Taux d'activité

Le chômage peut baisser parce que le taux d'activité diminue, c'est‑à‑dire que moins de personnes cherchent du travail! Dans cet exercice, vous allez examiner cette possibilité. Vous partirez d'un DataFrame, lf_by_race, qui contient le pourcentage de participation au marché du travail par année pour les 25 à 54 ans dans quatre groupes raciaux (White, Black, Asian et Hispanic) et pour les deux sexes. Vous créerez un diagramme à bandes du taux d'activité en fonction de l'année. Pour pouvoir ventiler le diagramme par groupe démographique, vous commencerez par appliquer melt au DataFrame. Le DataFrame possède déjà des noms de colonnes appropriés.

pandas et seaborn ont été importés avec les alias habituels. unemp_by_race est chargé et cinq colonnes sont affichées dans la console.

Cette activité fait partie du cours

Analyser les données du recensement des États-Unis avec Python

Voir le cours

Instructions de l’exercice

Appliquez melt au DataFrame lf_by_race, en définissant var_name à "demographic" et value_name à "labor_force_participation" ; pouvez-vous déterminer la colonne appropriée pour le paramètre id_vars?
Appelez sns.barplot avec l'année sur l'axe des x et le taux d'activité sur l'axe des y ; utilisez ensuite le paramètre hue pour afficher le sexe groupé par année.

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Melt DataFrame by demographic group
lf_by_race = lf_by_race.melt(
        ____,
        ____,
        ____
		)

# Plot labor force particpation by group by year
sns.barplot(____)
plt.show()

Modifier et exécuter le code