Yüksek Kira ve Kira Yükü
San Francisco gibi yerlerde kiralar çok yüksek olabilir; ancak kira yükünün coğrafyasını anlamak için, brüt kiralara bakmak yerine kiraya harcanan gelir payına bakmak daha faydalı olabilir.
Bu egzersizde, San Francisco’daki her bir Census tract için dolar cinsinden brüt kira (median_rent) ve gelire oranı (median_rent_pct_of_income) bilgilerini içeren bir DataFrame’i, bu tract’lerin bulunduğu bir geopandas DataFrame’i ile birleştireceksin. Ardından bu iki değişkeni haritalandırıp karşılaştıracaksın. Haritalarda daha koyu renkler daha yüksek değerleri (daha yüksek kiralar veya daha yüksek kira/gelir payı) gösterir.
Bu iki sütunun ilk birkaç satırı konsolda gösterilmektedir.
pandas ve geopandas her zamanki kısaltmalarla içe aktarılmıştır.
Bu egzersiz, kursun bir parçasıdır
Python ile ABD Nüfus Sayımı Verilerini Analiz Etme
Egzersiz talimatları
sf_rentilesf_tractsgeopandas DataFrame’inistate,countyvetractsütunlarına göre eşleştirerekmergeet.- San Francisco’daki
median_rentdeğerini haritalandırmak için, eksik verisi olan bir tract’i hariç tutmak üzeremedian_rentsütunundanotnull()metodunu kullan. median_rent_pct_of_incomesütununu haritalandır. Bu haritayımedian_rentharitasıyla karşılaştırmak için çizim penceresindeki okları kullan.median_rentilemedian_rent_pct_of_incomearasındaki Pearson korelasyonunu yazdır.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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(____))