Bostadsvärden i Kalifornien

Kaliforniens storstäder har fått stor uppmärksamhet för sina kraftigt stigande bostadspriser. Hur har medianvärdet för bostäder förändrats under de senaste åren? I den här övningen använder du en loop för att hämta variabeln B25077_001E från sju ACS-år och plotta värdet över tid.

Ordboken predicates har skapats och skrivs ut i konsolen. Observera att state:06 anger GEOID för Kalifornien. pandas och seaborn har importerats med de vanliga aliasen. HOST och dataset har definierats, och dfs är en tom lista som initierats som samlare för de hämtade DataFrames.

Den här övningen är en del av kursen

Analys av amerikansk folkräkningsdata i Python

Visa kurs

Övningsinstruktioner

Skapa ett range-objekt med heltal från 2011 till 2017
Skapa en kolumn med namnet "year" och sätt dess värde till det aktuella värdet för variabeln year
Ange datatypen för kolumnen median_home_value till int
Skapa ett linjediagram över bostadsvärdena. Sätt den första parametern (x) till "year" och den andra parametern (y) till "median_home_value"

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Loop over years 2011 to 2017
for year in ____:
    base_url = "/".join([HOST, str(year), dataset])
    r = requests.get(base_url, params=predicates)
    df = pd.DataFrame(columns=col_names, data=r.json()[1:])    
    # Add column to df to hold year value, append df to collector dfs
    ____
    dfs.append(df)

# Concatenate all DataFrames, fix column type
states = pd.concat(dfs, ignore_index=True)
states["median_home_value"] = ____

sns.lineplot(____, ____, data = states)
plt.show()

Redigera och kör kod