Bezrobocie wśród białych i czarnych

W tym ćwiczeniu porównasz bezrobocie wśród mężczyzn – białych i czarnych – na poziomie obszarów metropolitalnych. Wczytany jest msa_black_emp. Wczytany jest też nowy DataFrame msa_white_emp z danymi z tabeli C23002A z 5-letniego ACS za rok 2012. Procentowy poziom bezrobocia został już obliczony. Ogranicz oba DataFramy do interesujących kolumn (pokazujących procentowe bezrobocie wśród mężczyzn), połącz je ze sobą, a następnie przekształć za pomocą melt w schludny DataFrame gotowy do wizualizacji w seaborn.

pandas i seaborn zostały wczytane z użyciem standardowych aliasów.

To ćwiczenie jest częścią kursu

Analiza danych spisowych USA w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

Utwórz tidy_white_emp, ograniczając msa_white_emp do kolumn "msa" i "pct_male_unemp", a następnie zmień nazwę drugiej kolumny na "white"
Połącz tidy_black_emp i tidy_white_emp po kolumnie "msa" i przypisz wynik do tidy_emp
Użyj melt na tidy_emp. Parametr value_vars powinien zawierać nazwy dwóch kolumn rasowych; ustaw var_name na "race" i value_name na "unemployment"
Wykreśl zależność bezrobocia od wskaźnika dysymilacji, różnicując dane według rasy za pomocą parametru hue

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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()

Edytuj i uruchom kod