ค่าเช่าสูงและภาระค่าเช่า
ค่าเช่าในเมืองอย่างซานฟรานซิสโกอาจสูงมาก แต่หากต้องการทำความเข้าใจภูมิศาสตร์ของภาระค่าเช่า การดูค่าเช่ารวมอาจไม่มีประโยชน์เท่ากับการดูสัดส่วนรายได้ที่ใช้จ่ายไปกับค่าเช่า
ในแบบฝึกหัดนี้ คุณจะเชื่อม DataFrame ที่มีข้อมูลค่าเช่ารวมในหน่วยดอลลาร์ (median_rent) และเป็นเปอร์เซ็นต์ของรายได้ (median_rent_pct_of_income) ตาม Census tract ในซานฟรานซิสโก กับ DataFrame ของ geopandas ที่มีข้อมูล tract เหล่านั้น จากนั้นจะวาดแผนที่และเปรียบเทียบตัวแปรทั้งสองนี้ โดยสีที่เข้มกว่าในแผนที่แสดงถึงค่าที่สูงกว่า (ค่าเช่าสูงกว่า หรือสัดส่วนค่าเช่าต่อรายได้สูงกว่า)
ไม่กี่แถวแรกของคอลัมน์ทั้งสองนี้แสดงอยู่ใน console
pandas และ geopandas ถูก import ด้วย alias ตามปกติแล้ว
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
การวิเคราะห์ข้อมูลสำมะโนประชากรสหรัฐฯ ด้วย Python
คำแนะนำการฝึกหัด
mergesf_rentกับ DataFramesf_tractsของ geopandas โดยจับคู่บนคอลัมน์state,countyและtract- หากต้องการวาดแผนที่
median_rentในซานฟรานซิสโก ให้ใช้เมธอดnotnull()กับคอลัมน์median_rentเพื่อกรอง tract ที่ข้อมูลหายไปออก - วาดแผนที่คอลัมน์
median_rent_pct_of_incomeแล้วใช้ลูกศรในหน้าต่างกราฟเพื่อเปรียบเทียบแผนที่นี้กับแผนที่ของmedian_rent - พิมพ์ค่าสหสัมพันธ์เพียร์สันระหว่าง
median_rentและmedian_rent_pct_of_income
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# 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(____))