高房租与房租负担
在旧金山这样的地方，房租可能非常高。但若要理解房租负担的空间分布，仅查看总房租不如查看用于支付房租的收入占比更有意义。
在本练习中，您将把包含旧金山各普查小区以美元计的总房租（median_rent）和以收入百分比计的房租（median_rent_pct_of_income）的 DataFrame，与这些小区对应的 geopandas DataFrame 进行连接。随后，您将绘制并比较这两个变量的地图。地图颜色越深表示数值越高（房租更高或房租占收入比例更高）。
这两列的前几行已在控制台显示。
已按常用别名导入 pandas 和 geopandas。
本练习是课程的一部分
使用 Python 分析美国人口普查数据
练习说明
- 使用
merge将sf_rent与sf_tracts这个 geopandas DataFrame 合并，基于state、county和tract三列进行匹配。 - 为在旧金山绘制
median_rent，请在median_rent列上使用notnull()方法，以排除缺失数据的小区。 - 绘制
median_rent_pct_of_income列的地图。使用绘图窗口中的箭头，将此地图与median_rent的地图进行对比。 - 打印
median_rent与median_rent_pct_of_income之间的 Pearson 相关系数。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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(____))