Loyers élevés et charge locative

Les loyers peuvent être très élevés dans des villes comme San Francisco, mais pour comprendre la géographie de la charge locative, regarder les loyers bruts est moins pertinent que d’examiner la part du revenu consacrée au loyer.

Dans cet exercice, vous allez joindre un DataFrame contenant les loyers bruts en dollars (median_rent) et en pourcentage du revenu (median_rent_pct_of_income) par secteur de recensement à San Francisco avec un DataFrame geopandas de ces secteurs. Vous allez ensuite cartographier et comparer ces deux variables. Des couleurs plus foncées sur les cartes indiquent des valeurs plus élevées (loyers plus élevés ou part du revenu consacrée au loyer plus élevée).

Les premières lignes de ces deux colonnes s’affichent dans la console.

pandas et geopandas sont importés avec les alias habituels.

Cet exercice fait partie du cours

Analyzing US Census Data in Python

Afficher le cours

Instructions

Faites un merge de sf_rent avec le DataFrame sf_tracts de geopandas, en faisant correspondre les colonnes state, county et tract via on.
Pour cartographier median_rent à San Francisco, utilisez la méthode notnull() sur la colonne median_rent afin d’exclure un secteur avec des données manquantes.
Cartographiez la colonne median_rent_pct_of_income. Utilisez les flèches dans la fenêtre de tracé pour comparer cette carte avec celle de median_rent.
Affichez la corrélation de Pearson entre median_rent et median_rent_pct_of_income.

Exercice interactif pratique

Essayez cet exercice en complétant cet exemple de code.

# Merge geometries with rent data
sf_tracts = sf_tracts.merge(____, ____)

# Plot median rent by Census tract
sf_tracts[____].plot(column = "median_rent", cmap = "YlGnBu")
plt.show()
plt.close()

# Plot median rent as percentage of income
sf_tracts.plot(____, cmap = "YlGnBu")
plt.show()

# Show correlation between median rent and percent of income
print(sf_tracts["median_rent"].corr(____))

Modifier et exécuter le code