Высокая арендная плата и арендная нагрузка

В таких городах, как Сан-Франциско, аренда жилья может быть очень высокой. Однако для понимания географии арендной нагрузки простые показатели арендной платы в долларах не так информативны, как доля дохода, которую жители тратят на аренду.

В этом упражнении вы объедините DataFrame, содержащий данные о медианной арендной плате в долларах (median_rent) и в процентах от дохода (median_rent_pct_of_income) по переписным трактам Сан-Франциско, с geopandas DataFrame этих трактов. Затем вы построите карты и сравните два этих показателя. Более тёмные цвета на картах соответствуют более высоким значениям (высокой арендной плате или высокой доле дохода, расходуемой на аренду).

Первые несколько строк этих двух столбцов выведены в консоли.

pandas и geopandas импортированы с обычными псевдонимами.

Это упражнение является частью курса

Анализ данных переписи населения США в Python

Посмотреть курс

Инструкции к упражнению

Объедините sf_rent с geopandas DataFrame sf_tracts с помощью merge, используя столбцы state, county и tract в качестве ключей.
Чтобы построить карту median_rent по Сан-Франциско, примените метод notnull() к столбцу median_rent — это позволит исключить тракт с отсутствующими данными.
Постройте карту по столбцу median_rent_pct_of_income. Используйте стрелки в окне построения, чтобы сравнить эту карту с картой median_rent.
Выведите коэффициент корреляции Пирсона между median_rent и median_rent_pct_of_income.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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(____))

Редактировать и запускать код