Auswirkungen der Segregation zwischen Schwarz und Weiß nach Geschlecht
Mit seaborn können wir zwei Variablen darstellen, die nach einer dritten Variable konditioniert sind. Die zwei Variablen sind Ungleichverteilung und Arbeitslosigkeit; das Streudiagramm konditionieren wir auf die dritte Variable, das Geschlecht, indem wir Farbe der Punkte und der Regressionslinie je nach gemeldetem Geschlecht ändern. Zunächst müssen wir aber msa_black_emp in ein „tidy“ DataFrame umwandeln.
msa_black_emp wurde geladen und enthält die Spalten "pct_male_unemp" und "pct_female_unemp", wie in der letzten Übung berechnet.
pandas und seaborn wurden mit den üblichen Aliasnamen geladen.
Diese Übung ist Teil des Kurses
Analyse von US-Volkszählungsdaten mit Python
Interaktive Übung
Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.
# Restrict DataFrame to columns of interest, rename columns
tidy_black_emp = msa_black_emp[____]
tidy_black_emp.columns = ____