Oman Asia 1977 57.36700 1004533 11848.3439 ## 1159 Oman Asia 1982 62.72800 1301048 12954.7910 ## 1160 Oman Asia 1987 67.73400 1593882 18115.2231 ## 1161 Oman Asia 1992 71.19700 1915208 18616.7069 ## 1162 Oman Asia 1997 72.49900 2283635 19702.0558 ## 1163 Oman Asia 2002 74.19300 2713462 19774.8369 ## 1164 Oman Asia 2007 75.64000 3204897 22316.1929 ## 1165 Pakistan Asia 1952 43.43600 41346560 684.5971 ## 1166 Pakistan Asia 1957 45.55700 46679944 747.0835 ## 1167 Pakistan Asia 1962 47.67000 53100671 803.3427 ## 1168 Pakistan Asia 1967 49.80000 60641899 942.4083 ## 1169 Pakistan Asia 1972 51.92900 69325921 1049.9390 ## 1170 Pakistan Asia 1977 54.04300 78152686 1175.9212 ## 1171 Pakistan Asia 1982 56.15800 91462088 1443.4298 ## 1172 Pakistan Asia 1987 58.24500 105186881 1704.6866 ## 1173 Pakistan Asia 1992 60.83800 120065004 1971.8295 ## 1174 Pakistan Asia 1997 61.81800 135564834 2049.3505 ## 1175 Pakistan Asia 2002 63.61000 153403524 2092.7124 ## 1176 Pakistan Asia 2007 65.48300 169270617 2605.9476 ## 1177 Panama Americas 1952 55.19100 940080 2480.3803 ## 1178 Panama Americas 1957 59.20100 1063506 2961.8009 ## 1179 Panama Americas 1962 61.81700 1215725 3536.5403 ## 1180 Panama Americas 1967 64.07100 1405486 4421.0091 ## 1181 Panama Americas 1972 66.21600 1616384 5364.2497 ## 1182 Panama Americas 1977 68.68100 1839782 5351.9121 ## 1183 Panama Americas 1982 70.47200 2036305 7009.6016 ## 1184 Panama Americas 1987 71.52300 2253639 7034.7792 ## 1185 Panama Americas 1992 72.46200 2484997 6618.7431 ## 1186 Panama Americas 1997 73.73800 2734531 7113.6923 ## 1187 Panama Americas 2002 74.71200 2990875 7356.0319 ## 1188 Panama Americas 2007 75.53700 3242173 9809.1856 ## 1189 Paraguay Americas 1952 62.64900 1555876 1952.3087 ## 1190 Paraguay Americas 1957 63.19600 1770902 2046.1547 ## 1191 Paraguay Americas 1962 64.36100 2009813 2148.0271 ## 1192 Paraguay Americas 1967 64.95100 2287985 2299.3763 ## 1193 Paraguay Americas 1972 65.81500 2614104 2523.3380 ## 1194 Paraguay Americas 1977 66.35300 2984494 3248.3733 ## 1195 Paraguay Americas 1982 66.87400 3366439 4258.5036 ## 1196 Paraguay Americas 1987 67.37800 3886512 3998.8757 ## 1197 Paraguay Americas 1992 68.22500 4483945 4196.4111 ## 1198 Paraguay Americas 1997 69.40000 5154123 4247.4003 ## 1199 Paraguay Americas 2002 70.75500 5884491 3783.6742 ## 1200 Paraguay Americas 2007 71.75200 6667147 4172.8385 ## 1201 Peru Americas 1952 43.90200 8025700 3758.5234 ## 1202 Peru Americas 1957 46.26300 9146100 4245.2567 ## 1203 Peru Americas 1962 49.09600 10516500 4957.0380 ## 1204 Peru Americas 1967 51.44500 12132200 5788.0933 ## 1205 Peru Americas 1972 55.44800 13954700 5937.8273 ## 1206 Peru Americas 1977 58.44700 15990099 6281.2909 ## 1207 Peru Americas 1982 61.40600 18125129 6434.5018 ## 1208 Peru Americas 1987 64.13400 20195924 6360.9434 ## 1209 Peru Americas 1992 66.45800 22430449 4446.3809 ## 1210 Peru Americas 1997 68.38600 24748122 5838.3477 ## 1211 Peru Americas 2002 69.90600 26769436 5909.0201 ## 1212 Peru Americas 2007 71.42100 28674757 7408.9056 ## 1213 Philippines Asia 1952 47.75200 22438691 1272.8810 ## 1214 Philippines Asia 1957 51.33400 26072194 1547.9448 ## 1215 Philippines Asia 1962 54.75700 30325264 1649.5522 ## 1216 Philippines Asia 1967 56.39300 35356600 1814.1274 ## 1217 Philippines Asia 1972 58.06500 40850141 1989.3741 ## 1218 Philippines Asia 1977 60.06000 46850962 2373.2043 ## 1219 Philippines Asia 1982 62.08200 53456774 2603.2738 ## 1220 Philippines Asia 1987 64.15100 60017788 2189.6350 ## 1221 Philippines Asia 1992 66.45800 67185766 2279.3240 ## 1222 Philippines Asia 1997 68.56400 75012988 2536.5349 ## 1223 Philippines Asia 2002 70.30300 82995088 2650.9211 ## 1224 Philippines Asia 2007 71.68800 91077287 3190.4810 ## 1225 Poland Europe 1952 61.31000 25730551 4029.3297 ## 1226 Poland Europe 1957 65.77000 28235346 4734.2530 ## 1227 Poland Europe 1962 67.64000 30329617 5338.7521 ## 1228 Poland Europe 1967 69.61000 31785378 6557.1528 ## 1229 Poland Europe 1972 70.85000 33039545 8006.5070 ## 1230 Poland Europe 1977 70.67000 34621254 9508.1415 ## 1231 Poland Europe 1982 71.32000 36227381 8451.5310 ## 1232 Poland Europe 1987 70.98000 37740710 9082.3512 ## 1233 Poland Europe 1992 70.99000 38370697 7738.8812 ## 1234 Poland Europe 1997 72.75000 38654957 10159.5837 ## 1235 Poland Europe 2002 74.67000 38625976 12002.2391 ## 1236 Poland Europe 2007 75.56300 38518241 15389.9247 ## 1237 Portugal Europe 1952 59.82000 8526050 3068.3199 ## 1238 Portugal Europe 1957 61.51000 8817650 3774.5717 ## 1239 Portugal Europe 1962 64.39000 9019800 4727.9549 ## 1240 Portugal Europe 1967 66.60000 9103000 6361.5180 ## 1241 Portugal Europe 1972 69.26000 8970450 9022.2474 ## 1242 Portugal Europe 1977 70.41000 9662600 10172.4857 ## 1243 Portugal Europe 1982 72.77000 9859650 11753.8429 ## 1244 Portugal Europe 1987 74.06000 9915289 13039.3088 ## 1245 Portugal Europe 1992 74.86000 9927680 16207.2666 ## 1246 Portugal Europe 1997 75.97000 10156415 17641.0316 ## 1247 Portugal Europe 2002 77.29000 10433867 19970.9079 ## 1248 Portugal Europe 2007 78.09800 10642836 20509.6478 ## 1249 Puerto Rico Americas 1952 64.28000 2227000 3081.9598 ## 1250 Puerto Rico Americas 1957 68.54000 2260000 3907.1562 ## 1251 Puerto Rico Americas 1962 69.62000 2448046 5108.3446 ## 1252 Puerto Rico Americas 1967 71.10000 2648961 6929.2777 ## 1253 Puerto Rico Americas 1972 72.16000 2847132 9123.0417 ## 1254 Puerto Rico Americas 1977 73.44000 3080828 9770.5249 ## 1255 Puerto Rico Americas 1982 73.75000 3279001 10330.9891 ## 1256 Puerto Rico Americas 1987 74.63000 3444468 12281.3419 ## 1257 Puerto Rico Americas 1992 73.91100 3585176 14641.5871 ## 1258 Puerto Rico Americas 1997 74.91700 3759430 16999.4333 ## 1259 Puerto Rico Americas 2002 77.77800 3859606 18855.6062 ## 1260 Puerto Rico Americas 2007 78.74600 3942491 19328.7090 ## 1261 Reunion Africa 1952 52.72400 257700 2718.8853 ## 1262 Reunion Africa 1957 55.09000 308700 2769.4518 ## 1263 Reunion Africa 1962 57.66600 358900 3173.7233 ## 1264 Reunion Africa 1967 60.54200 414024 4021.1757 ## 1265 Reunion Africa 1972 64.27400 461633 5047.6586 ## 1266 Reunion Africa 1977 67.06400 492095 4319.8041 ## 1267 Reunion Africa 1982 69.88500 517810 5267.2194 ## 1268 Reunion Africa 1987 71.91300 562035 5303.3775 ## 1269 Reunion Africa 1992 73.61500 622191 6101.2558 ## 1270 Reunion Africa 1997 74.77200 684810 6071.9414 ## 1271 Reunion Africa 2002 75.74400 743981 6316.1652 ## 1272 Reunion Africa 2007 76.44200 798094 7670.1226 ## 1273 Romania Europe 1952 61.05000 16630000 3144.6132 ## 1274 Romania Europe 1957 64.10000 17829327 3943.3702 ## 1275 Romania Europe 1962 66.80000 18680721 4734.9976 ## 1276 Romania Europe 1967 66.80000 19284814 6470.8665 ## 1277 Romania Europe 1972 69.21000 20662648 8011.4144 ## 1278 Romania Europe 1977 69.46000 21658597 9356.3972 ## 1279 Romania Europe 1982 69.66000 22356726 9605.3141 ## 1280 Romania Europe 1987 69.53000 22686371 9696.2733 ## 1281 Romania Europe 1992 69.36000 22797027 6598.4099 ## 1282 Romania Europe 1997 69.72000 22562458 7346.5476 ## 1283 Romania Europe 2002 71.32200 22404337 7885.3601 ## 1284 Romania Europe 2007 72.47600 22276056 10808.4756 ## 1285 Rwanda Africa 1952 40.00000 2534927 493.3239 ## 1286 Rwanda Africa 1957 41.50000 2822082 540.2894 ## 1287 Rwanda Africa 1962 43.00000 3051242 597.4731 ## 1288 Rwanda Africa 1967 44.10000 3451079 510.9637 ## 1289 Rwanda Africa 1972 44.60000 3992121 590.5807 ## 1290 Rwanda Africa 1977 45.00000 4657072 670.0806 ## 1291 Rwanda Africa 1982 46.21800 5507565 881.5706 ## 1292 Rwanda Africa 1987 44.02000 6349365 847.9912 ## 1293 Rwanda Africa 1992 23.59900 7290203 737.0686 ## 1294 Rwanda Africa 1997 36.08700 7212583 589.9445 ## 1295 Rwanda Africa 2002 43.41300 7852401 785.6538 ## 1296 Rwanda Africa 2007 46.24200 8860588 863.0885 ## 1297 Sao Tome and Principe Africa 1952 46.47100 60011 879.5836 ## 1298 Sao Tome and Principe Africa 1957 48.94500 61325 860.7369 ## 1299 Sao Tome and Principe Africa 1962 51.89300 65345 1071.5511 ## 1300 Sao Tome and Principe Africa 1967 54.42500 70787 1384.8406 ## 1301 Sao Tome and Principe Africa 1972 56.48000 76595 1532.9853 ## 1302 Sao Tome and Principe Africa 1977 58.55000 86796 1737.5617 ## 1303 Sao Tome and Principe Africa 1982 60.35100 98593 1890.2181 ## 1304 Sao Tome and Principe Africa 1987 61.72800 110812 1516.5255 ## 1305 Sao Tome and Principe Africa 1992 62.74200 125911 1428.7778 ## 1306 Sao Tome and Principe Africa 1997 63.30600 145608 1339.0760 ## 1307 Sao Tome and Principe Africa 2002 64.33700 170372 1353.0924 ## 1308 Sao Tome and Principe Africa 2007 65.52800 199579 1598.4351 ## 1309 Saudi Arabia Asia 1952 39.87500 4005677 6459.5548 ## 1310 Saudi Arabia Asia 1957 42.86800 4419650 8157.5912 ## 1311 Saudi Arabia Asia 1962 45.91400 4943029 11626.4197 ## 1312 Saudi Arabia Asia 1967 49.90100 5618198 16903.0489 ## 1313 Saudi Arabia Asia 1972 53.88600 6472756 24837.4287 ## 1314 Saudi Arabia Asia 1977 58.69000 8128505 34167.7626 ## 1315 Saudi Arabia Asia 1982 63.01200 11254672 33693.1753 ## 1316 Saudi Arabia Asia 1987 66.29500 14619745 21198.2614 ## 1317 Saudi Arabia Asia 1992 68.76800 16945857 24841.6178 ## 1318 Saudi Arabia Asia 1997 70.53300 21229759 20586.6902 ## 1319 Saudi Arabia Asia 2002 71.62600 24501530 19014.5412 ## 1320 Saudi Arabia Asia 2007 72.77700 27601038 21654.8319 ## 1321 Senegal Africa 1952 37.27800 2755589 1450.3570 ## 1322 Senegal Africa 1957 39.32900 3054547 1567.6530 ## 1323 Senegal Africa 1962 41.45400 3430243 1654.9887 ## 1324 Senegal Africa 1967 43.56300 3965841 1612.4046 ## 1325 Senegal Africa 1972 45.81500 4588696 1597.7121 ## 1326 Senegal Africa 1977 48.87900 5260855 1561.7691 ## 1327 Senegal Africa 1982 52.37900 6147783 1518.4800 ## 1328 Senegal Africa 1987 55.76900 7171347 1441.7207 ## 1329 Senegal Africa 1992 58.19600 8307920 1367.8994 ## 1330 Senegal Africa 1997 60.18700 9535314 1392.3683 ## 1331 Senegal Africa 2002 61.60000 10870037 1519.6353 ## 1332 Senegal Africa 2007 63.06200 12267493 1712.4721 ## 1333 Serbia Europe 1952 57.99600 6860147 3581.4594 ## 1334 Serbia Europe 1957 61.68500 7271135 4981.0909 ## 1335 Serbia Europe 1962 64.53100 7616060 6289.6292 ## 1336 Serbia Europe 1967 66.91400 7971222 7991.7071 ## 1337 Serbia Europe 1972 68.70000 8313288 10522.0675 ## 1338 Serbia Europe 1977 70.30000 8686367 12980.6696 ## 1339 Serbia Europe 1982 70.16200 9032824 15181.0927 ## 1340 Serbia Europe 1987 71.21800 9230783 15870.8785 ## 1341 Serbia Europe 1992 71.65900 9826397 9325.0682 ## 1342 Serbia Europe 1997 72.23200 10336594 7914.3203 ## 1343 Serbia Europe 2002 73.21300 10111559 7236.0753 ## 1344 Serbia Europe 2007 74.00200 10150265 9786.5347 ## 1345 Sierra Leone Africa 1952 30.33100 2143249 879.7877 ## 1346 Sierra Leone Africa 1957 31.57000 2295678 1004.4844 ## 1347 Sierra Leone Africa 1962 32.76700 2467895 1116.6399 ## 1348 Sierra Leone Africa 1967 34.11300 2662190 1206.0435 ## 1349 Sierra Leone Africa 1972 35.40000 2879013 1353.7598 ## 1350 Sierra Leone Africa 1977 36.78800 3140897 1348.2852 ## 1351 Sierra Leone Africa 1982 38.44500 3464522 1465.0108 ## 1352 Sierra Leone Africa 1987 40.00600 3868905 1294.4478 ## 1353 Sierra Leone Africa 1992 38.33300 4260884 1068.6963 ## 1354 Sierra Leone Africa 1997 39.89700 4578212 574.6482 ## 1355 Sierra Leone Africa 2002 41.01200 5359092 699.4897 ## 1356 Sierra Leone Africa 2007 42.56800 6144562 862.5408 ## 1357 Singapore Asia 1952 60.39600 1127000 2315.1382 ## 1358 Singapore Asia 1957 63.17900 1445929 2843.1044 ## 1359 Singapore Asia 1962 65.79800 1750200 3674.7356 ## 1360 Singapore Asia 1967 67.94600 1977600 4977.4185 ## 1361 Singapore Asia 1972 69.52100 2152400 8597.7562 ## 1362 Singapore Asia 1977 70.79500 2325300 11210.0895 ## 1363 Singapore Asia 1982 71.76000 2651869 15169.1611 ## 1364 Singapore Asia 1987 73.56000 2794552 18861.5308 ## 1365 Singapore Asia 1992 75.78800 3235865 24769.8912 ## 1366 Singapore Asia 1997 77.15800 3802309 33519.4766 ## 1367 Singapore Asia 2002 78.77000 4197776 36023.1054 ## 1368 Singapore Asia 2007 79.97200 4553009 47143.1796 ## 1369 Slovak Republic Europe 1952 64.36000 3558137 5074.6591 ## 1370 Slovak Republic Europe 1957 67.45000 3844277 6093.2630 ## 1371 Slovak Republic Europe 1962 70.33000 4237384 7481.1076 ## 1372 Slovak Republic Europe 1967 70.98000 4442238 8412.9024 ## 1373 Slovak Republic Europe 1972 70.35000 4593433 9674.1676 ## 1374 Slovak Republic Europe 1977 70.45000 4827803 10922.6640 ## 1375 Slovak Republic Europe 1982 70.80000 5048043 11348.5459 ## 1376 Slovak Republic Europe 1987 71.08000 5199318 12037.2676 ## 1377 Slovak Republic Europe 1992 71.38000 5302888 9498.4677 ## 1378 Slovak Republic Europe 1997 72.71000 5383010 12126.2306 ## 1379 Slovak Republic Europe 2002 73.80000 5410052 13638.7784 ## 1380 Slovak Republic Europe 2007 74.66300 5447502 18678.3144 ## 1381 Slovenia Europe 1952 65.57000 1489518 4215.0417 ## 1382 Slovenia Europe 1957 67.85000 1533070 5862.2766 ## 1383 Slovenia Europe 1962 69.15000 1582962 7402.3034 ## 1384 Slovenia Europe 1967 69.18000 1646912 9405.4894 ## 1385 Slovenia Europe 1972 69.82000 1694510 12383.4862 ## 1386 Slovenia Europe 1977 70.97000 1746919 15277.0302 ## 1387 Slovenia Europe 1982 71.06300 1861252 17866.7218 ## 1388 Slovenia Europe 1987 72.25000 1945870 18678.5349 ## 1389 Slovenia Europe 1992 73.64000 1999210 14214.7168 ## 1390 Slovenia Europe 1997 75.13000 2011612 17161.1073 ## 1391 Slovenia Europe 2002 76.66000 2011497 20660.0194 ## 1392 Slovenia Europe 2007 77.92600 2009245 25768.2576 ## 1393 Somalia Africa 1952 32.97800 2526994 1135.7498 ## 1394 Somalia Africa 1957 34.97700 2780415 1258.1474 ## 1395 Somalia Africa 1962 36.98100 3080153 1369.4883 ## 1396 Somalia Africa 1967 38.97700 3428839 1284.7332 ## 1397 Somalia Africa 1972 40.97300 3840161 1254.5761 ## 1398 Somalia Africa 1977 41.97400 4353666 1450.9925 ## 1399 Somalia Africa 1982 42.95500 5828892 1176.8070 ## 1400 Somalia Africa 1987 44.50100 6921858 1093.2450 ## 1401 Somalia Africa 1992 39.65800 6099799 926.9603 ## 1402 Somalia Africa 1997 43.79500 6633514 930.5964 ## 1403 Somalia Africa 2002 45.93600 7753310 882.0818 ## 1404 Somalia Africa 2007 48.15900 9118773 926.1411 ## 1405 South Africa Africa 1952 45.00900 14264935 4725.2955 ## 1406 South Africa Africa 1957 47.98500 16151549 5487.1042 ## 1407 South Africa Africa 1962 49.95100 18356657 5768.7297 ## 1408 South Africa Africa 1967 51.92700 20997321 7114.4780 ## 1409 South Africa Africa 1972 53.69600 23935810 7765.9626 ## 1410 South Africa Africa 1977 55.52700 27129932 8028.6514 ## 1411 South Africa Africa 1982 58.16100 31140029 8568.2662 ## 1412 South Africa Africa 1987 60.83400 35933379 7825.8234 ## 1413 South Africa Africa 1992 61.88800 39964159 7225.0693 ## 1414 South Africa Africa 1997 60.23600 42835005 7479.1882 ## 1415 South Africa Africa 2002 53.36500 44433622 7710.9464 ## 1416 South Africa Africa 2007 49.33900 43997828 9269.6578 ## 1417 Spain Europe 1952 64.94000 28549870 3834.0347 ## 1418 Spain Europe 1957 66.66000 29841614 4564.8024 ## 1419 Spain Europe 1962 69.69000 31158061 5693.8439 ## 1420 Spain Europe 1967 71.44000 32850275 7993.5123 ## 1421 Spain Europe 1972 73.06000 34513161 10638.7513 ## 1422 Spain Europe 1977 74.39000 36439000 13236.9212 ## 1423 Spain Europe 1982 76.30000 37983310 13926.1700 ## 1424 Spain Europe 1987 76.90000 38880702 15764.9831 ## 1425 Spain Europe 1992 77.57000 39549438 18603.0645 ## 1426 Spain Europe 1997 78.77000 39855442 20445.2990 ## 1427 Spain Europe 2002 79.78000 40152517 24835.4717 ## 1428 Spain Europe 2007 80.94100 40448191 28821.0637 ## 1429 Sri Lanka Asia 1952 57.59300 7982342 1083.5320 ## 1430 Sri Lanka Asia 1957 61.45600 9128546 1072.5466 ## 1431 Sri Lanka Asia 1962 62.19200 10421936 1074.4720 ## 1432 Sri Lanka Asia 1967 64.26600 11737396 1135.5143 ## 1433 Sri Lanka Asia 1972 65.04200 13016733 1213.3955 ## 1434 Sri Lanka Asia 1977 65.94900 14116836 1348.7757 ## 1435 Sri Lanka Asia 1982 68.75700 15410151 1648.0798 ## 1436 Sri Lanka Asia 1987 69.01100 16495304 1876.7668 ## 1437 Sri Lanka Asia 1992 70.37900 17587060 2153.7392 ## 1438 Sri Lanka Asia 1997 70.45700 18698655 2664.4773 ## 1439 Sri Lanka Asia 2002 70.81500 19576783 3015.3788 ## 1440 Sri Lanka Asia 2007 72.39600 20378239 3970.0954 ## 1441 Sudan Africa 1952 38.63500 8504667 1615.9911 ## 1442 Sudan Africa 1957 39.62400 9753392 1770.3371 ## 1443 Sudan Africa 1962 40.87000 11183227 1959.5938 ## 1444 Sudan Africa 1967 42.85800 12716129 1687.9976 ## 1445 Sudan Africa 1972 45.08300 14597019 1659.6528 ## 1446 Sudan Africa 1977 47.80000 17104986 2202.9884 ## 1447 Sudan Africa 1982 50.33800 20367053 1895.5441 ## 1448 Sudan Africa 1987 51.74400 24725960 1507.8192 ## 1449 Sudan Africa 1992 53.55600 28227588 1492.1970 ## 1450 Sudan Africa 1997 55.37300 32160729 1632.2108 ## 1451 Sudan Africa 2002 56.36900 37090298 1993.3983 ## 1452 Sudan Africa 2007 58.55600 42292929 2602.3950 ## 1453 Swaziland Africa 1952 41.40700 290243 1148.3766 ## 1454 Swaziland Africa 1957 43.42400 326741 1244.7084 ## 1455 Swaziland Africa 1962 44.99200 370006 1856.1821 ## 1456 Swaziland Africa 1967 46.63300 420690 2613.1017 ## 1457 Swaziland Africa 1972 49.55200 480105 3364.8366 ## 1458 Swaziland Africa 1977 52.53700 551425 3781.4106 ## 1459 Swaziland Africa 1982 55.56100 649901 3895.3840 ## 1460 Swaziland Africa 1987 57.67800 779348 3984.8398 ## 1461 Swaziland Africa 1992 58.47400 962344 3553.0224 ## 1462 Swaziland Africa 1997 54.28900 1054486 3876.7685 ## 1463 Swaziland Africa 2002 43.86900 1130269 4128.1169 ## 1464 Swaziland Africa 2007 39.61300 1133066 4513.4806 ## 1465 Sweden Europe 1952 71.86000 7124673 8527.8447 ## 1466 Sweden Europe 1957 72.49000 7363802 9911.8782 ## 1467 Sweden Europe 1962 73.37000 7561588 12329.4419 ## 1468 Sweden Europe 1967 74.16000 7867931 15258.2970 ## 1469 Sweden Europe 1972 74.72000 8122293 17832.0246 ## 1470 Sweden Europe 1977 75.44000 8251648 18855.7252 ## 1471 Sweden Europe 1982 76.42000 8325260 20667.3812 ## 1472 Sweden Europe 1987 77.19000 8421403 23586.9293 ## 1473 Sweden Europe 1992 78.16000 8718867 23880.0168 ## 1474 Sweden Europe 1997 79.39000 8897619 25266.5950 ## 1475 Sweden Europe 2002 80.04000 8954175 29341.6309 ## 1476 Sweden Europe 2007 80.88400 9031088 33859.7484 ## 1477 Switzerland Europe 1952 69.62000 4815000 14734.2327 ## 1478 Switzerland Europe 1957 70.56000 5126000 17909.4897 ## 1479 Switzerland Europe 1962 71.32000 5666000 20431.0927 ## 1480 Switzerland Europe 1967 72.77000 6063000 22966.1443 ## 1481 Switzerland Europe 1972 73.78000 6401400 27195.1130 ## 1482 Switzerland Europe 1977 75.39000 6316424 26982.2905 ## 1483 Switzerland Europe 1982 76.21000 6468126 28397.7151 ## 1484 Switzerland Europe 1987 77.41000 6649942 30281.7046 ## 1485 Switzerland Europe 1992 78.03000 6995447 31871.5303 ## 1486 Switzerland Europe 1997 79.37000 7193761 32135.3230 ## 1487 Switzerland Europe 2002 80.62000 7361757 34480.9577 ## 1488 Switzerland Europe 2007 81.70100 7554661 37506.4191 ## 1489 Syria Asia 1952 45.88300 3661549 1643.4854 ## 1490 Syria Asia 1957 48.28400 4149908 2117.2349 ## 1491 Syria Asia 1962 50.30500 4834621 2193.0371 ## 1492 Syria Asia 1967 53.65500 5680812 1881.9236 ## 1493 Syria Asia 1972 57.29600 6701172 2571.4230 ## 1494 Syria Asia 1977 61.19500 7932503 3195.4846 ## 1495 Syria Asia 1982 64.59000 9410494 3761.8377 ## 1496 Syria Asia 1987 66.97400 11242847 3116.7743 ## 1497 Syria Asia 1992 69.24900 13219062 3340.5428 ## 1498 Syria Asia 1997 71.52700 15081016 4014.2390 ## 1499 Syria Asia 2002 73.05300 17155814 4090.9253 ## 1500 Syria Asia 2007 74.14300 19314747 4184.5481 ## 1501 Taiwan Asia 1952 58.50000 8550362 1206.9479 ## 1502 Taiwan Asia 1957 62.40000 10164215 1507.8613 ## 1503 Taiwan Asia 1962 65.20000 11918938 1822.8790 ## 1504 Taiwan Asia 1967 67.50000 13648692 2643.8587 ## 1505 Taiwan Asia 1972 69.39000 15226039 4062.5239 ## 1506 Taiwan Asia 1977 70.59000 16785196 5596.5198 ## 1507 Taiwan Asia 1982 72.16000 18501390 7426.3548 ## 1508 Taiwan Asia 1987 73.40000 19757799 11054.5618 ## 1509 Taiwan Asia 1992 74.26000 20686918 15215.6579 ## 1510 Taiwan Asia 1997 75.25000 21628605 20206.8210 ## 1511 Taiwan Asia 2002 76.99000 22454239 23235.4233 ## 1512 Taiwan Asia 2007 78.40000 23174294 28718.2768 ## 1513 Tanzania Africa 1952 41.21500 8322925 716.6501 ## 1514 Tanzania Africa 1957 42.97400 9452826 698.5356 ## 1515 Tanzania Africa 1962 44.24600 10863958 722.0038 ## 1516 Tanzania Africa 1967 45.75700 12607312 848.2187 ## 1517 Tanzania Africa 1972 47.62000 14706593 915.9851 ## 1518 Tanzania Africa 1977 49.91900 17129565 962.4923 ## 1519 Tanzania Africa 1982 50.60800 19844382 874.2426 ## 1520 Tanzania Africa 1987 51.53500 23040630 831.8221 ## 1521 Tanzania Africa 1992 50.44000 26605473 825.6825 ## 1522 Tanzania Africa 1997 48.46600 30686889 789.1862 ## 1523 Tanzania Africa 2002 49.65100 34593779 899.0742 ## 1524 Tanzania Africa 2007 52.51700 38139640 1107.4822 ## 1525 Thailand Asia 1952 50.84800 21289402 757.7974 ## 1526 Thailand Asia 1957 53.63000 25041917 793.5774 ## 1527 Thailand Asia 1962 56.06100 29263397 1002.1992 ## 1528 Thailand Asia 1967 58.28500 34024249 1295.4607 ## 1529 Thailand Asia 1972 60.40500 39276153 1524.3589 ## 1530 Thailand Asia 1977 62.49400 44148285 1961.2246 ## 1531 Thailand Asia 1982 64.59700 48827160 2393.2198 ## 1532 Thailand Asia 1987 66.08400 52910342 2982.6538 ## 1533 Thailand Asia 1992 67.29800 56667095 4616.8965 ## 1534 Thailand Asia 1997 67.52100 60216677 5852.6255 ## 1535 Thailand Asia 2002 68.56400 62806748 5913.1875 ## 1536 Thailand Asia 2007 70.61600 65068149 7458.3963 ## 1537 Togo Africa 1952 38.59600 1219113 859.8087 ## 1538 Togo Africa 1957 41.20800 1357445 925.9083 ## 1539 Togo Africa 1962 43.92200 1528098 1067.5348 ## 1540 Togo Africa 1967 46.76900 1735550 1477.5968 ## 1541 Togo Africa 1972 49.75900 2056351 1649.6602 ## 1542 Togo Africa 1977 52.88700 2308582 1532.7770 ## 1543 Togo Africa 1982 55.47100 2644765 1344.5780 ## 1544 Togo Africa 1987 56.94100 3154264 1202.2014 ## 1545 Togo Africa 1992 58.06100 3747553 1034.2989 ## 1546 Togo Africa 1997 58.39000 4320890 982.2869 ## 1547 Togo Africa 2002 57.56100 4977378 886.2206 ## 1548 Togo Africa 2007 58.42000 5701579 882.9699 ## 1549 Trinidad and Tobago Americas 1952 59.10000 662850 3023.2719 ## 1550 Trinidad and Tobago Americas 1957 61.80000 764900 4100.3934 ## 1551 Trinidad and Tobago Americas 1962 64.90000 887498 4997.5240 ## 1552 Trinidad and Tobago Americas 1967 65.40000 960155 5621.3685 ## 1553 Trinidad and Tobago Americas 1972 65.90000 975199 6619.5514 ## 1554 Trinidad and Tobago Americas 1977 68.30000 1039009 7899.5542 ## 1555 Trinidad and Tobago Americas 1982 68.83200 1116479 9119.5286 ## 1556 Trinidad and Tobago Americas 1987 69.58200 1191336 7388.5978 ## 1557 Trinidad and Tobago Americas 1992 69.86200 1183669 7370.9909 ## 1558 Trinidad and Tobago Americas 1997 69.46500 1138101 8792.5731 ## 1559 Trinidad and Tobago Americas 2002 68.97600 1101832 11460.6002 ## 1560 Trinidad and Tobago Americas 2007 69.81900 1056608 18008.5092 ## 1561 Tunisia Africa 1952 44.60000 3647735 1468.4756 ## 1562 Tunisia Africa 1957 47.10000 3950849 1395.2325 ## 1563 Tunisia Africa 1962 49.57900 4286552 1660.3032 ## 1564 Tunisia Africa 1967 52.05300 4786986 1932.3602 ## 1565 Tunisia Africa 1972 55.60200 5303507 2753.2860 ## 1566 Tunisia Africa 1977 59.83700 6005061 3120.8768 ## 1567 Tunisia Africa 1982 64.04800 6734098 3560.2332 ## 1568 Tunisia Africa 1987 66.89400 7724976 3810.4193 ## 1569 Tunisia Africa 1992 70.00100 8523077 4332.7202 ## 1570 Tunisia Africa 1997 71.97300 9231669 4876.7986 ## 1571 Tunisia Africa 2002 73.04200 9770575 5722.8957 ## 1572 Tunisia Africa 2007 73.92300 10276158 7092.9230 ## 1573 Turkey Europe 1952 43.58500 22235677 1969.1010 ## 1574 Turkey Europe 1957 48.07900 25670939 2218.7543 ## 1575 Turkey Europe 1962 52.09800 29788695 2322.8699 ## 1576 Turkey Europe 1967 54.33600 33411317 2826.3564 ## 1577 Turkey Europe 1972 57.00500 37492953 3450.6964 ## 1578 Turkey Europe 1977 59.50700 42404033 4269.1223 ## 1579 Turkey Europe 1982 61.03600 47328791 4241.3563 ## 1580 Turkey Europe 1987 63.10800 52881328 5089.0437 ## 1581 Turkey Europe 1992 66.14600 58179144 5678.3483 ## 1582 Turkey Europe 1997 68.83500 63047647 6601.4299 ## 1583 Turkey Europe 2002 70.84500 67308928 6508.0857 ## 1584 Turkey Europe 2007 71.77700 71158647 8458.2764 ## 1585 Uganda Africa 1952 39.97800 5824797 734.7535 ## 1586 Uganda Africa 1957 42.57100 6675501 774.3711 ## 1587 Uganda Africa 1962 45.34400 7688797 767.2717 ## 1588 Uganda Africa 1967 48.05100 8900294 908.9185 ## 1589 Uganda Africa 1972 51.01600 10190285 950.7359 ## 1590 Uganda Africa 1977 50.35000 11457758 843.7331 ## 1591 Uganda Africa 1982 49.84900 12939400 682.2662 ## 1592 Uganda Africa 1987 51.50900 15283050 617.7244 ## 1593 Uganda Africa 1992 48.82500 18252190 644.1708 ## 1594 Uganda Africa 1997 44.57800 21210254 816.5591 ## 1595 Uganda Africa 2002 47.81300 24739869 927.7210 ## 1596 Uganda Africa 2007 51.54200 29170398 1056.3801 ## 1597 United Kingdom Europe 1952 69.18000 50430000 9979.5085 ## 1598 United Kingdom Europe 1957 70.42000 51430000 11283.1779 ## 1599 United Kingdom Europe 1962 70.76000 53292000 12477.1771 ## 1600 United Kingdom Europe 1967 71.36000 54959000 14142.8509 ## 1601 United Kingdom Europe 1972 72.01000 56079000 15895.1164 ## 1602 United Kingdom Europe 1977 72.76000 56179000 17428.7485 ## 1603 United Kingdom Europe 1982 74.04000 56339704 18232.4245 ## 1604 United Kingdom Europe 1987 75.00700 56981620 21664.7877 ## 1605 United Kingdom Europe 1992 76.42000 57866349 22705.0925 ## 1606 United Kingdom Europe 1997 77.21800 58808266 26074.5314 ## 1607 United Kingdom Europe 2002 78.47100 59912431 29478.9992 ## 1608 United Kingdom Europe 2007 79.42500 60776238 33203.2613 ## 1609 United States Americas 1952 68.44000 157553000 13990.4821 ## 1610 United States Americas 1957 69.49000 171984000 14847.1271 ## 1611 United States Americas 1962 70.21000 186538000 16173.1459 ## 1612 United States Americas 1967 70.76000 198712000 19530.3656 ## 1613 United States Americas 1972 71.34000 209896000 21806.0359 ## 1614 United States Americas 1977 73.38000 220239000 24072.6321 ## 1615 United States Americas 1982 74.65000 232187835 25009.5591 ## 1616 United States Americas 1987 75.02000 242803533 29884.3504 ## 1617 United States Americas 1992 76.09000 256894189 32003.9322 ## 1618 United States Americas 1997 76.81000 272911760 35767.4330 ## 1619 United States Americas 2002 77.31000 287675526 39097.0995 ## 1620 United States Americas 2007 78.24200 301139947 42951.6531 ## 1621 Uruguay Americas 1952 66.07100 2252965 5716.7667 ## 1622 Uruguay Americas 1957 67.04400 2424959 6150.7730 ## 1623 Uruguay Americas 1962 68.25300 2598466 5603.3577 ## 1624 Uruguay Americas 1967 68.46800 2748579 5444.6196 ## 1625 Uruguay Americas 1972 68.67300 2829526 5703.4089 ## 1626 Uruguay Americas 1977 69.48100 2873520 6504.3397 ## 1627 Uruguay Americas 1982 70.80500 2953997 6920.2231 ## 1628 Uruguay Americas 1987 71.91800 3045153 7452.3990 ## 1629 Uruguay Americas 1992 72.75200 3149262 8137.0048 ## 1630 Uruguay Americas 1997 74.22300 3262838 9230.2407 ## 1631 Uruguay Americas 2002 75.30700 3363085 7727.0020 ## 1632 Uruguay Americas 2007 76.38400 3447496 10611.4630 ## 1633 Venezuela Americas 1952 55.08800 5439568 7689.7998 ## 1634 Venezuela Americas 1957 57.90700 6702668 9802.4665 ## 1635 Venezuela Americas 1962 60.77000 8143375 8422.9742 ## 1636 Venezuela Americas 1967 63.47900 9709552 9541.4742 ## 1637 Venezuela Americas 1972 65.71200 11515649 10505.2597 ## 1638 Venezuela Americas 1977 67.45600 13503563 13143.9510 ## 1639 Venezuela Americas 1982 68.55700 15620766 11152.4101 ## 1640 Venezuela Americas 1987 70.19000 17910182 9883.5846 ## 1641 Venezuela Americas 1992 71.15000 20265563 10733.9263 ## 1642 Venezuela Americas 1997 72.14600 22374398 10165.4952 ## 1643 Venezuela Americas 2002 72.76600 24287670 8605.0478 ## 1644 Venezuela Americas 2007 73.74700 26084662 11415.8057 ## 1645 Vietnam Asia 1952 40.41200 26246839 605.0665 ## 1646 Vietnam Asia 1957 42.88700 28998543 676.2854 ## 1647 Vietnam Asia 1962 45.36300 33796140 772.0492 ## 1648 Vietnam Asia 1967 47.83800 39463910 637.1233 ## 1649 Vietnam Asia 1972 50.25400 44655014 699.5016 ## 1650 Vietnam Asia 1977 55.76400 50533506 713.5371 ## 1651 Vietnam Asia 1982 58.81600 56142181 707.2358 ## 1652 Vietnam Asia 1987 62.82000 62826491 820.7994 ## 1653 Vietnam Asia 1992 67.66200 69940728 989.0231 ## 1654 Vietnam Asia 1997 70.67200 76048996 1385.8968 ## 1655 Vietnam Asia 2002 73.01700 80908147 1764.4567 ## 1656 Vietnam Asia 2007 74.24900 85262356 2441.5764 ## 1657 West Bank and Gaza Asia 1952 43.16000 1030585 1515.5923 ## 1658 West Bank and Gaza Asia 1957 45.67100 1070439 1827.0677 ## 1659 West Bank and Gaza Asia 1962 48.12700 1133134 2198.9563 ## 1660 West Bank and Gaza Asia 1967 51.63100 1142636 2649.7150 ## 1661 West Bank and Gaza Asia 1972 56.53200 1089572 3133.4093 ## 1662 West Bank and Gaza Asia 1977 60.76500 1261091 3682.8315 ## 1663 West Bank and Gaza Asia 1982 64.40600 1425876 4336.0321 ## 1664 West Bank and Gaza Asia 1987 67.04600 1691210 5107.1974 ## 1665 West Bank and Gaza Asia 1992 69.71800 2104779 6017.6548 ## 1666 West Bank and Gaza Asia 1997 71.09600 2826046 7110.6676 ## 1667 West Bank and Gaza Asia 2002 72.37000 3389578 4515.4876 ## 1668 West Bank and Gaza Asia 2007 73.42200 4018332 3025.3498 ## 1669 Yemen, Rep. Asia 1952 32.54800 4963829 781.7176 ## 1670 Yemen, Rep. Asia 1957 33.97000 5498090 804.8305 ## 1671 Yemen, Rep. Asia 1962 35.18000 6120081 825.6232 ## 1672 Yemen, Rep. Asia 1967 36.98400 6740785 862.4421 ## 1673 Yemen, Rep. Asia 1972 39.84800 7407075 1265.0470 ## 1674 Yemen, Rep. Asia 1977 44.17500 8403990 1829.7652 ## 1675 Yemen, Rep. Asia 1982 49.11300 9657618 1977.5570 ## 1676 Yemen, Rep. Asia 1987 52.92200 11219340 1971.7415 ## 1677 Yemen, Rep. Asia 1992 55.59900 13367997 1879.4967 ## 1678 Yemen, Rep. Asia 1997 58.02000 15826497 2117.4845 ## 1679 Yemen, Rep. Asia 2002 60.30800 18701257 2234.8208 ## 1680 Yemen, Rep. Asia 2007 62.69800 22211743 2280.7699 ## 1681 Zambia Africa 1952 42.03800 2672000 1147.3888 ## 1682 Zambia Africa 1957 44.07700 3016000 1311.9568 ## 1683 Zambia Africa 1962 46.02300 3421000 1452.7258 ## 1684 Zambia Africa 1967 47.76800 3900000 1777.0773 ## 1685 Zambia Africa 1972 50.10700 4506497 1773.4983 ## 1686 Zambia Africa 1977 51.38600 5216550 1588.6883 ## 1687 Zambia Africa 1982 51.82100 6100407 1408.6786 ## 1688 Zambia Africa 1987 50.82100 7272406 1213.3151 ## 1689 Zambia Africa 1992 46.10000 8381163 1210.8846 ## 1690 Zambia Africa 1997 40.23800 9417789 1071.3538 ## 1691 Zambia Africa 2002 39.19300 10595811 1071.6139 ## 1692 Zambia Africa 2007 42.38400 11746035 1271.2116 ## 1693 Zimbabwe Africa 1952 48.45100 3080907 406.8841 ## 1694 Zimbabwe Africa 1957 50.46900 3646340 518.7643 ## 1695 Zimbabwe Africa 1962 52.35800 4277736 527.2722 ## 1696 Zimbabwe Africa 1967 53.99500 4995432 569.7951 ## 1697 Zimbabwe Africa 1972 55.63500 5861135 799.3622 ## 1698 Zimbabwe Africa 1977 57.67400 6642107 685.5877 ## 1699 Zimbabwe Africa 1982 60.36300 7636524 788.8550 ## 1700 Zimbabwe Africa 1987 62.35100 9216418 706.1573 ## 1701 Zimbabwe Africa 1992 60.37700 10704340 693.4208 ## 1702 Zimbabwe Africa 1997 46.80900 11404948 792.4500 ## 1703 Zimbabwe Africa 2002 39.98900 11926563 672.0386 ## 1704 Zimbabwe Africa 2007 43.48700 12311143 469.7093 ``` ] --- ## Dataframes: imprimir tibble .codefont[ ```r data_gapminder <- as_tibble(data_gapminder) # Pasamos nuevamente a tibble class(data_gapminder) ``` ``` ## [1] "tbl_df" "tbl" "data.frame" ``` ```r print(data_gapminder) ``` ``` ## # A tibble: 1,704 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. ## 2 Afghanistan Asia 1957 30.3 9240934 821. ## 3 Afghanistan Asia 1962 32.0 10267083 853. ## 4 Afghanistan Asia 1967 34.0 11537966 836. ## 5 Afghanistan Asia 1972 36.1 13079460 740. ## 6 Afghanistan Asia 1977 38.4 14880372 786. ## 7 Afghanistan Asia 1982 39.9 12881816 978. ## 8 Afghanistan Asia 1987 40.8 13867957 852. ## 9 Afghanistan Asia 1992 41.7 16317921 649. ## 10 Afghanistan Asia 1997 41.8 22227415 635. ## # ... with 1,694 more rows ``` ] --- ## Tidy dataset - Hay muchas formas de estructurar un conjunto de datos. El enfoque tidy sugiere que cada variable sea una columna y cada observación sea una fila, por lo que cada valor tiene su propia celda: .center[ <img src="ima/tidy_data.png" width="1000px" /> ] .right[[Wichkham & Grolemund (2018)](https://r4ds.had.co.nz/tidy-data.html)] --- ## Nombres de variables Muchas veces los usamos datos que no están documentados de manera uniforme o apropiada, por ejemplo, con nombres dispares y propensos a errores en las columnas. [Janitor](https://garthtarr.github.io/meatR/janitor.html#catalog_of_janitor_functions) es un paquete orientado al estilo Tidyverse (aunque no pertenece) que facilita algunas funciones para limpiar y explorar datos. .codefont[ ```r ejemplo ``` ``` ## COLORES NombresCompletos edad_NUMERICA ## 1 Verde María S. 32 ## 2 Rojo Juan F. 23 ## 3 Azul Pedro A. 24 ``` ```r library(janitor) ejemplo_clean <- clean_names(ejemplo) ejemplo_clean ``` ``` ## colores nombres_completos edad_numerica ## 1 Verde María S. 32 ## 2 Rojo Juan F. 23 ## 3 Azul Pedro A. 24 ``` ] --- class: inverse, center, middle # Explorar datos --- ## Resumen de un dataframe .codefont[ ] .codefont[ ```r dim(data_gapminder) # Número de filas y columnas ``` ``` ## [1] 1704 6 ``` ```r names(data_gapminder) # Nombre de variables ``` ``` ## [1] "country" "continent" "year" "lifeExp" "pop" "gdpPercap" ``` ```r head(data_gapminder, 3) # Imprime primeras filas (3 en este caso) ``` ``` ## # A tibble: 3 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. ## 2 Afghanistan Asia 1957 30.3 9240934 821. ## 3 Afghanistan Asia 1962 32.0 10267083 853. ``` ] --- ## Resumen de un dataframe .codefont[ ```r # Estructura del dataframe str(data_gapminder) ``` ``` ## tibble [1,704 x 6] (S3: tbl_df/tbl/data.frame) ## $ country : Factor w/ 142 levels "Afghanistan",..: 1 1 1 1 1 1 1 1 1 1 ... ## $ continent: Factor w/ 5 levels "Africa","Americas",..: 3 3 3 3 3 3 3 3 3 3 ... ## $ year : int [1:1704] 1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 ... ## $ lifeExp : num [1:1704] 28.8 30.3 32 34 36.1 ... ## $ pop : int [1:1704] 8425333 9240934 10267083 11537966 13079460 14880372 12881816 13867957 16317921 22227415 ... ## $ gdpPercap: num [1:1704] 779 821 853 836 740 ... ``` ] --- ## Resumen de un dataframe ```r # Pequeño resumen de las variables: summary(data_gapminder) ``` ``` ## country continent year lifeExp ## Afghanistan: 12 Africa :624 Min. :1952 Min. :23.60 ## Albania : 12 Americas:300 1st Qu.:1966 1st Qu.:48.20 ## Algeria : 12 Asia :396 Median :1980 Median :60.71 ## Angola : 12 Europe :360 Mean :1980 Mean :59.47 ## Argentina : 12 Oceania : 24 3rd Qu.:1993 3rd Qu.:70.85 ## Australia : 12 Max. :2007 Max. :82.60 ## (Other) :1632 ## pop gdpPercap ## Min. :6.001e+04 Min. : 241.2 ## 1st Qu.:2.794e+06 1st Qu.: 1202.1 ## Median :7.024e+06 Median : 3531.8 ## Mean :2.960e+07 Mean : 7215.3 ## 3rd Qu.:1.959e+07 3rd Qu.: 9325.5 ## Max. :1.319e+09 Max. :113523.1 ## ``` --- ## Resumen de un dataframe Una de las funciones más utiles para resumir un dataframe es `glimpse()` del paquete dplyr o tidyverse. Es particularmente util debido a que permite un vistazo al nombre, tipo y primeros valores de .bold[todos] las variables de un dataframe. ```r # Resumen más completo: glimpse(gapminder) ``` ``` ## Rows: 1,704 ## Columns: 6 ## $ country <fct> "Afghanistan", "Afghanistan", "Afghanistan", "Afghanistan", ~ ## $ continent <fct> Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, ~ ## $ year <int> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, ~ ## $ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8~ ## $ pop <int> 8425333, 9240934, 10267083, 11537966, 13079460, 14880372, 12~ ## $ gdpPercap <dbl> 779.4453, 820.8530, 853.1007, 836.1971, 739.9811, 786.1134, ~ ``` --- ## Tablas En R Base la función para obtener frecuencias es `table()` junto con `prop.table()` y `addmargins()` .codefontchico[ ```r # Para obtener una tabla de frecuencias de una variable usamos la función # table() de R Base tabla_1 <- table(data_gapminder$continent) # Frecuencia simple tabla_1 ``` ``` ## ## Africa Americas Asia Europe Oceania ## 624 300 396 360 24 ``` ```r prop.table(tabla_1) # Proporciones ``` ``` ## ## Africa Americas Asia Europe Oceania ## 0.36619718 0.17605634 0.23239437 0.21126761 0.01408451 ``` ```r addmargins(tabla_1) # Totales ``` ``` ## ## Africa Americas Asia Europe Oceania Sum ## 624 300 396 360 24 1704 ``` ```r addmargins(prop.table(tabla_1)) # Proporciones y totales ``` ``` ## ## Africa Americas Asia Europe Oceania Sum ## 0.36619718 0.17605634 0.23239437 0.21126761 0.01408451 1.00000000 ``` ] --- ## Tablas Para obtener tablas que cruzen dos variables podemos nuevamente usar `table()` especificando dos variables. .codefont[ ```r tabla_2 <- table(data_gapminder$continent, data_gapminder$mercosur) tabla_2 ``` ``` ## ## 0 1 ## Africa 624 0 ## Americas 252 48 ## Asia 396 0 ## Europe 360 0 ## Oceania 24 0 ``` ```r prop.table(tabla_2) ``` ``` ## ## 0 1 ## Africa 0.36619718 0.00000000 ## Americas 0.14788732 0.02816901 ## Asia 0.23239437 0.00000000 ## Europe 0.21126761 0.00000000 ## Oceania 0.01408451 0.00000000 ``` ] --- ## Tablas .codefont[ ```r # Totales por columna o fila tabla_2 <- table(data_gapminder$continent, data_gapminder$mercosur) addmargins(tabla_2, 1) # Total por columna ``` ``` ## ## 0 1 ## Africa 624 0 ## Americas 252 48 ## Asia 396 0 ## Europe 360 0 ## Oceania 24 0 ## Sum 1656 48 ``` ```r addmargins(tabla_2, 2) # Total por fila ``` ``` ## ## 0 1 Sum ## Africa 624 0 624 ## Americas 252 48 300 ## Asia 396 0 396 ## Europe 360 0 360 ## Oceania 24 0 24 ``` ] --- ## Tablas .codefont[ ```r # Editar nombres de columnas tabla_2 <- table(data_gapminder$continent, data_gapminder$mercosur) tabla_2 ``` ``` ## ## 0 1 ## Africa 624 0 ## Americas 252 48 ## Asia 396 0 ## Europe 360 0 ## Oceania 24 0 ``` ```r colnames(tabla_2) <- c("No mercosur", "Mercosur") tabla_2 ``` ``` ## ## No mercosur Mercosur ## Africa 624 0 ## Americas 252 48 ## Asia 396 0 ## Europe 360 0 ## Oceania 24 0 ``` ] --- class: inverse, center, middle # Estadística descriptiva --- ## Medidas de tendencia central .codefont[ ```r mean(data_gapminder$lifeExp) # Media ``` ``` ## [1] 59.47444 ``` ```r median(data_gapminder$lifeExp) # Mediana ``` ``` ## [1] 60.7125 ``` ```r sd(data_gapminder$lifeExp) # Desvío estandar ``` ``` ## [1] 12.91711 ``` ] --- ## Rangos ```r range(data_gapminder$lifeExp) # Rango ``` ``` ## [1] 23.599 82.603 ``` ```r max(data_gapminder$lifeExp) ``` ``` ## [1] 82.603 ``` ```r min(data_gapminder$lifeExp) ``` ``` ## [1] 23.599 ``` --- ## Histogramas También podemos graficar los datos rápidamente. Por ejemplo, un histograma: .center[ .codefont[ ```r hist(data_gapminder$lifeExp, main = "Distribución de expectativa de vida (Gapminder)") ``` <img src="dia_2_files/figure-html/ej22-1.png" width="400px" /> ] ] --- ## Gráfico de dispersión (scatterplot) .center[ ```r plot(data_gapminder$lifeExp, data_gapminder$gdpPercap, main = "Relación entre expectativa de vida y PBI per cápita") ``` <img src="dia_2_files/figure-html/ej22_b-1.png" width="400px" /> ] --- ## Cuantiles .codefont[ ```r quantile(data_gapminder$lifeExp, probs=c(0.2, 0.4, 0.8)) # Cuantiles ``` ``` ## 20% 40% 80% ## 45.8992 55.7292 72.0288 ``` ```r quantile(data_gapminder$lifeExp, probs=seq(0, 1, 0.2)) # Cuantiles ``` ``` ## 0% 20% 40% 60% 80% 100% ## 23.5990 45.8992 55.7292 66.0814 72.0288 82.6030 ``` ```r # Con la función ntile() de dplyr podemos asignar quintiles en una variable data_gapminder$lifeExp_quant <- ntile(data_gapminder$lifeExp, 5) # Tabla cruzada table(data_gapminder$continent, data_gapminder$lifeExp_quant) ``` ``` ## ## 1 2 3 4 5 ## Africa 261 231 99 23 10 ## Americas 15 40 86 90 69 ## Asia 64 65 125 81 61 ## Europe 1 5 31 137 186 ## Oceania 0 0 0 10 14 ``` ] --- class: inverse, center, middle # Crear y recodificar variables --- ## Crear variables con mutate() El paquete [dplyr](https://cran.r-project.org/web/packages/dplyr/dplyr.pdf) contiene la función [`mutate()`](https://www.rdocumentation.org/packages/dplyr/versions/0.5.0/topics/mutate) para crear nuevas variables. `mutate()` crea variables al final del dataframe. .codefont[ ```r data_gapminder <- as_tibble(gapminder) # Pasamos nuevamente a tibble # Variable de caracteres data_gapminder <- mutate(data_gapminder, var1 = "Valor fijo") # Variable numérica data_gapminder <- mutate(data_gapminder, var2 = 7) head(data_gapminder, 3) ``` ``` ## # A tibble: 3 x 8 ## country continent year lifeExp pop gdpPercap var1 var2 ## <fct> <fct> <int> <dbl> <int> <dbl> <chr> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. Valor fijo 7 ## 2 Afghanistan Asia 1957 30.3 9240934 821. Valor fijo 7 ## 3 Afghanistan Asia 1962 32.0 10267083 853. Valor fijo 7 ``` ```r ## Podemos escribir lo mismo de distinta manera: data_gapminder <- mutate(data_gapminder, var1 = "Valor fijo", var2 = 7) ``` ] --- ## Crear variables en R Base Estas transformaciones también laspodríamos haber hecho en R Base .codefont[ ```r d_gap <- gapminder d_gap$var1 <- "Valor fijo" d_gap$var2 <- 7 head(d_gap, 3) ``` ``` ## # A tibble: 3 x 8 ## country continent year lifeExp pop gdpPercap var1 var2 ## <fct> <fct> <int> <dbl> <int> <dbl> <chr> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. Valor fijo 7 ## 2 Afghanistan Asia 1957 30.3 9240934 821. Valor fijo 7 ## 3 Afghanistan Asia 1962 32.0 10267083 853. Valor fijo 7 ``` ] --- ## Recodificar una misma variable .codefont[ ```r ## También tenemos dos maneras de recodificar una misma variable # Con dplyr data_uru <- filter(gapminder, country == "Uruguay") data_uru <- mutate(data_uru, country = "ROU") head(data_uru, 3) ``` ``` ## # A tibble: 3 x 6 ## country continent year lifeExp pop gdpPercap ## <chr> <fct> <int> <dbl> <int> <dbl> ## 1 ROU Americas 1952 66.1 2252965 5717. ## 2 ROU Americas 1957 67.0 2424959 6151. ## 3 ROU Americas 1962 68.3 2598466 5603. ``` ```r # En R Base data_uru <- filter(gapminder, country == "Uruguay") data_uru$country <- "ROU" head(data_uru, 3) ``` ``` ## # A tibble: 3 x 6 ## country continent year lifeExp pop gdpPercap ## <chr> <fct> <int> <dbl> <int> <dbl> ## 1 ROU Americas 1952 66.1 2252965 5717. ## 2 ROU Americas 1957 67.0 2424959 6151. ## 3 ROU Americas 1962 68.3 2598466 5603. ``` ] --- ## Recodificar variables con mutate() .codefont[ Con `mutate()` también podemos realizar operaciones sobre variables ya existentes: ```r ## Podemos recodificar usando variables y operadores aritméticos # Calculemos el pbi total (pbi per capita * población) d_gap <- mutate(gapminder, gdp = gdpPercap * pop) head(d_gap, 3) ``` ``` ## # A tibble: 3 x 7 ## country continent year lifeExp pop gdpPercap gdp ## <fct> <fct> <int> <dbl> <int> <dbl> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. 6567086330. ## 2 Afghanistan Asia 1957 30.3 9240934 821. 7585448670. ## 3 Afghanistan Asia 1962 32.0 10267083 853. 8758855797. ``` ```r # Podemos calcular el logaritmo d_gap <- mutate(d_gap, gdp_log = log(gdp)) head(d_gap, 2) ``` ``` ## # A tibble: 2 x 8 ## country continent year lifeExp pop gdpPercap gdp gdp_log ## <fct> <fct> <int> <dbl> <int> <dbl> <dbl> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. 6567086330. 22.6 ## 2 Afghanistan Asia 1957 30.3 9240934 821. 7585448670. 22.7 ``` ] --- ## Adelantar y retrasar variables .codefont[ ```r ## Podemos retrasar -lag()- o adelantar -lead()- variables # Primero nos quedamos con los datos de Uruguay # Atrasamos un período el pbi per capita data_uru <- filter(gapminder, country == "Uruguay") data_uru <- mutate(data_uru, gdpPercap_lag = lag(gdpPercap, n=1)) head(data_uru, 4) ``` ``` ## # A tibble: 4 x 7 ## country continent year lifeExp pop gdpPercap gdpPercap_lag ## <fct> <fct> <int> <dbl> <int> <dbl> <dbl> ## 1 Uruguay Americas 1952 66.1 2252965 5717. NA ## 2 Uruguay Americas 1957 67.0 2424959 6151. 5717. ## 3 Uruguay Americas 1962 68.3 2598466 5603. 6151. ## 4 Uruguay Americas 1967 68.5 2748579 5445. 5603. ``` ```r # Adelantamos dos períodos el pbi per cápita data_uru <- mutate(data_uru, gdpPercap_lead2 = lead(gdpPercap, n=2)) head(data_uru, 4) ``` ``` ## # A tibble: 4 x 8 ## country continent year lifeExp pop gdpPercap gdpPercap_lag gdpPercap_lead2 ## <fct> <fct> <int> <dbl> <int> <dbl> <dbl> <dbl> ## 1 Uruguay Americas 1952 66.1 2.25e6 5717. NA 5603. ## 2 Uruguay Americas 1957 67.0 2.42e6 6151. 5717. 5445. ## 3 Uruguay Americas 1962 68.3 2.60e6 5603. 6151. 5703. ## 4 Uruguay Americas 1967 68.5 2.75e6 5445. 5603. 6504. ``` ] --- ## Rankings e identificadores .codefont[ ```r # Identificador (números consecutivos) d_gap <- mutate(gapminder, id = row_number()) head(d_gap, 4) ``` ``` ## # A tibble: 4 x 7 ## country continent year lifeExp pop gdpPercap id ## <fct> <fct> <int> <dbl> <int> <dbl> <int> ## 1 Afghanistan Asia 1952 28.8 8425333 779. 1 ## 2 Afghanistan Asia 1957 30.3 9240934 821. 2 ## 3 Afghanistan Asia 1962 32.0 10267083 853. 3 ## 4 Afghanistan Asia 1967 34.0 11537966 836. 4 ``` ```r # Ranking según variable d_gap <- mutate(d_gap, gdp_rank = row_number(gdpPercap)) # Ordeno los datos según el ranking d_gap <- arrange(d_gap, desc(gdp_rank)) head(d_gap, 4) ``` ``` ## # A tibble: 4 x 8 ## country continent year lifeExp pop gdpPercap id gdp_rank ## <fct> <fct> <int> <dbl> <int> <dbl> <int> <int> ## 1 Kuwait Asia 1957 58.0 212846 113523. 854 1704 ## 2 Kuwait Asia 1972 67.7 841934 109348. 857 1703 ## 3 Kuwait Asia 1952 55.6 160000 108382. 853 1702 ## 4 Kuwait Asia 1962 60.5 358266 95458. 855 1701 ``` ] --- ## Transformaciones de tipo Al igual que hacíamos con los vectores, podemos tranformar el tipo de una variable .codefont[ ```r # Exploro tipo de variables glimpse(d_gap) ``` ``` ## Rows: 1,704 ## Columns: 3 ## $ continent <fct> Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, ~ ## $ year <int> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, ~ ## $ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8~ ``` ```r # Variable continente a caracteres y año a factor d_gap <- d_gap %>% mutate(continent = as.character(continent), year = as.factor(year)) glimpse(d_gap) ``` ``` ## Rows: 1,704 ## Columns: 3 ## $ continent <chr> "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asi~ ## $ year <fct> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, ~ ## $ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8~ ``` ] --- ## Transformaciones de tipo .codefont[ ```r # Variable año a numérica nuevamente d_gap <- d_gap %>% mutate(year = as.numeric(year)) glimpse(d_gap) ``` ``` ## Rows: 1,704 ## Columns: 3 ## $ continent <chr> "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asia", "Asi~ ## $ year <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 1, 2, 3, 4, 5, 6, 7, ~ ## $ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8~ ``` ] --- class: inverse, center, middle # Recodificaciones condicionales --- ## Recodificaciones condicionales - Muchas veces transformar los datos implica recodificar una variable de forma condicional, esto es, asignar distintos valores en función de los valores de una o más variables. - Para esto utilizaremos las funciones [ifelse()](https://www.rdocumentation.org/packages/base/versions/3.6.2/topics/ifelse) (R Base), [mutate()](https://www.rdocumentation.org/packages/dplyr/versions/0.5.0/topics/mutate), [recode()](https://www.rdocumentation.org/packages/dplyr/versions/0.7.8/topics/recode) y [case_when()](https://dplyr.tidyverse.org/reference/case_when.html) (Tidyverse) --- ## Recodificación condicional con recode y mutate dplyr también cuenta con la función `recode()` para recodificar variables. Esta función permite recodificar valores de forma sencilla, basado en sus nombres (no permite operaciones complejas). Primero especificamos el dataframe, luego el nombre de la variable (nombre disitnto si queremos crear una nueva variable, o el mismo y si queremos sobreeescribirla), luego el nombre de la variable original y por último los cambios. De forma general: .codefont[ ```r dataframe <- mutate(dataframe, var_nueva = recode(var_original, "Valor 1" = "Valor A", "Valor 2" = "Valor B")) ``` ] --- ## Recodificación condicional con recode y mutate Cuando usamos `recode()` para recodificar factores debemos o especificar cada uno de los niveles o usar la opción `.default = levels(variable_original)` .codefont[ ```r table(d_gap$continent) ``` ``` ## ## Africa Americas Asia Europe Oceania ## 624 300 396 360 24 ``` ```r class(d_gap$continent) ``` ``` ## [1] "factor" ``` ```r d_gap <- mutate(d_gap, continent_sigla = recode(continent, "Africa" = "AF", "Americas" = "AM", .default = levels(continent))) table(d_gap$continent_sigla) ``` ``` ## ## AF AM Asia Europe Oceania ## 624 300 396 360 24 ``` ] --- ## Recodificación condicional con recode y mutate ```r # Especificando todos los valores: d_gap <- mutate(d_gap, continent_sigla2 = recode(continent, "Africa" = "AF", "Americas" = "AM", "Asia" = "AS", "Europe" = "EU", "Oceania" = "OC")) table(d_gap$continent_sigla2) ``` ``` ## ## AF AM AS EU OC ## 624 300 396 360 24 ``` --- ## Recodificación condicional con recode y mutate Cuando usamos `recode()` para recodificar variables de caracteres simplemente especificamos los valores que queremos recodificar .codefont[ ```r d_gap$continent <- as.character(d_gap$continent) class(d_gap$continent) ``` ``` ## [1] "character" ``` ```r d_gap <- mutate(d_gap, continent_sigla3 = recode(continent, "Africa" = "AF", "Oceania" = "OC")) table(d_gap$continent_sigla3) ``` ``` ## ## AF Americas Asia Europe OC ## 624 300 396 360 24 ``` ] --- ## Recodificación condicional con case_when y mutate `recode()` es muy útil para cuando queremos recodificar los valores de una variable de forma puntual, pero no me permite operaciones más complejas como crear una variable condicional basada en dos variables distintas. Para ello dplyr tiene la función `case_when()`. Esencialmente, con `ifelse()` (R Base) podemos lograr lo mismo que con `case_when()` (Tidyverse). `case_when()` puede resultar más sencilla de utilizar al no haber necesidad de anidar la función cuando establecemos múltiples condiciones. Cuando trabajmos con dataframes `case_when()` se utiliza dentro de `mutate()`. `case_when()` testea condiciones en orden (esto es importante cuando pasamos condiciones no excluyentes). `case_when()` lista condiciones para las que asigna un valor en caso de que sean verdaderas, y permite pasar múltiples condiciones. `TRUE` refiere a las condiciones no listadas. La estructura de `case_when()` es: ```r mutate(data, var_nueva = case_when(var_original == "Valor 1" ~ "Valor A", var_original == "Valor 2" ~ "Valor B", TRUE ~ "Otros")) ``` --- ## Recodificación condicional con case_when y mutate ```r # Creemos una variable que indique si el país es Uruguay o no d_gap <- mutate(d_gap, uruono = case_when( country == "Uruguay" ~ "Si", TRUE ~ "No") ) table(d_gap$uruono) ``` ``` ## ## No Si ## 1692 12 ``` --- ## Recodificación condicional con case_when y mutate Podemos establecer varias condiciones fácilmente: .codefont[ ```r d_gap <- gapminder d_gap <- mutate(d_gap, mercosur = case_when(country == "Uruguay" ~ 1, country == "Argentina" ~ 1, country == "Paraguay" ~ 1, country == "Brazil" ~ 1, TRUE ~ 0)) table(d_gap$mercosur) ``` ``` ## ## 0 1 ## 1656 48 ``` ] --- ## Recodificación condicional con case_when y mutate También podríamos usar operadores para simplificar esto: .codefont[ ```r d_gap <- mutate(d_gap, mercosur = case_when( country %in% c("Argentina", "Paraguay", "Brazil", "Uruguay") ~ 1, TRUE ~ 0) ) d_gap <- mutate(d_gap, mercosur2 = case_when( country == "Argentina" | country == "Paraguay" | country == "Brazil" | country == "Uruguay" ~ 1, TRUE ~ 0) ) identical(d_gap$mercosur, d_gap$mercosur2) ``` ``` ## [1] TRUE ``` ] --- ## Recodificación condicional con case_when y mutate `case_when()` sirve también para recodificar una variable con condiciones basadas en múltiples variables. Supongamos que queremos una variable que indique los países-año con expectativa de vida mayor a 75 o pbi per cápita mayor a 20.000 .codefont[ ```r d_gap <- mutate(d_gap, var1 = case_when(gdpPercap > 20000 ~ 1, lifeExp > 75 ~ 1, TRUE ~ 0)) table(d_gap$var1) ``` ``` ## ## 0 1 ## 1493 211 ``` ] --- ## Recodificación condicional con ifelse Para recodificar condicionalmente una variable en R base podemos usar la función `ifelse()`. Esta función tiene tres argumentos: - `test`: primero establece una condición a probar - `x`: el valor para los valores en donde `test = TRUE` - `y`: el valor para los valores en donde `test = FALSE` Supongamos que queremos crear una variable en la data de gapminder queremos crear una nueva variable `poburu` donde 1 represente los países con más de 3 millones de habitantes y 0 represente a los países con menos de 3 millones de habitantes .codefont[ ```r # Usualmente no explicitamos los argumentos, los definimos por su orden, # condición, valor si condición es verdadera y valor si condicion es falsa d_gap$poburu <- ifelse(d_gap$pop > 3000000, 1, 0) table(d_gap$poburu) ``` ``` ## ## 0 1 ## 458 1246 ``` ] --- ## Recodificación condicional con ifelse Para chequear varias condiciones al mismo tiempo podemos usar `ifelse()` de forma anidada. .codefont[ ```r d_gap$mercosur <- ifelse(d_gap$country == "Uruguay", 1, ifelse(d_gap$country == "Argentina", 1, ifelse(d_gap$country == "Paraguay", 1, ifelse(d_gap$country == "Brazil", 1, 0)))) table(d_gap$continent, d_gap$mercosur) ``` ``` ## ## 0 1 ## Africa 624 0 ## Americas 252 48 ## Asia 396 0 ## Europe 360 0 ## Oceania 24 0 ``` ] --- ## Recodificación condicional con ifelse y mutate `ifelse()` y `case_when()` pueden cumplir la misma función, aunque para esta última no es necesario anidar. .codefont[ ```r d_gap <- gapminder ## Con ifelse() d_gap$mercosur <- ifelse(d_gap$country == "Uruguay", 1, ifelse(d_gap$country == "Argentina", 1, ifelse(d_gap$country == "Paraguay", 1, ifelse(d_gap$country == "Brazil", 1, 0)))) ## Con case_when() d_gap <- mutate(d_gap, mercosur_2 = case_when(country == "Uruguay" ~ 1, country == "Argentina" ~ 1, country == "Paraguay" ~ 1, country == "Brazil" ~ 1, TRUE ~ 0)) identical(d_gap$mercosur, d_gap$mercosur_2) ``` ``` ## [1] TRUE ``` ] --- ## Ejercicio .content-box-blue[ *(1) Importar la base wb_paises_2 (de la carpeta data)* *(2) Buscar si alguna variable sea de un tipo incorrecto. En caso de que así sea, transformarla al tipo correcto* *(3) Crear un gráfico de dispersión de las variables de PBI per capita y CO2 per capita* *(4) Crear una nueva variable que tenga 3 valores: (1) Bajo si el índice de gini es menor a 30; (2) Medio si el índice de gini está entre 30 y 40 y (3) Alto si el índice de gini es mayor a 40* ] --- class: inverse, center, middle # Datos perdidos --- ## Datos perdidos en R - Muchas veces cuando trabajamos con datos no contamos con todas las observaciones. - Es importante identificar cuando tenemos datos perdidos porque puede afectar el funcionamiento de las funciones que le aplicamos a los datos. - En R los observaciones perdidas se representan con el termino `NA` (sin comillas) que significa Not available - Si importamos datos de otros programas tenemos que tener cuidado de cómo están codificados los datos perdidos porque no necesariamente siempre R puede identificar los datos perdidos. --- ## Datos perdidos en R ```r vector_n <- c(1, 2, 3, 4, NA, 5) mean(vector_n) ``` ``` ## [1] NA ``` ```r mean(vector_n, na.rm = TRUE) ``` ``` ## [1] 3 ``` ```r vector_n2 <- c(1, 2, 3, 4, 5) mean(vector_n2) ``` ``` ## [1] 3 ``` ```r # Para chequear si cada observación es un dato perdido o no is.na(vector_n) ``` ``` ## [1] FALSE FALSE FALSE FALSE TRUE FALSE ``` --- ## Datos perdidos en R Muchas veces funciones que utilizamos generan datos perdidos. Miremos algunos ejemplos: ```r # Operaciones con vectores y datos perdidos vector1 <- c(1, 2, 3, 4) vector2 <- c(1, 0, 1, NA) vector_final <- vector1 / vector2 vector_final ``` ``` ## [1] 1 Inf 3 NA ``` --- ## Datos perdidos en R Podemos combinar `is.na()` con otras funciones .codefont[ ```r # Por ejemplo, usando any() podemos ver si hay al menos un valor perdido any(is.na(vector2)) ``` ``` ## [1] TRUE ``` ```r # Con which() podemos ver cuáles valores son perdidos which(is.na(vector2)) ``` ``` ## [1] 4 ``` ```r # Con mean() podemos calcular el procentaje de datos perdidos mean(is.na(vector2)) ``` ``` ## [1] 0.25 ``` ```r # Con sum() podemos calcular cuántos valores son perdidos sum(is.na(vector2)) ``` ``` ## [1] 1 ``` ] --- ## Datos perdidos en R Volvamos a la encuesta. Supongamos que tenemos más datos y los queremos anexar al dataframe original ```r # Datos originales print(encuesta) ``` ``` ## edad ideologia voto ## 1 18 Izquierda Partido A ## 2 24 Izquierda Partido A ## 3 80 Derecha Partido C ``` ```r # Datos para anexar print(encuesta_2) ``` ``` ## edad ideologia voto genero ## 1 40 Derecha Partido B Mujer ## 2 44 Izquierda Partido A Hombre ## 3 NA Derecha Partido C Mujer ``` --- ## Datos perdidos en R ```r # Para anexar datos podemos utilizar la función rbind.fill() de plyr encuesta_anexada <- plyr::rbind.fill(encuesta, encuesta_2) # Miremos la encuesta anexada print(encuesta_anexada) ``` ``` ## edad ideologia voto genero ## 1 18 Izquierda Partido A <NA> ## 2 24 Izquierda Partido A <NA> ## 3 80 Derecha Partido C <NA> ## 4 40 Derecha Partido B Mujer ## 5 44 Izquierda Partido A Hombre ## 6 NA Derecha Partido C Mujer ``` --- ## Datos perdidos en R ```r # Con complete.cases vemos que filas están completas complete.cases(encuesta_anexada) ``` ``` ## [1] FALSE FALSE FALSE TRUE TRUE FALSE ``` ```r # Con na.omit nos eliminamos las observaciones con datos perdidos na.omit(encuesta_anexada) ``` ``` ## edad ideologia voto genero ## 4 40 Derecha Partido B Mujer ## 5 44 Izquierda Partido A Hombre ```