Använd .melt() för att omforma statliga data

US Bureau of Labor Statistics (BLS) tillhandahåller ofta dataserier i ett lättläst format – med en separat kolumn för varje månad och en rad per år. Det breda formatet gör det tyvärr svårt att visualisera data över tid. I den här övningen omformar du en tabell med amerikanska arbetslöshetsdata från BLS till ett format som går att plotta med .melt(). Du behöver lägga till en datumkolumn i tabellen och sortera efter den för att få rätt ordning i diagrammet.

Arbetslöshetsdata har redan laddats in i tabellen ur_wide. Utforska gärna tabellen innan du börjar övningen.

Den här övningen är en del av kursen

Joining Data with pandas

Visa kurs

Övningsinstruktioner

Använd .melt() för att avpivotera alla kolumner i ur_wide utom year, och se till att kolumnerna med månader och värden heter month respektive unempl_rate. Spara resultatet som ur_tall.
Lägg till en kolumn i ur_tall med namnet date som kombinerar kolumnerna year och month till en sträng i formatet år-månad, och konvertera den till datatypen datum.
Sortera ur_tall efter datum och spara resultatet som ur_sorted.
Använd ur_sorted för att plotta unempl_rate på y-axeln och date på x-axeln.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# unpivot everything besides the year column
ur_tall = ____


# Create a date column using the month and year columns of ur_tall
ur_tall['date'] = pd.to_datetime(ur_tall['____'] + '-' + ____)

# Sort ur_tall by date in ascending order
ur_sorted = ____

# Plot the unempl_rate by date
ur_sorted.plot(____)
plt.show()

Redigera och kör kod