Tiền thuê cao và gánh nặng tiền thuê
Tiền thuê có thể rất cao ở những nơi như San Francisco, nhưng để hiểu địa lý của gánh nặng tiền thuê, nhìn vào tiền thuê gộp có thể không hữu ích bằng việc xem tỷ trọng thu nhập dành cho tiền thuê.
Trong bài tập này, bạn sẽ nối một DataFrame chứa tiền thuê gộp theo đô la (median_rent) và theo phần trăm thu nhập (median_rent_pct_of_income) theo từng Census tract ở San Francisco với một DataFrame geopandas của các tract đó. Sau đó bạn sẽ vẽ bản đồ và so sánh hai biến này. Màu đậm hơn trên bản đồ thể hiện giá trị cao hơn (tiền thuê cao hơn, hoặc tỷ trọng tiền thuê trên thu nhập cao hơn).
Vài hàng đầu tiên của hai cột này được hiển thị trong bảng điều khiển.
pandas và geopandas đã được import với các bí danh quen thuộc.
Bài tập này là một phần của khóa học
Phân tích dữ liệu Điều tra Dân số Hoa Kỳ bằng Python
Hướng dẫn bài tập
mergesf_rentvới DataFrame geopandassf_tracts, khớp theo các cộtstate,countyvàtract.- Để vẽ bản đồ
median_rentở San Francisco, dùng phương thứcnotnull()trên cộtmedian_rentđể loại một tract có dữ liệu thiếu. - Vẽ bản đồ cột
median_rent_pct_of_income. Dùng các mũi tên trong cửa sổ vẽ để so sánh bản đồ này với bản đồmedian_rent. - In hệ số tương quan Pearson giữa
median_rentvàmedian_rent_pct_of_income.
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# 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(____))