Apakah Sewa Terlalu Tinggi?

Menganalisis Data Sensus AS dengan Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Definisi

Cara menghitung sewa:

Contract Rent: Sewa sesuai kontrak
Gross Rent: Sewa plus utilitas; pada beberapa kontrak utilitas sudah termasuk, pada lainnya dibayar terpisah

Beban sewa:

Rent Burden: Membayar ≥30% pendapatan rumah tangga untuk sewa
Severe Rent Burden: Membayar ≥50% pendapatan rumah tangga untuk sewa

Tabel B25074: Pendapatan RT vs Sewa Bruto sebagai Persentase Pendapatan RT dalam 12 Bulan Terakhir

Total
    Kurang dari $10.000
        Kurang dari 20,0 persen
        20,0 sampai 24,9 persen
        25,0 sampai 29,9 persen
        30,0 sampai 34,9 persen
        35,0 sampai 39,9 persen
        40,0 sampai 49,9 persen
        50,0 persen atau lebih
        Tidak dihitung
    $10.000 sampai $19.999
    $20.000 sampai $34.999
    $35.000 sampai $49.999
    $50.000 sampai $74.999
    $75.000 sampai $99.999
    $100.000 atau lebih

Porsi Sewa dari Pendapatan di AS, ACS 2012-2016

total                                     42835169
inc_under_10k                              5558843
inc_under_10k_rent_under_20_pct              57052
inc_under_10k_rent_20_to_25_pct              58042
inc_under_10k_rent_25_to_30_pct             208806
inc_under_10k_rent_30_to_35_pct             177709
inc_under_10k_rent_35_to_40_pct             102565
inc_under_10k_rent_40_to_50_pct             150153
inc_under_10k_rent_over_50_pct             3381537
inc_under_10k_rent_not_computed            1422979
inc_10k_to_20k                             7027373
inc_10k_to_20k_rent_under_20_pct            213000
etc...

Menghitung Beban Sewa

print(rent.columns[10:19])

Index(['inc_10k_to_20k', 'inc_10k_to_20k_rent_under_20_pct',
   'inc_10k_to_20k_rent_20_to_25_pct', 'inc_10k_to_20k_rent_25_to_30_pct',
   'inc_10k_to_20k_rent_30_to_35_pct', 'inc_10k_to_20k_rent_35_to_40_pct',
   'inc_10k_to_20k_rent_40_to_50_pct', 'inc_10k_to_20k_rent_over_50_pct',
   'inc_10k_to_20k_rent_not_computed'],
  dtype='object')

Menghitung Beban Sewa

rent["inc_10k_to_20k_rent_burden"] = 100 * (

    rent["inc_10k_to_20k_rent_30_to_35_pct"] + 
    rent["inc_10k_to_20k_rent_35_to_40_pct"] + 
    rent["inc_10k_to_20k_rent_40_to_50_pct"] + 
    rent["inc_10k_to_20k_rent_over_50_pct"]

    ) / (
    rent["inc_10k_to_20k"] - 
    rent["inc_10k_to_20k_rent_not_computed"]
    )

Menghitung Beban Sewa

print(rent["inc_10k_to_20k_rent_burden"])

0    87.008024
Name: inc_10k_to_20k_rent_burden, dtype: float64

Menghitung Beban Sewa dengan Loop

# Create list with income category part of column names
incomes = ["inc_under_10k", "inc_10k_to_20k", "inc_20k_to_35k", 
           "inc_35k_to_50k", "inc_50k_to_75k", "inc_75k_to_100k", 
           "inc_over_100k"]

Menghitung Beban Sewa dengan Loop

# Create new DataFrame with just the geography name
rent_burden = rent["name"]

# Loop over the list of income categories
for income in incomes:

    # Construct column names
    rent_burden[income] =

        100 * (rent[income + "_rent_30_to_35_pct"] + 
        rent[income + "_rent_35_to_40_pct"] + 
        rent[income + "_rent_40_to_50_pct"] + 
        rent[income + "_rent_over_50_pct"]) / (
        rent[income] - rent[income + "_rent_not_computed"])

Beban Sewa AS menurut Kategori Pendapatan

print(rent_burden.squeeze())

name               United States
inc_under_10k            92.1685
inc_10k_to_20k            87.008
inc_20k_to_35k           74.7448
inc_35k_to_50k           43.0434
inc_50k_to_75k           21.0937
inc_75k_to_100k          9.11853
inc_over_100k            3.14882
Name: 0, dtype: object

Diagram batang yang menampilkan persentase rumah tangga dengan beban sewa pada 7 kategori pendapatan. Saat pendapatan naik, batang turun dari 92% ke 3% rumah tangga.

Ayo berlatih!

Menganalisis Data Sensus AS dengan Python