Charakterystyka obszarów metropolitalnych o wysokim poziomie segregacji
Udało się ustalić, że segregacja jest wyższa w uprzemysłowionych obszarach metropolitalnych na północy kraju. Są to jednak też duże, zróżnicowane obszary. Czy mniejsze, mniej zróżnicowane miasta po prostu wypadają korzystniej? Sprawdźmy, jak wielkość i różnorodność demograficzna korelują z poziomem segregacji w obszarach metropolitalnych.
Załadowano ramkę danych msa, zmodyfikowaną wcześniej poprzez dodanie Indeksu Odmienności. Nazwy kolumn są widoczne w konsoli. Łączna liczba ludności znajduje się w kolumnie population.
Biblioteki pandas i seaborn zostały załadowane pod standardowymi aliasami.
To ćwiczenie jest częścią kursu
Analiza danych spisowych USA w Pythonie
Instrukcje do ćwiczenia
- Umieść poziom segregacji na osi y, a liczbę ludności obszaru metropolitalnego na osi x
- Oblicz odsetek Afroamerykanów i przypisz wynik do kolumny
black_pct - Utwórz wykres segregacji vs. odsetek Afroamerykanów
- Utwórz wykres punktowy segregacji vs. odsetek Afroamerykanów. Dodaj parametry
sizeihue, oba ustawione na kolumnę"population"
Interaktywne ćwiczenie praktyczne
Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.
# Are large metros more segregated?
sns.lmplot(x = ____, y = ____, data = msa)
plt.show()
# Calculate percentage African-American
msa["black_pct"] = ____
# Are more diverse metros more segregated?
sns.lmplot(____, ____, data = msa)
plt.show()
# Display metro size, percent Black, and segregation in one plot
sns.scatterplot(____, data = msa)
plt.show()