白人與黑人失業率
在這個練習中，你會比較大都會區（metropolitan）中白人與黑人男性的失業情形。msa_black_emp 已經載入。另一個新的 DataFrame，msa_white_emp，包含 2012 年 5 年期 ACS 表 C23002A 的資料，也已載入。失業率（百分比）已經為你算好。你會將兩個 DataFrame 都限制在感興趣的欄位（顯示男性就業百分比的欄位），將兩個 DataFrame 合併，並用 melt 將它們整理成適合用 seaborn 視覺化的整潔（tidy）DataFrame。
已以慣用別名載入 pandas 與 seaborn。
本練習屬於課程
使用 Python 分析美國 Census 資料
練習說明
- 建立
tidy_white_emp：將msa_white_emp限制為"msa"與"pct_male_unemp"兩個欄位，然後把第二個欄位重新命名為"white" - 以
"msa"欄位合併tidy_black_emp與tidy_white_emp，指定為tidy_emp - 對
tidy_emp使用melt。value_vars應為兩個族裔欄位的名稱；將var_name設為"race"、value_name設為"unemployment" - 使用
hue參數，繪製失業率相對於差異指數（dissimilarity）的圖，並依族裔分組
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。
# 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()