Gentrifizierende Trakte identifizieren

In dieser Übung identifizierst und kartierst du die Trakte, die zwischen 2000 und 2010 gentrifizierend waren. Damit ein Trakt als gentrifizierend gilt, muss er 2000 gentrifizierbar gewesen sein und diese Kriterien erfüllen:

Der Anteil der Bevölkerung mit Bachelor-Abschluss oder höher muss schneller steigen als im Großraum New York.
Die Hauswerte müssen seit 2000 gestiegen sein. Um die Inflation zu berücksichtigen, werden die Hauswerte von 2000 mit 1,2612 multipliziert.

Das GeoDataFrame bk_2010 wurde für dich geladen. Die Spaltennamen werden in der Konsole angezeigt. Da du 2010 mit 2000 vergleichst, enthält es Daten aus beiden Jahren, in Spalten mit den Suffixen "_2000" und "_2010". Es enthält außerdem die Spalte gentrifiable, die du in der letzten Übung erstellt hast.

Diese Übung ist Teil des Kurses

Analyse von US-Volkszählungsdaten mit Python

Kurs anzeigen

Anleitung zur Übung

Setze increasing_education auf True, wenn der Anstieg des Anteils der Bevölkerung mit Bachelor-Abschluss von 2000 bis 2010 größer ist als der Anstieg auf MSA-Ebene
Setze increasing_house_value auf True, wenn median_value_2010 mehr als 1.2612-mal so groß ist wie median_value_2000
Setze mit dem Operator & gentrifying auf True, wenn ein Trakt gentrifiable ist und increasing_education hat und increasing_house_value hat
Karte die gentrifying-Trakte mit einer "YlOrRd"-Colormap

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# Increase in percent BA greater than MSA
bk_2010["increasing_education"] = ____

# Increase in house value
bk_2010["increasing_house_value"] = ____

# Identify gentryifying tracts
bk_2010["gentrifying"] = bk_2010["gentrifiable"] & ____

# Plot gentrifying tracts
bk_2010.plot(____)
plt.show()

Code bearbeiten und ausführen