Unire Tracts e Aree Metropolitane

Per concentrarci su come funziona il metodo merge, ti è stata fornita una funzione che calcola l'Indice di Dissimilarità. (Nel prossimo esercizio la creerai tu!)

Per applicare questa funzione, devi aggiungere gli identificatori MSA al DataFrame tracts. Userai state e county, presenti in entrambi i DataFrame, come chiavi di join. Alla fine, userai il metodo stripplot di seaborn per mostrare le dieci aree metropolitane più segregate.

Il DataFrame tracts che hai usato in precedenza è già caricato. I dati di popolazione per MSA sono caricati come msa e le prime righe sono visualizzate nella console. Infine, msa_def è caricato con le contee che compongono ciascuna MSA.

pandas e seaborn sono stati importati con le solite abbreviazioni.

Questo esercizio fa parte del corso

Analizzare i dati del Censimento USA con Python

Visualizza corso

Istruzioni dell'esercizio

Usa il metodo nlargest sul DataFrame msa per restituire le 50 aree metropolitane più grandi per "population".
Sia tracts sia msa_def hanno le colonne "state" e "county". Usa il metodo merge con il parametro on per fare il join su queste colonne.
Usa il metodo merge per unire msa e msa_D sull'identificatore MSA.

esercizio interattivo pratico

Prova questo esercizio completando questo codice di esempio.

# Find identifiers for 50 largest metros by population
msa50 = list(msa.____["msa"])

# Join MSA identifiers to tracts, restrict to largest 50 metros
msa_tracts = pd.merge(____, ____, on = ____)
msa_tracts = msa_tracts[msa_tracts["msa"].isin(msa50)]

# Calculate D using custom function, merge back into MSA
msa_D = dissimilarity(msa_tracts, "white", "black", "msa")
msa = pd.merge(msa, msa_D, ____, ____)

# Plot ten most segregated metros
sns.stripplot(x = "D", y = "name", data = msa.nlargest(10, "D"))
plt.show()

Modifica ed esegui il codice