Arbetslöshet

Arbetslösheten varierar beroende på ras och kön. I den här övningen utgår du från en DataFrame, unemp_by_race, med procentuell arbetslöshet per år för personer i åldern 25–54 år i fyra rasgrupper (White, Black, Asian och Hispanic) och för båda könen. Du skapar ett stapeldiagram över procentuell arbetslöshet per år.

Eftersom kolumnnamnen – efter smältning – blir etiketter i ditt slutliga diagram, börjar du med att ge dem kortare och tydligare namn. Den nödvändiga koden finns redan i början av övningen.

pandas och seaborn har importerats med de vanliga aliasen. unemp_by_race är inläst och den ordbok du ska använda för namnändringen visas i konsolen.

Den här övningen är en del av kursen

Analys av amerikansk folkräkningsdata i Python

Visa kurs

Övningsinstruktioner

Använd melt på unemp_by_race-DataFramen; sätt id_vars till "year" och ta bort parametern value_vars för att använda alla återstående kolumner som värdekolumner
Skapa ett stapeldiagram över unemp_by_race med år på x-axeln och procentuell arbetslöshet på y-axeln, där hue bestäms av demografisk grupp

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Rename columns
unemp_by_race.rename(columns = col_rename, inplace = True)

# Melt DataFrame by demographic group
unemp_by_race = unemp_by_race.melt(id_vars = ____, value_vars = ____,
    var_name = "demographic", value_name = "pct_unemployed")

# Plot unemployment by group by year
sns.barplot(x = ____, y = ____, hue = ____, data = unemp_by_race)
plt.show()

Redigera och kör kod