高房租與租金負擔
在像舊金山這樣的地方，房租可能非常高。但若要理解租金負擔的地理分布，只看總房租，可能不如觀察花在房租上的所得占比來得有用。
在這個練習中，你會把一個包含以美元計的總房租（median_rent）以及占所得百分比的總房租（median_rent_pct_of_income）的 DataFrame，和舊金山各 Census tract 的 geopandas DataFrame 進行合併。接著你會將這兩個變數繪製成地圖並加以比較。地圖顏色越深表示數值越高（房租越高，或租金占所得比例越高）。
主控台已顯示這兩個欄位的前幾列資料。
pandas 與 geopandas 已用慣用的別名匯入。
本練習屬於課程
使用 Python 分析美國 Census 資料
練習說明
- 使用
merge，將sf_rent與sf_tracts這個 geopandas DataFrame 合併，並在state、county、tract欄位上對齊。 - 為了在舊金山繪製
median_rent，請在median_rent欄位上使用notnull()方法，以排除缺少資料的分區。 - 繪製
median_rent_pct_of_income欄位的地圖。使用繪圖視窗中的箭頭，將此地圖與median_rent的地圖進行比較。 - 列印
median_rent與median_rent_pct_of_income之間的 Pearson 相關係數。
動手互動練習
試著完成這個範例程式碼，體驗一下這個練習。
# 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(____))