Beyaz ve Siyah İşsizlik
Bu egzersizde metropol alanlarındaki Beyaz ve Siyah erkekler arasındaki işsizliği karşılaştıracaksın. msa_black_emp yüklendi. 2012 5 yıllık ACS’nin C23002A tablosundan gelen verilerle oluşturulmuş yeni bir DataFrame olan msa_white_emp de yüklendi. Yüzde işsizlik senin için önceden hesaplandı. İlgi duyduğumuz sütunlarla (erkek istihdam yüzdesini gösterenler) her iki DataFrame’i de kısıtlayacak, bu DataFrame’leri birleştirecek ve görselleştirme için seaborn ile kullanmak üzere düzenli (tidy) bir DataFrame’e dönüştürmek için melt uygulayacaksın.
pandas ve seaborn alışıldık kısaltmalarla yüklendi.
Bu egzersiz, kursun bir parçasıdır
Python ile ABD Nüfus Sayımı Verilerini Analiz Etme
Egzersiz talimatları
msa_white_emp'i"msa"ve"pct_male_unemp"sütunlarıyla sınırlayıp ikinci sütunu"white"olarak yeniden adlandıraraktidy_white_empoluşturtidy_black_empvetidy_white_emp'i"msa"sütununda birleştir; sonucutidy_empolarak atatidy_empüzerindemeltkullan.value_varsiki ırk sütununun adları olmalı;var_namei"race",value_namei"unemployment"olarak ayarlahueparametresiyle ırka göre koşullandırarak işsizliği ayrışma endeksine karşı çiz
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# 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()