Minimilön per region

Att undersöka sammanfattningsstatistik för grupperad data är ett utmärkt sätt att upptäcka likheter och skillnader mellan grupper. Kombinera det med @chain-makrot så får du dessutom lättläst kod!

I den här övningen återvänder vi till trenderna kring minimilöner i USA. Eftersom 50 delstater plus Washington D.C. blir för mycket att hantera, fokuserar vi i stället på de fyra regionerna – Northeast, Midwest, South och West. Datamängden har laddats in som wages.

Låt oss se hur de olika regionerna hanterar minimilönen!

Paketen DataFrames, Statistics, Chain och Plots har laddats in åt dig med nyckelordet using.

Den här övningen är en del av kursen

Datamanipulering i Julia

Visa kurs

Övningsinstruktioner

Skapa ett kedjemakro på wages DataFrame och spara resultatet som regions_wage.
Inuti makrot grupperar du efter kolumnerna region och year.
Beräkna medianen av effective_min_wage_2020_dollars och ge kolumnen namnet median_effective_wage_2020.
Gör om resultatet med unstack så att raderna motsvarar år, kolumnerna regioner och värdena medianlönen.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Create the chain macro
regions_wage = ____

	# Group by region and year
    groupby(____)

	# Calculate the median wage per region per year
    combine(____)

	# Reshape the result
    ____
end

make_plot(regions_wage)

Redigera och kör kod