İşe Gidiş Geliş Kalıpları

Python ile ABD Nüfus Sayımı Verilerini Analiz Etme

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

İşe Gidiş Tabloları

İşe Gidiş Konuları

Ulaşım türü (araba, toplu taşıma vb.)
Yolculuk süresi
İşe çıkış/varış zamanı

Coğrafya (İşe Gidiş)

İkamet: insanların uyuduğu yer
İş yeri: çalıştıkları yer; ilçe, mahalle vb. için işgücü nüfusunu belirlemede kullanılabilir

New York’ta Yoğunluk Ücretlendirmesi

NYC’de tartışılıyor (2019 başı)
Önceki girişim başarısız oldu (2007)
Düşük ve orta gelirli haneler için maliyet kaygıları

New York City’de bir caddedeki araba ve taksilerin yukarıdan çekilmiş fotoğrafı.

¹ Fotoğraf: Brian Jeffery Beggerly (CC BY 2.0)

Tablo B08519: İşe Ulaşım Aracı, Son 12 Aydaki Kazançlara Göre (2017 enflasyona göre düzeltilmiş dolar) — İş Yeri Coğrafyası için

Toplam
    1 $–9.999 $ veya zarar
    10.000 $–14.999 $
    15.000 $–24.999 $
    25.000 $–34.999 $
    35.000 $–49.999 $
    50.000 $–64.999 $
    65.000 $–74.999 $
    75.000 $ ve üzeri
Araba kamyon veya minibüs - tek başına sürdü
    <gelir kategorilerini tekrarla>
Araba kamyon veya minibüs - birlikte yolculuk
    <gelir kategorilerini tekrarla>
Toplu taşıma (taksi hariç)
    <gelir kategorilerini tekrarla>
vd...

API Yanıtı

print(r.json())

[['B08519_011E', 'B08519_012E', 'B08519_013E', 'B08519_014E', 'B08519_015E',
  'B08519_016E', 'B08519_017E', 'B08519_018E', 'B08519_020E', 'B08519_021E', 
  ... 
  'B08519_061E', 'B08519_062E', 'B08519_063E', 'state', 'county'], 
 ['10927', '9172', '19659', '22110', '32287', 
  '32977', '15693', '106972', '3663', '2518', 
  ...
  '7457', '2664', '20684', '36', '061']]

Veriyi Yeniden Şekillendirme

# Read data row into list
data_row = r.json()[1][:-2]

# Break data row into list of lists
iter_len = 8
data = [data_row[i:i+iter_len] for i in range(0, len(data_row), iter_len)]

print(data)

[['10927', '9172', '19659', '22110', '32287', '32977', '15693', '106972'], 
['3663', '2518', '5484', '5625', '8028', '7990', '3369', '22958'], 
['139358', '97178', '200514', '184510', '255491', '240973', '116673', '700808'], 
['16743', '9117', '15900', '13710', '17442', '20206', '10370', '85879'], ...]

DataFrame Oluşturma

# Define row names and column names
modes = ["drove_alone", "carpooled", "public", "walked", "taxi", 
         "worked_at_home"]

incomes = ["0k", "10k", "15k", "25k", "35k", "50k", "65k", "75k"]

# Create DataFrame
manhattan = pd.DataFrame(data=data, index=modes, columns=incomes)
manhattan = manhattan.astype(int)

DataFrame Oluşturma

print(manhattan)

                    0k    10k     15k   ...       50k     65k     75k
drove_alone      10716   8965   19294   ...     31502   15519  104078
carpooled         3740   2451    5852   ...      7994    3438   22625
public          140957  99474  197241   ...    235158  111959  654800
walked           16795   9045   15451   ...     20704   10663   83681
taxi              3201   2209    4515   ...      6551    3029   35572
worked_at_home    6854   3885    5489   ...      7776    2809   19598

[6 rows x 8 columns]

Isı Haritasını Oluşturma

# Create heatmap of commuters by mode by income
sns.heatmap(manhattan, annot=manhattan // 1000, fmt="d", cmap="YlGnBu")

Satırlarda ulaşım türleri, sütunlarda gelir kategorileri olan ve her hücredeki çalışan sayısına göre renklendirilmiş bir ısı haritası. Toplu taşıma satırı daha koyu; 75.000 $ üzeri gelire sahip toplu taşıma hücresi en koyu renkte.

Hadi pratik yapalım!

Python ile ABD Nüfus Sayımı Verilerini Analiz Etme