Identyfikacja obszarów podatnych na gentryfikację

W tym ćwiczeniu zidentyfikujesz i zwizualizujesz na mapie obszary spisowe, które w 2000 roku były podatne na gentryfikację. Kryteria są następujące:

Niski medianowy dochód gospodarstwa domowego (MHI) – definiowany jako MHI dla danego obszaru spisowego poniżej MHI dla obszaru metropolitalnego Nowego Jorku.
Niski poziom nowego budownictwa mieszkaniowego – definiowany jako odsetek mieszkań wybudowanych w ciągu poprzednich 20 lat (od 1980 roku) niższy niż odpowiedni odsetek dla obszaru metropolitalnego Nowego Jorku.

GeoDataFrame bk_2000 z danymi dla obszarów spisowych Brooklynu w 2000 roku został już wczytany.

To ćwiczenie jest częścią kursu

Analiza danych spisowych USA w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Oblicz kolumnę logiczną low_mhi, sprawdzając, czy mhi jest mniejsze od mhi_msa
Oblicz kolumnę logiczną low_recent_build, sprawdzając, czy odsetek mieszkań wybudowanych w ciągu 20 lat przed 2000 rokiem (pct_recent_build) jest mniejszy od pct_recent_build_msa
Użyj operatora &, aby sklasyfikować obszar jako podatny na gentryfikację, gdy zarówno low_mhi, jak i low_recent_build mają wartość prawda; kolumny muszą być ujęte w nawiasy
Zwizualizuj obszary podatne na gentryfikację na mapie, używając palety kolorów YlGn

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Median income below MSA median income
bk_2000["low_mhi"] = ____

# Recent construction below MSA
bk_2000["low_recent_build"] = ____

# Identify gentrifiable tracts
bk_2000["gentrifiable"] = (____) & (____)

# Plot gentrifiable tracts
bk_2000.plot(column = ____, cmap = ____)
plt.show()

Edytuj i uruchom kod