श्वेत और अश्वेत बेरोजगारी
इस अभ्यास में आप महानगरीय क्षेत्रों में श्वेत और अश्वेत पुरुषों के बीच बेरोजगारी की तुलना करेंगे। msa_black_emp लोड किया गया है। एक नया DataFrame, msa_white_emp, जिसमें 2012 5-year ACS की तालिका C23002A का डेटा है, भी लोड किया गया है। प्रतिशत बेरोजगारी पहले से आपके लिए निकाल दी गई है। आपको दोनों DataFrames को केवल रुचि वाले कॉलमों तक सीमित करना है (वे जो पुरुष रोजगार का प्रतिशत दिखाते हैं), उन्हें जॉइन करना है, और फिर melt करके एक साफ-सुथरा (tidy) DataFrame बनाना है, जिसे seaborn से visualize किया जाएगा।
pandas और seaborn सामान्य aliases के साथ लोड किए गए हैं.
यह अभ्यास पाठ्यक्रम का हिस्सा है
Python में US Census डेटा का विश्लेषण
अभ्यास निर्देश
msa_white_empको"msa"और"pct_male_unemp"कॉलम तक सीमित करकेtidy_white_empबनाएँ, फिर दूसरे कॉलम का नाम"white"रखेंtidy_black_empऔरtidy_white_empको"msa"कॉलम पर merge करें; परिणामtidy_empमें असाइन करेंtidy_empपरmeltका उपयोग करें।value_varsमें दोनो नस्ल वाले कॉलमों के नाम हों;var_nameको"race"औरvalue_nameको"unemployment"सेट करेंhueपैरामीटर का उपयोग करके race पर conditioning करते हुए, बेरोजगारी बनाम dissimilarity का प्लॉट बनाएँ
इंटरैक्टिव व्यावहारिक अभ्यास
इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।
# 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()