Couverture d’assurance santé
L’Affordable Care Act est entré en vigueur en 2014. L’un de ses objectifs était d’augmenter la couverture d’assurance santé chez les jeunes adultes en bonne santé. La couverture d’assurance des 19–25 ans a‑t‑elle évolué avec l’adoption de l’Affordable Care Act ? Calculons la variation en points de pourcentage de la couverture par État. Puis tracez cette variation par rapport au taux de couverture initial.
La table ACS B27022 - "Health Insurance Coverage Status By Sex By Enrollment Status For Young Adults Aged 19 To 25" a été chargée. Les noms de colonnes (affichés dans la console) indiquent les ventilations par sexe (m/f), inscription scolaire (school/noschool) et assurance (insured/uninsured).
Pour rappel, nous utilisons des pourcentages tout au long de ce cours.
pandas et seaborn ont été importés avec les alias habituels.
Cet exercice fait partie du cours
Analyzing US Census Data in Python
Instructions
- Calculez le pourcentage assuré comme 100 multiplié par
insured_total, divisé par la populationtotal - Créez un tableau croisé
states_pvtavec les lignes représentant les États (index = "state"), les colonnes les années (columns = "year"), etvalueségal à"pct_insured" - Calculez l’évolution du pourcentage assuré en soustrayant
pct_insured_2013depct_insured_2017 - Tracez la variation du taux d’assurance (
y) par rapport au taux de 2013 (x)
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Calculate percent insured
states["insured_total"] = states["m_school_insured"] + states["m_noschool_insured"] + states["f_school_insured"] + states["f_noschool_insured"]
states["pct_insured"] = ____
# Pivot the table and rename the columns
states_pvt = states.pivot(____)
states_pvt.columns = ["pct_insured_2013", "pct_insured_2017"]
# Calculate the change in insurance rates 2013 to 2017
states_pvt["pct_insured_change"] = ____
# Plot the change against initial (2013) insurance rates
sns.lmplot(x = ____, y = ____, data = states_pvt)
plt.show()