Chômage chez les hommes blancs et noirs

Dans cet exercice, vous comparerez le chômage métropolitain chez les hommes blancs et noirs. msa_black_emp est déjà chargé. Un nouveau DataFrame, msa_white_emp, avec des données du tableau C23002A de l'ACS quinquennal 2012, est aussi chargé. Le pourcentage de chômage a déjà été calculé pour vous. Vous allez restreindre les deux DataFrames aux colonnes pertinentes (celles qui indiquent le pourcentage d'hommes en chômage), les joindre, puis les transformer avec melt en un DataFrame ordonné pour la visualisation avec seaborn.

pandas et seaborn ont été importés avec les alias habituels.

Cette activité fait partie du cours

Analyser les données du recensement des États-Unis avec Python

Voir le cours

Instructions de l’exercice

Créez tidy_white_emp en restreignant msa_white_emp aux colonnes "msa" et "pct_male_unemp", puis renommez la deuxième colonne en "white"
Fusionnez tidy_black_emp et tidy_white_emp sur la colonne "msa"; affectez le résultat à tidy_emp
Appliquez melt à tidy_emp. Les value_vars doivent être les noms des deux colonnes de race; définissez var_name à "race" et value_name à "unemployment"
Tracez le chômage en fonction de la dissimilarité, en conditionnant selon la race au moyen du paramètre hue

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# 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()

Modifier et exécuter le code