Sewa Tinggi dan Beban Sewa

Sewa bisa sangat tinggi di tempat seperti San Francisco, tetapi untuk memahami sebaran beban sewa secara geografis, melihat sewa kotor saja mungkin tidak seberguna melihat porsi pendapatan yang dibelanjakan untuk sewa.

Dalam latihan ini, Anda akan menggabungkan DataFrame yang berisi sewa kotor dalam dolar (median_rent) dan sebagai persentase dari pendapatan (median_rent_pct_of_income) per Census tract di San Francisco dengan DataFrame geopandas untuk tract tersebut. Anda kemudian akan memetakan dan membandingkan kedua variabel ini. Warna yang lebih gelap pada peta menunjukkan nilai yang lebih tinggi (sewa lebih tinggi, atau porsi pendapatan untuk sewa lebih besar).

Beberapa baris awal dari kedua kolom ini ditampilkan di konsol.

pandas dan geopandas telah diimpor menggunakan alias yang biasa.

Latihan ini adalah bagian dari kursus

Menganalisis Data Sensus AS dengan Python

Lihat Kursus

Petunjuk latihan

Lakukan merge sf_rent dengan DataFrame geopandas sf_tracts, cocokkan pada kolom state, county, dan tract.
Untuk memetakan median_rent di San Francisco, gunakan metode notnull() pada kolom median_rent untuk mengecualikan satu tract yang datanya hilang.
Petakan kolom median_rent_pct_of_income. Gunakan panah di jendela plotting untuk membandingkan peta ini dengan peta median_rent.
Cetak korelasi Pearson antara median_rent dan median_rent_pct_of_income.

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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(____))

Edit dan Jalankan Kode