Безработица среди белого и чёрного населения

В этом упражнении вы сравните уровень безработицы среди мужчин белой и чёрной расы в различных метрополитанских статистических ареалах. Набор данных msa_black_emp уже загружен. Также загружен новый DataFrame msa_white_emp с данными из таблицы C23002A пятилетнего ACS за 2012 год. Процент безработицы уже рассчитан за вас. Вам предстоит отобрать нужные столбцы из обоих DataFrame, объединить их и преобразовать с помощью melt в аккуратный DataFrame для визуализации с помощью seaborn.

Библиотеки pandas и seaborn загружены с обычными псевдонимами.

Это упражнение является частью курса

Анализ данных переписи населения США в Python

Посмотреть курс

Инструкции к упражнению

Создайте tidy_white_emp, оставив в msa_white_emp только столбцы "msa" и "pct_male_unemp", затем переименуйте второй столбец в "white"
Объедините tidy_black_emp и tidy_white_emp по столбцу "msa" и сохраните результат в tidy_emp
Примените melt к tidy_emp: в качестве value_vars укажите названия двух столбцов с расовыми группами, задайте var_name равным "race", а value_name — "unemployment"
Постройте график зависимости безработицы от индекса расслоения, используя параметр hue для разбивки по расовой принадлежности

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# 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()

Редактировать и запускать код