Vysoké nájmy a nájemní zátěž

V místech jako San Francisco mohou být nájmy velmi vysoké – ale abychom pochopili geografii nájemní zátěže, samotná výše nájmu nestačí. Užitečnější je sledovat podíl příjmů vydávaných na nájem.

V tomto cvičení propojíš DataFrame s hrubými nájmy v dolarech (median_rent) a jako procentem z příjmu (median_rent_pct_of_income) podle sčítacích oblastí v San Franciscu s geopandas DataFramem těchto oblastí. Následně obě proměnné zmapuješ a porovnáš. Tmavší barvy na mapách označují vyšší hodnoty (vyšší nájmy nebo vyšší podíl nájmu na příjmu).

Prvních několik řádků těchto dvou sloupců je zobrazeno v konzoli.

pandas a geopandas jsou importovány pod obvyklými aliasy.

Toto cvičení je součástí kurzu

Analýza dat amerického sčítání lidu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Spoj sf_rent s geopandas DataFramem sf_tracts pomocí merge – jako klíče pro spojení použij sloupce state, county a tract.
Pro zobrazení median_rent v San Franciscu použij metodu notnull() na sloupec median_rent, aby se vyloučila oblast s chybějícími daty.
Zmapuj sloupec median_rent_pct_of_income. Pomocí šipek v okně grafu porovnej tuto mapu s mapou median_rent.
Vypiš Pearsonovu korelaci mezi median_rent a median_rent_pct_of_income.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Merge geometries with rent data
sf_tracts = sf_tracts.merge(____, ____)

# Plot median rent by Census tract
sf_tracts[____].plot(column = "median_rent", cmap = "YlGnBu")
plt.show()
plt.close()

# Plot median rent as percentage of income
sf_tracts.plot(____, cmap = "YlGnBu")
plt.show()

# Show correlation between median rent and percent of income
print(sf_tracts["median_rent"].corr(____))

Upravit a spustit kód