Aluguel Alto e Ônus do Aluguel

Os aluguéis podem ser muito altos em lugares como San Francisco, mas para entender a geografia do ônus do aluguel, olhar apenas os aluguéis brutos pode ser menos útil do que observar a proporção da renda gasta com aluguel.

Neste exercício, você vai fazer um join entre um DataFrame com aluguéis brutos em dólares (median_rent) e como porcentagem da renda (median_rent_pct_of_income) por trato do Censo em San Francisco e um DataFrame do geopandas com esses tratos. Em seguida, você vai mapear e comparar essas duas variáveis. Cores mais escuras nos mapas indicam valores mais altos (aluguéis mais altos ou maior parcela da renda destinada ao aluguel).

As primeiras linhas dessas duas colunas são exibidas no console.

pandas e geopandas foram importados usando os aliases de sempre.

Este exercício faz parte do curso

Analisando dados do Censo dos EUA em Python

Ver curso

Instruções do exercício

Faça merge de sf_rent com o DataFrame do geopandas sf_tracts, casando pelas colunas state, county e tract.
Para mapear median_rent em San Francisco, use o método notnull() na coluna median_rent para excluir um trato com dados ausentes.
Mapeie a coluna median_rent_pct_of_income. Use as setas na janela de plotagem para comparar este mapa com o mapa de median_rent.
Imprima a correlação de Pearson entre median_rent e median_rent_pct_of_income.

Exercício interativo prático

Experimente este exercício completando este código de exemplo.

# 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(____))

Editar e executar o código