Il genere influisce su chi viene perquisito durante un controllo?

Analizzare l'attività di polizia con pandas

Kevin Markham

Founder, Data School

ri.search_conducted.value_counts()

False    83229
True      3307

ri.search_type.value_counts(dropna=False)

NaN                               83229
Incident to Arrest                 1290
Probable Cause                      924
Inventory                           219
Reasonable Suspicion                214
Protective Frisk                    164
Incident to Arrest,Inventory        123
...

.value_counts() esclude i valori mancanti per impostazione predefinita
dropna=False mostra i valori mancanti

Esaminare i tipi di perquisizione

ri.search_type.value_counts()

Incident to Arrest                           1290
Probable Cause                                924
Inventory                                     219
Reasonable Suspicion                          214
Protective Frisk                              164
Incident to Arrest,Inventory                  123
Incident to Arrest,Probable Cause             100
...

Valori multipli sono separati da virgole
219 perquisizioni in cui "Inventory" era l'unico tipo
Trova "Inventory" tra tipi di perquisizione multipli

Cercare una stringa (1)

ri['inventory'] = ri.search_type.str.contains('Inventory', na=False)

str.contains() restituisce True se trova la stringa, False se non la trova
na=False restituisce False quando incontra un valore mancante

Cercare una stringa (2)

ri.inventory.dtype

dtype('bool')

True significa che l'inventory è stata fatta, False che non lo è stata

ri.inventory.sum()

Calcolare il tasso di inventory

ri.inventory.mean()

0.0050961449570121106

Lo 0,5% di tutti i fermi ha portato a un inventory

searched = ri[ri.search_conducted == True]
searched.inventory.mean()

0.13335349259147264

Il 13,3% delle perquisizioni includeva un inventory

Esercitiamoci!

Analizzare l'attività di polizia con pandas