Pengangguran Pria Kulit Putih dan Kulit Hitam

Dalam latihan ini Anda akan membandingkan pengangguran di wilayah metropolitan antara pria Kulit Putih dan Kulit Hitam. msa_black_emp sudah dimuat. Sebuah DataFrame baru, msa_white_emp, dengan data dari tabel C23002A dari ACS 5-tahunan 2012 juga sudah dimuat. Persentase pengangguran telah dihitung untuk Anda. Anda akan membatasi kedua DataFrame pada kolom-kolom yang relevan (kolom yang menampilkan persentase pengangguran pria), menggabungkan kedua DataFrame tersebut, lalu melakukan melt menjadi DataFrame rapi untuk divisualisasikan dengan seaborn.

pandas dan seaborn telah dimuat menggunakan alias yang biasa digunakan.

Latihan ini adalah bagian dari kursus

Menganalisis Data Sensus AS dengan Python

Lihat Kursus

Petunjuk latihan

Buat tidy_white_emp dengan membatasi msa_white_emp pada kolom "msa" dan "pct_male_unemp", lalu ubah nama kolom kedua menjadi "white"
Gabungkan tidy_black_emp dan tidy_white_emp pada kolom "msa"; simpan sebagai tidy_emp
Gunakan melt pada tidy_emp. value_vars harus berupa nama dua kolom ras; setel var_name ke "race" dan value_name ke "unemployment"
Plotkan pengangguran vs. dissimilarity, dengan pengondisian berdasarkan ras menggunakan parameter hue

Latihan interaktif praktis

Cobalah latihan ini dengan menyelesaikan kode contoh berikut.

# 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()

Edit dan Jalankan Kode