Șomajul în rândul populației albe și negre

În acest exercițiu vei compara rata șomajului metropolitan în rândul bărbaților albi și negri. msa_black_emp este deja încărcat. De asemenea, este încărcat un nou DataFrame, msa_white_emp, cu date din tabelul C23002A al ACS pe 5 ani din 2012. Procentul de șomaj a fost calculat deja pentru tine. Va trebui să restrângi ambele DataFrame-uri la coloanele de interes (cele care arată procentul de angajare masculină), să le unești și să le transformi cu melt într-un DataFrame ordonat pentru vizualizare cu seaborn.

pandas și seaborn au fost încărcate folosind aliasurile obișnuite.

Acest exercițiu face parte din cursul

Analiza datelor recensământului SUA în Python

Vezi cursul

Instrucțiuni pentru exercițiu

Creează tidy_white_emp restrângând msa_white_emp la coloanele "msa" și "pct_male_unemp", apoi redenumește a doua coloană în "white"
Unește tidy_black_emp și tidy_white_emp pe coloana "msa"; atribuie rezultatul variabilei tidy_emp
Aplică melt pe tidy_emp. value_vars trebuie să conțină numele celor două coloane de rasă; setează var_name la "race" și value_name la "unemployment"
Reprezintă grafic șomajul față de disimilaritate, condiționând după rasă cu ajutorul parametrului hue

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# 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()

Editează și rulează codul