Chirii mari și povara chiriei

Chiriile pot fi foarte ridicate în orașe precum San Francisco, însă pentru a înțelege geografia poverii chiriei, simpla analiză a chiriilor brute poate fi mai puțin relevantă decât analiza ponderii venitului cheltuite pe chirie.

În acest exercițiu, vei uni un DataFrame cu chiriile brute în dolari (median_rent) și ca procent din venit (median_rent_pct_of_income) pe sectoare de recensământ din San Francisco cu un DataFrame geopandas al acestor sectoare. Vei reprezenta grafic și vei compara cele două variabile. Culorile mai închise de pe hărți indică valori mai mari (chirii mai ridicate sau o pondere mai mare a chiriei din venit).

Primele rânduri din aceste două coloane sunt afișate în consolă.

pandas și geopandas sunt importate cu aliasurile uzuale.

Acest exercițiu face parte din cursul

Analiza datelor recensământului SUA în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Unește sf_rent cu DataFrame-ul geopandas sf_tracts folosind merge, cu potrivire după coloanele state, county și tract.
Pentru a reprezenta grafic median_rent în San Francisco, folosește metoda notnull() pe coloana median_rent pentru a exclude un sector cu date lipsă.
Reprezintă grafic coloana median_rent_pct_of_income. Folosește săgețile din fereastra de reprezentare grafică pentru a compara această hartă cu harta median_rent.
Afișează corelația Pearson dintre median_rent și median_rent_pct_of_income.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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(____))

Editează și rulează codul