Mahalleleri ve Metropol Alanlarını Birleştirme
merge metodunun nasıl çalıştığına odaklanabilmen için, Ayrışıklık Endeksi'ni (Index of Dissimilarity) hesaplayan bir fonksiyon senin için hazırlandı. (Bir sonraki egzersizde bu fonksiyonu kendin yazacaksın!)
Bu fonksiyonu uygulayabilmek için tracts DataFrame'ine MSA tanımlayıcılarını eklemen gerekiyor. Birleştirme anahtarı olarak her iki DataFrame'de de bulunan state ve county sütunlarını kullanacaksın. Sonuçta, en çok ayrışmış ilk on metroyu göstermek için seaborn'un stripplot metodunu kullanacaksın.
Daha önce kullandığın tracts DataFrame'i yüklendi. MSA bazında nüfus verileri msa olarak yüklendi ve ilk birkaç satır konsolda gösterildi. Son olarak, her MSA'yı oluşturan ilçeleri içeren msa_def yüklendi.
pandas ve seaborn her zamanki kısaltmalarıyla yüklendi.
Bu egzersiz, kursun bir parçasıdır
Python ile ABD Nüfus Sayımı Verilerini Analiz Etme
Egzersiz talimatları
msaDataFrame'i üzerinde"population"a göre en büyük 50 metroyu döndürmek içinnlargestmetodunu kullan.- Hem
tractshem demsa_defiçinde"state"ve"county"sütunları var. Bu sütunlarda birleştirmek içinonparametresiylemergemetodunu kullan. - MSA tanımlayıcısı üzerinde
msailemsa_D'yi birleştirmek içinmergemetodunu kullan.
Uygulamalı etkileşimli egzersiz
Bu egzersizi bu örnek kodu tamamlayarak deneyin.
# Find identifiers for 50 largest metros by population
msa50 = list(msa.____["msa"])
# Join MSA identifiers to tracts, restrict to largest 50 metros
msa_tracts = pd.merge(____, ____, on = ____)
msa_tracts = msa_tracts[msa_tracts["msa"].isin(msa50)]
# Calculate D using custom function, merge back into MSA
msa_D = dissimilarity(msa_tracts, "white", "black", "msa")
msa = pd.merge(msa, msa_D, ____, ____)
# Plot ten most segregated metros
sns.stripplot(x = "D", y = "name", data = msa.nlargest(10, "D"))
plt.show()