Effecten van segregatie: werkloosheid

US Census-gegevens analyseren in Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

ACS-subjecttabel-ID’s ontcijferen

[B|C]ssnnn[A-I]

B of C = “Basistabel” of “Samengev. tabel”

B15002	C15002[A-I]
Geen scholing	Minder dan middelbareschooldiploma
Kleuter t/m groep 4	Middelbare school, GED of alt.
Groep 5 en 6	Enige hogeschool of associate
Groep 7 en 8	Bachelor of hoger
Klas 9
enz.

[B|C]ssnnn[A-I]

A = Alleen wit
B = Alleen zwart of Afro-Amerikaans
C = Alleen Amerikaanse indiaan en Alaska-native
D = Alleen Aziatisch
E = Alleen inheemse Hawaiiaan en andere eilanden in de Stille Oceaan
F = Andere/overige etniciteit, alleen
G = Twee of meer rassen
H = Alleen wit, niet Spaans/Latijns
I = Spaans/Latijns

[B|C]ssnnn[A-I]

01 = Leeftijd en geslacht
02 = Ras
03 = Spaanse/Latijnse herkomst
05 = Buitenlandgeboren; nationaliteit; jaar van binnenkomst; afkomst
15 = Opleidingsniveau
19 = Inkomen (huishoudens en families)
23 = Arbeidsstatus; werkervaring; beroepsbevolking

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

Effecten van segregatie vergelijken

Een regressieplot van Afro-Amerikaanse werkloosheid vs. segregatie, met mannen en vrouwen in verschillende kleuren. De regressielijn voor mannelijke werkloosheid stijgt veel steiler dan die voor vrouwelijke werkloosheid.

Tidy data

Breed 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"]

Net 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
...

Laten we oefenen!

US Census-gegevens analyseren in Python