Desempleo de hombres blancos y negros

En este ejercicio compararás el desempleo metropolitano entre hombres blancos y negros. msa_black_emp ya está cargado. También se ha cargado un nuevo DataFrame, msa_white_emp, con datos de la tabla C23002A de la ACS de 5 años de 2012. El porcentaje de desempleo ya se ha calculado por ti. Restringirás ambos DataFrames a las columnas de interés (las que muestran el porcentaje de empleo masculino), unirás los DataFrames y los transformarás con melt a un DataFrame ordenado para visualizar con seaborn.

pandas y seaborn se han cargado 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

Crea tidy_white_emp restringiendo msa_white_emp a las columnas "msa" y "pct_male_unemp", luego renombra la segunda columna a "white"
Fusiona tidy_black_emp y tidy_white_emp por la columna "msa"; asigna el resultado a tidy_emp
Aplica melt a tidy_emp. En value_vars usa los nombres de las dos columnas de raza; establece var_name en "race" y value_name en "unemployment"
Traza desempleo frente a disimilitud, condicionando por raza usando el parámetro hue

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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()

Editar y ejecutar código