Hohe Miete und Mietbelastung

In Städten wie San Francisco können die Mieten sehr hoch sein. Um die räumliche Verteilung der Mietbelastung zu verstehen, ist es jedoch oft hilfreicher, sich den Einkommensanteil anzusehen, der für Miete ausgegeben wird, statt nur die Bruttomiete zu betrachten.

In dieser Übung verknüpfst du ein DataFrame mit Bruttomieten in Dollar (median_rent) und als prozentualem Anteil am Einkommen (median_rent_pct_of_income) nach Census Tract in San Francisco mit einem geopandas-DataFrame dieser Trakte. Anschließend erstellst du Karten und vergleichst diese beiden Variablen. Dunklere Farben auf den Karten stehen für höhere Werte (höhere Mieten bzw. höheren Mietanteil am Einkommen).

Die ersten Zeilen dieser beiden Spalten werden in der Konsole angezeigt.

pandas und geopandas sind mit den üblichen Aliassen importiert.

Diese Übung ist Teil des Kurses

Analyse von US-Volkszählungsdaten mit Python

Kurs anzeigen

Anleitung zur Übung

Führe ein merge von sf_rent mit dem sf_tracts-geopandas-DataFrame durch und gleiche die Spalten state, county und tract ab.
Um median_rent in San Francisco zu kartieren, verwende die Methode notnull() auf der Spalte median_rent, um einen Trakt mit fehlenden Daten auszuschließen.
Kartiere die Spalte median_rent_pct_of_income. Nutze die Pfeile im Plot-Fenster, um diese Karte mit der Karte von median_rent zu vergleichen.
Gib die Pearson-Korrelation zwischen median_rent und median_rent_pct_of_income aus.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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(____))

Code bearbeiten und ausführen