American Community Survey: Annual Change

Analizzare i dati del Censimento USA con Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Storia del Censimento: conteggi e campioni

Conteggio completo delle caratteristiche demografiche di base:

Censimento decennale 1790 - 2010+

Campione di ampie caratteristiche sociali ed economiche:

Censimento decennale "Long Form" (SF3) 1970 - 2000, ~15% delle famiglie
American Community Survey annuale 2005+, ~1% delle famiglie

B25045 - Titolarità vs veicoli disponibili per età

Variabile | Etichetta
----------|--------------------------------------
B25045001 | Totale
B25045002 |   Proprietari occupanti
B25045003 |     Nessun veicolo disponibile
B25045004 |       Capofamiglia 15–34 anni
B25045005 |       Capofamiglia 35–64 anni
B25045006 |       Capofamiglia 65+ anni
B25045007 |     1+ veicoli disponibili
B25045008 |       Capofamiglia 15–34 anni
B25045009 |       Capofamiglia 35–64 anni
B25045010 |       Capofamiglia 65+ anni
B25045011 |   In affitto occupato
B25045012 |     Nessun veicolo disponibile
B25045013 |       Capofamiglia 15–34 anni
B25045014 |       Capofamiglia 35–64 anni
B25045015 |       Capofamiglia 65+ anni
B25045016 |     1+ veicoli disponibili
B25045017 |       Capofamiglia 15–34 anni
B25045018 |       Capofamiglia 35–64 anni
B25045019 |       Capofamiglia 65+ anni

Richiesta tabella dettagli ACS - Setup

import requests
import pandas as pd

HOST, dataset = "https://api.census.gov/data", "acs/acs1"

get_vars = ["B25045_" + str(i + 1).zfill(3) + "E" for i in range(19)]
get_vars = ["NAME"] + get_vars

print(get_vars)

['NAME', 'B25045_001E', 'B25045_002E', 'B25045_003E', 'B25045_004E', 
'B25045_005E', 'B25045_006E', 'B25045_007E', 'B25045_008E', 'B25045_009E', 
'B25045_010E', 'B25045_011E', 'B25045_012E', 'B25045_013E', 'B25045_014E', 
'B25045_015E', 'B25045_016E', 'B25045_017E', 'B25045_018E', 'B25045_019E']

Richiesta tabella dettagli ACS - Setup

import requests
import pandas as pd

HOST, dataset = "https://api.census.gov/data", "acs/acs1"

get_vars = ["B25045_" + str(i + 1).zfill(3) + "E" for i in range(19)]
get_vars = ["NAME"] + get_vars

# print(get_vars)

predicates = {}
predicates["get"] = ",".join(get_vars)
predicates["for"] = "us:*"

Richiedere le stesse variabili per più anni

# Initialize DataFrame collector
dfs = []

for year in range(2011, 2018):

    base_url = "/".join([HOST, str(year), dataset])
    r = requests.get(base_url, params=predicates)

    df = pd.DataFrame(columns=r.json()[0], data=r.json()[1:])

    # Add column to hold year value
    df["year"] = year

    dfs.append(df)


# Concatenate all DataFrames in collector
us = pd.concat(dfs, ignore_index=True)

Richiedere le stesse variabili per più anni

print(us.head())

            NAME B25045_001E B25045_002E  ... B25045_019E us  year
0  United States   114991725    74264435  ...     3232812  1  2011
1  United States   115969540    74119256  ...     3447172  1  2012
2  United States   116291033    73843861  ...     3662322  1  2013
3  United States   117259427    73991995  ...     3847400  1  2014
4  United States   118208250    74506512  ...     4044430  1  2015

[5 rows x 22 columns]

Prendiamo dei dati!

Analizzare i dati del Censimento USA con Python