Висока оренда та орендне навантаження

Оренда може бути дуже високою в містах на кшталт Сан-Франциско, але щоб зрозуміти географію орендного навантаження, корисніше дивитися не лише на валову оренду, а й на частку доходу, яка йде на оренду.

У цій вправі ви об'єднаєте датафрейм із валовою орендою в доларах (median_rent) та як відсоток від доходу (median_rent_pct_of_income) за трактах Перепису в Сан-Франциско з датафреймом geopandas для цих самих трактів. Потім ви побудуєте карти та порівняєте ці дві змінні. Темніші кольори на картах означають вищі значення (вищу орендну плату або вищу частку доходу на оренду).

Перші кілька рядків цих двох стовпців показано в консолі.

pandas і geopandas імпортовано зі звичними псевдонімами.

Ця вправа є частиною курсу

Аналіз даних перепису США в Python

Переглянути курс

Інструкції до вправи

Виконайте merge sf_rent з геодатафреймом sf_tracts, зіставивши стовпці state, county та tract.
Щоб відобразити median_rent у Сан-Франциско, використайте метод notnull() для стовпця median_rent, щоб виключити тракт із відсутніми даними.
Відобразьте стовпець median_rent_pct_of_income. Скористайтеся стрілками у вікні побудови графіків, щоб порівняти цю карту з картою median_rent.
Виведіть коефіцієнт кореляції Пірсона між median_rent та median_rent_pct_of_income.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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(____))

Редагувати та запускати код