Alquiler alto y carga del alquiler

En lugares como San Francisco, los alquileres pueden ser muy altos, pero para entender la geografía de la carga del alquiler, mirar los alquileres brutos puede ser menos útil que fijarse en la proporción de ingresos que se destina al alquiler.

En este ejercicio, unirás un DataFrame con alquileres brutos en dólares (median_rent) y como porcentaje de los ingresos (median_rent_pct_of_income) por tramo censal en San Francisco con un DataFrame de geopandas de esos mismos tramos. Después, representarás en un mapa y compararás estas dos variables. Los colores más oscuros en los mapas indican valores más altos (alquileres más altos o mayor proporción de ingreso dedicada al alquiler).

Las primeras filas de estas dos columnas se muestran en la consola.

pandas y geopandas están importados usando los alias habituales.

Este ejercicio forma parte del curso

Análisis de datos del Censo de EE. UU. con Python

Ver curso

Instrucciones del ejercicio

Realiza un merge de sf_rent con el DataFrame de geopandas sf_tracts, haciendo coincidir las columnas state, county y tract.
Para mapear median_rent en San Francisco, usa el método notnull() en la columna median_rent para excluir un tramo con datos faltantes.
Traza en un mapa la columna median_rent_pct_of_income. Usa las flechas en la ventana de gráficos para comparar este mapa con el de median_rent.
Imprime la correlación de Pearson entre median_rent y median_rent_pct_of_income.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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(____))

Editar y ejecutar código