Ayrışma Etkileri: İşsizlik

Python ile ABD Nüfus Sayımı Verilerini Analiz Etme

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

ACS Konu Tablosu Kimliklerini Çözümleme

[B|C]ssnnn[A-I]

B veya C = "Temel Tablo" veya "Daraltılmış Tablo"

B15002	C15002[A-I]
Okula gitmemiş	Lise diplomasından düşük
Anaokul–4. sınıf	Lise mezunu, GED veya alternatif
5.–6. sınıf	Biraz üniversite veya önlisans
7.–8. sınıf	Lisans veya üstü
9. sınıf
vb.

[B|C]ssnnn[A-I]

A = Sadece Beyaz
B = Sadece Siyah veya Afrikalı Amerikalı
C = Sadece Kızılderili ve Alaska Yerlisi
D = Sadece Asyalı
E = Sadece Yerli Hawaiili ve Diğer Pasifik Adalı
F = Sadece Diğer Irk
G = İki veya Daha Fazla Irk
H = Sadece Beyaz, Hispanik/Latin değil
I = Hispanik veya Latin

[B|C]ssnnn[A-I]

01 = Yaş ve Cinsiyet
02 = Irk
03 = Hispanik veya Latin Kökeni
05 = Yabancı Doğumlu; Vatandaşlık; Giriş Yılı; Doğum Yeri
15 = Eğitim Düzeyi
19 = Gelir (Haneler ve Aileler)
23 = İstihdam Durumu; İş Deneyimi; İşgücü

Kaynak: https://www.census.gov/programs-surveys/acs/guidance/which-data-tool/table-ids-explained.html

Ayrışma Etkilerini Karşılaştırma

Afrikalı Amerikalı işsizlik ile ayrışma arasındaki regresyon grafiği; erkek ve kadın gözlemler farklı renklerde. Erkek işsizliği regresyon çizgisi, kadın çizgisine göre daha dik artıyor.

Düzenli Veri

Geniş DataFrame: msa_labor_force

     msa  male_lf  female_lf
0  12060   400843     481425
1  25540    30656      35046
2  26420   231346     268923
3  26900    55943      71036
...

msa_labor_force.columns = 
    ["msa", "male", "female"]

Düzenli DataFrame: tidy_msa_labor_force

      msa     sex  labor_force
0   12060    male       400843
1   25540    male        30656
2   26420    male       231346
3   26900    male        55943
...
49  12060  female       481425
50  25540  female        35046
51  26420  female       268923
52  26900  female        71036
...

pandas.melt

tidy_msa_labor_force = msa_labor_force.melt(

    id_vars = ["msa"],

    value_vars = ["male", "female"],

    var_name = "sex",

    value_name = "labor_force"
    )

pandas.melt

tidy_msa_labor_force

      msa     sex  labor_force
0   12060    male       400843
1   25540    male        30656
2   26420    male       231346
3   26900    male        55943
...
49  12060  female       481425
50  25540  female        35046
51  26420  female       268923
52  26900  female        71036
...

Ayo berlatih!

Python ile ABD Nüfus Sayımı Verilerini Analiz Etme