Nezaměstnanost bílých a černošských mužů

V tomto cvičení porovnáš míru nezaměstnanosti v metropolitních oblastech mezi bílými a černošskými muži. Máš k dispozici načtený DataFrame msa_black_emp. Dále je načtený nový DataFrame msa_white_emp s daty z tabulky C23002A z 5letého ACS za rok 2012. Procentuální nezaměstnanost je za tebe již vypočítaná. Omezíš oba DataFramy na sloupce, které tě zajímají (ty zobrazující procentuální zaměstnanost mužů), spojíš je dohromady a pomocí melt je převedeš do upraveného DataFrame vhodného pro vizualizaci v seaborn.

pandas a seaborn jsou načtené pod obvyklými aliasy.

Toto cvičení je součástí kurzu

Analýza dat amerického sčítání lidu v Pythonu

Zobrazit kurz

Pokyny k cvičení

Vytvoř tidy_white_emp tak, že omezíš msa_white_emp na sloupce "msa" a "pct_male_unemp", a pak druhý sloupec přejmenuj na "white"
Spoj tidy_black_emp a tidy_white_emp podle sloupce "msa" a výsledek ulož do tidy_emp
Použij melt na tidy_emp. Parametr value_vars nastav na názvy obou sloupců s rasou, var_name nastav na "race" a value_name na "unemployment"
Vykresli graf nezaměstnanosti oproti míře segregace a rozliš data podle rasy pomocí parametru hue

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Restrict DataFrame to columns of interest, rename columns
tidy_black_emp = msa_black_emp[["msa", "D", "pct_male_unemp"]]
tidy_black_emp.columns = ["msa", "D", "black"]
tidy_white_emp = ____
tidy_white_emp.columns = ____
tidy_emp = ____

# Use melt to create tidy DataFrame
tidy_msa_emp = tidy_emp.melt(id_vars = ["msa", "D"], 
    value_vars = ____, var_name = ____, 
    value_name = ____)

# Visually compare male and female unemployment
sns.lmplot(____, data = tidy_msa_emp)
plt.show()

Upravit a spustit kód