Affitti alti e peso dell'affitto

Gli affitti possono essere molto alti in luoghi come San Francisco, ma per capire la geografia del peso dell'affitto, guardare agli affitti lordi potrebbe essere meno utile che considerare la quota di reddito spesa per l'affitto.

In questo esercizio unirai un DataFrame con gli affitti lordi in dollari (median_rent) e come percentuale del reddito (median_rent_pct_of_income) per tract del Census a San Francisco con un DataFrame di geopandas di quegli stessi tract. Poi mapperai e confronterai queste due variabili. I colori più scuri nelle mappe indicano valori più alti (affitti più alti, o quota di reddito destinata all'affitto più alta).

Le prime righe di queste due colonne sono visualizzate nella console.

pandas e geopandas sono importati con le solite abbreviazioni.

Questo esercizio fa parte del corso

Analizzare i dati del Censimento USA con Python

Visualizza corso

Istruzioni dell'esercizio

Esegui merge tra sf_rent e il DataFrame geopandas sf_tracts, facendo coincidere le colonne state, county e tract.
Per mappare median_rent a San Francisco, usa il metodo notnull() sulla colonna median_rent per escludere un tract con dati mancanti.
Mappa la colonna median_rent_pct_of_income. Usa le frecce nella finestra del grafico per confrontare questa mappa con quella di median_rent.
Stampa la correlazione di Pearson tra median_rent e median_rent_pct_of_income.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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(____))

Modifica ed esegui il codice