Wysokie czynsze i obciążenie czynszem

Czynsze w takich miejscach jak San Francisco bywają bardzo wysokie, ale aby zrozumieć geografię obciążenia czynszem, sama wysokość czynszu brutto może być mniej użyteczna niż analiza udziału dochodu przeznaczanego na czynsz.

W tym ćwiczeniu połączysz DataFrame z czynszami brutto w dolarach (median_rent) oraz jako procent dochodu (median_rent_pct_of_income) dla obszarów spisu w San Francisco z DataFrame biblioteki geopandas zawierającym te obszary. Następnie zwizualizujesz obie zmienne na mapach i je porównasz. Ciemniejsze kolory na mapach oznaczają wyższe wartości (wyższe czynsze lub wyższy udział czynszu w dochodzie).

Pierwsze kilka wierszy tych dwóch kolumn jest wyświetlonych w konsoli.

Biblioteki pandas i geopandas są zaimportowane przy użyciu standardowych aliasów.

To ćwiczenie jest częścią kursu

Analiza danych spisowych USA w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Połącz sf_rent z DataFrame sf_tracts biblioteki geopandas, dopasowując wiersze po kolumnach state, county i tract.
Aby wyświetlić mapę median_rent dla San Francisco, użyj metody notnull() na kolumnie median_rent, aby wykluczyć obszar z brakującymi danymi.
Zwizualizuj kolumnę median_rent_pct_of_income na mapie. Użyj strzałek w oknie wykresu, aby porównać tę mapę z mapą median_rent.
Wydrukuj korelację Pearsona między median_rent a median_rent_pct_of_income.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(____))

Edytuj i uruchom kod