Werkloosheid
Werkloosheid verschilt per ras en geslacht. In deze oefening begin je met een DataFrame, unemp_by_race, met het percentage werklozen per jaar voor 25- tot 54-jarigen in vier raciale groepen (White, Black, Asian en Hispanic) en beide geslachten. Je maakt een staafdiagram van het percentage werklozen tegen het jaar.
Omdat de kolomnamen na het mergen labels in je uiteindelijke plot worden, begin je met het geven van kortere en duidelijkere kolomnamen. De benodigde code staat aan het begin van de oefening.
pandas en seaborn zijn geïmporteerd met de gebruikelijke aliassen. unemp_by_race is geladen en de dict die je gebruikt om te hernoemen staat in de console.
Deze oefening maakt deel uit van de cursus
US Census-gegevens analyseren in Python
Oefeninstructies
- Voer
meltuit op de DataFrameunemp_by_race; zetid_varsop"year", en laat de parametervalue_varsweg om alle overgebleven kolommen als waardekolommen te gebruiken - Maak een staafdiagram van
unemp_by_race, met het jaar op de x-as en het percentage werklozen op de y-as, en bepaalhueop basis van de demografische groep
Praktische interactieve oefening
Probeer deze oefening eens door deze voorbeeldcode in te vullen.
# Rename columns
unemp_by_race.rename(columns = col_rename, inplace = True)
# Melt DataFrame by demographic group
unemp_by_race = unemp_by_race.melt(id_vars = ____, value_vars = ____,
var_name = "demographic", value_name = "pct_unemployed")
# Plot unemployment by group by year
sns.barplot(x = ____, y = ____, hue = ____, data = unemp_by_race)
plt.show()