Arbetslöshet bland vita och svarta

I den här övningen ska du jämföra arbetslösheten i storstadsområden mellan vita och svarta män. msa_black_emp är inläst. En ny DataFrame, msa_white_emp, med data från tabell C23002A från 2012 års 5-åriga ACS är också inläst. Procentandelen arbetslöshet har redan beräknats åt dig. Du ska begränsa båda DataFrames till de relevanta kolumnerna (de som visar procentandel manlig sysselsättning), slå ihop DataFrames och använda melt för att omforma dem till en prydlig DataFrame för visualisering med seaborn.

pandas och seaborn har laddats med de vanliga aliaserna.

Den här övningen är en del av kursen

Analys av amerikansk folkräkningsdata i Python

Visa kurs

Övningsinstruktioner

Skapa tidy_white_emp genom att begränsa msa_white_emp till kolumnerna "msa" och "pct_male_unemp", och döp sedan om den andra kolumnen till "white"
Slå ihop tidy_black_emp och tidy_white_emp på kolumnen "msa" och tilldela resultatet till tidy_emp
Använd melt på tidy_emp. value_vars ska vara namnen på de två raskolumnerna; ange var_name till "race" och value_name till "unemployment"
Plotta arbetslöshet mot dissimilaritet och villkora på ras med hjälp av parametern hue

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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()

Redigera och kör kod