Chômage
Le chômage varie selon la « race » et le sexe. Dans cet exercice, vous partez d’un DataFrame, unemp_by_race, qui contient le pourcentage de chômage par année pour les 25–54 ans dans quatre groupes raciaux (White, Black, Asian et Hispanic) et pour les deux sexes. Vous allez créer un diagramme en barres du pourcentage de chômage en fonction de l’année.
Comme les noms de colonnes, après l’opération de « melt », deviendront les libellés de votre graphique final, commencez par leur donner des noms plus courts et plus clairs. Le code nécessaire est fourni au début de l’exercice.
pandas et seaborn ont été importés avec les alias habituels. unemp_by_race est chargé, et le dictionnaire que vous utiliserez pour le renommage est affiché dans la console.
Cet exercice fait partie du cours
Analyzing US Census Data in Python
Instructions
- Appliquez
meltau DataFrameunemp_by_race; définissezid_varsà"year"et supprimez le paramètrevalue_varspour utiliser toutes les autres colonnes comme colonnes de valeurs - Créez un diagramme en barres à partir de
unemp_by_race, avec l’année sur l’axe des x et le pourcentage de chômeurs sur l’axe des y, et définissezhueselon le groupe démographique
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
# Rename columns
unemp_by_race.rename(columns = col_rename, inplace = True)
# Melt DataFrame by demographic group
unemp_by_race = unemp_by_race.melt(id_vars = ____, value_vars = ____,
var_name = "demographic", value_name = "pct_unemployed")
# Plot unemployment by group by year
sns.barplot(x = ____, y = ____, hue = ____, data = unemp_by_race)
plt.show()