Dampak Segregasi: Pengangguran

Menganalisis Data Sensus AS dengan Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Mengurai ID Tabel Subjek ACS

[B|C]ssnnn[A-I]

B atau C = "Base Table" atau "Collapsed Table"

B15002	C15002[A-I]
Tanpa sekolah	Kurang dari ijazah SMA
TK s.d. kelas 4	Lulus SMA, GED, atau setara
Kelas 5–6	Beberapa kuliah atau D3
Kelas 7–8	Sarjana atau lebih
Kelas 9
dst.

[B|C]ssnnn[A-I]

A = Kulit Putih saja
B = Kulit Hitam atau Afrika-Amerika saja
C = Penduduk Asli Amerika dan Alaska saja
D = Asia saja
E = Penduduk Asli Hawaii dan Kep. Pasifik lainnya saja
F = Ras lainnya saja
G = Dua ras atau lebih
H = Kulit Putih saja, bukan Hispanik atau Latin
I = Hispanik atau Latin

[B|C]ssnnn[A-I]

01 = Usia dan jenis kelamin
02 = Ras
03 = Asal Hispanik atau Latin
05 = Lahir luar negeri; Kewarganegaraan; Tahun masuk; Kewargaan
15 = Tingkat pendidikan
19 = Pendapatan (rumah tangga dan keluarga)
23 = Status bekerja; Pengalaman kerja; Angkatan kerja

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

Membandingkan Dampak Segregasi

Plot regresi pengangguran Afrika-Amerika vs. segregasi, dengan observasi laki-laki dan perempuan berwarna berbeda. Garis regresi untuk pengangguran laki-laki naik jauh lebih curam daripada untuk perempuan.

Data Rapi

DataFrame lebar: 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"]

DataFrame rapi: 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!

Menganalisis Data Sensus AS dengan Python