Comparer les issues pour excès de vitesse selon le genre
Lorsqu’un conducteur est arrêté pour excès de vitesse, beaucoup pensent que le genre influe sur le fait de recevoir une amende ou un avertissement. Pouvez-vous trouver des indices de cela dans le jeu de données ?
Vous allez d’abord créer deux DataFrames de conducteurs arrêtés pour excès de vitesse : l’un pour les femmes et l’autre pour les hommes.
Ensuite, pour chaque genre, vous utiliserez la colonne stop_outcome pour calculer le pourcentage d’arrêts ayant abouti à une « Citation » (c’est‑à‑dire une amende) par rapport à un « Warning » (avertissement).
Cet exercice fait partie du cours
Analyzing Police Activity with pandas
Instructions
- Créez un DataFrame,
female_and_speeding, qui ne contient que les conductrices arrêtées pour excès de vitesse. - Créez un DataFrame,
male_and_speeding, qui ne contient que les conducteurs arrêtés pour excès de vitesse. - Comptez les issues d’arrêt pour les conductrices et exprimez-les en proportions.
- Comptez les issues d’arrêt pour les conducteurs et exprimez-les en proportions.
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Create a DataFrame of female drivers stopped for speeding
female_and_speeding = ri[____]
# Create a DataFrame of male drivers stopped for speeding
male_and_speeding = ri[____]
# Compute the stop outcomes for female drivers (as proportions)
print(female_and_speeding.____)
# Compute the stop outcomes for male drivers (as proportions)
print(male_and_speeding.____)