Безробіття серед білих і темношкірих

У цій вправі ви порівняєте рівень безробіття в агломераціях серед білих і темношкірих чоловіків. msa_black_emp уже завантажено. Також завантажено новий датафрейм msa_white_emp із даними з таблиці C23002A з 5‑річного опитування ACS за 2012 рік. Частку безробітних уже обчислено для вас. Ви обмежите обидва датафрейми потрібними стовпцями (тими, що показують відсоток зайнятості чоловіків), обʼєднаєте датафрейми та виконаєте melt, щоб отримати охайний датафрейм для візуалізації за допомогою seaborn.

pandas і seaborn завантажено зі звичними псевдонімами.

Ця вправа є частиною курсу

Аналіз даних перепису США в Python

Переглянути курс

Інструкції до вправи

Створіть tidy_white_emp, обмеживши msa_white_emp стовпцями "msa" і "pct_male_unemp", потім перейменуйте другий стовпець на "white"
Обʼєднайте tidy_black_emp і tidy_white_emp за стовпцем "msa"; результат запишіть у tidy_emp
Застосуйте melt до tidy_emp. У value_vars мають бути назви двох стовпців із расами; задайте var_name як "race" і value_name як "unemployment"
Побудуйте графік безробіття проти дисиміляції, розділяючи за расою через параметр hue

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код