Höga hyror och hyresbörda

Hyrorna kan vara mycket höga på platser som San Francisco, men för att förstå den geografiska fördelningen av hyresbördan är det inte alltid tillräckligt att titta på bruttohyrorna – det är andelen av inkomsten som går till hyra som ger en mer rättvisande bild.

I den här övningen slår du ihop en DataFrame med bruttohyror i dollar (median_rent) och som en procentandel av inkomsten (median_rent_pct_of_income) per Census-trakt i San Francisco med en geopandas-DataFrame över dessa trakter. Sedan kartlägger du och jämför de två variablerna. Mörkare färger i kartorna indikerar högre värden (högre hyror eller högre hyresandel av inkomsten).

De första raderna i dessa två kolumner visas i konsolen.

pandas och geopandas importeras med de vanliga aliasen.

Den här övningen är en del av kursen

Analys av amerikansk folkräkningsdata i Python

Visa kurs

Övningsinstruktioner

Slå ihop sf_rent med geopandas-DataFramen sf_tracts och matcha på kolumnerna state, county och tract.
För att kartlägga median_rent i San Francisco, använd metoden notnull() på kolumnen median_rent för att utesluta en trakt med saknade data.
Kartlägg kolumnen median_rent_pct_of_income. Använd pilarna i kartfönstret för att jämföra den här kartan med kartan över median_rent.
Skriv ut Pearsons korrelation mellan median_rent och median_rent_pct_of_income.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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(____))

Redigera och kör kod