Disoccupazione tra bianchi e neri

In questo esercizio confronterai la disoccupazione metropolitana tra uomini bianchi e neri. msa_black_emp è già caricato. È stato anche caricato un nuovo DataFrame, msa_white_emp, con dati dalla tabella C23002A dell'ACS quinquennale 2012. La percentuale di disoccupazione è già stata calcolata per te. Restringerai entrambi i DataFrame alle colonne di interesse (quelle che mostrano la percentuale di occupazione maschile), unirai i DataFrame e li trasformerai con melt in un DataFrame ordinato per la visualizzazione con seaborn.

pandas e seaborn sono stati caricati usando i soliti alias.

Questo esercizio fa parte del corso

Analizzare i dati del Censimento USA con Python

Visualizza corso

Istruzioni dell'esercizio

Crea tidy_white_emp restringendo msa_white_emp alle colonne "msa" e "pct_male_unemp", poi rinomina la seconda colonna in "white"
Esegui il merge di tidy_black_emp e tidy_white_emp sulla colonna "msa"; assegna il risultato a tidy_emp
Usa melt su tidy_emp. I value_vars dovrebbero essere i nomi delle due colonne di razza; imposta var_name a "race" e value_name a "unemployment"
Traccia disoccupazione vs. dissimilarità, condizionando per razza usando il parametro hue

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# 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()

Modifica ed esegui il codice