Arbeitslosigkeit von weißen und schwarzen Männern

In dieser Übung vergleichst du die Arbeitslosigkeit in Metropolregionen zwischen weißen und schwarzen Männern. msa_black_emp ist geladen. Ein neues DataFrame, msa_white_emp, mit Daten aus Tabelle C23002A der 5-jährigen ACS 2012 ist ebenfalls geladen. Die prozentuale Arbeitslosigkeit wurde bereits für dich berechnet. Du beschränkst beide DataFrames auf die interessierenden Spalten (die mit den Prozentwerten der männlichen Beschäftigung), verknüpfst die DataFrames und melt-est sie zu einem aufgeräumten DataFrame für die Visualisierung mit seaborn.

pandas und seaborn wurden mit den üblichen Aliassen geladen.

Diese Übung ist Teil des Kurses

<Kurs>Analyse von US-Volkszählungsdaten mit Python</Kurs>

Kurs ansehen

Übungsanweisungen

Erstelle tidy_white_emp, indem du msa_white_emp auf die Spalten "msa" und "pct_male_unemp" beschränkst, und benenne dann die zweite Spalte in "white" um
Führe tidy_black_emp und tidy_white_emp über die Spalte "msa" zusammen; weise das Ergebnis tidy_emp zu
Wende melt auf tidy_emp an. Die value_vars sollten die Namen der beiden Rassespalten sein; setze var_name auf "race" und value_name auf "unemployment"
Zeichne Arbeitslosigkeit gegen Dissimilarität und bedinge nach „race“ mit dem Parameter hue

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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()

Code bearbeiten und ausführen