Modelli di pendolarismo

Analizzare i dati del Censimento USA con Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Tabelle sul pendolarismo

Temi sul pendolarismo

Mezzi di trasporto (auto, trasporto pubblico, ecc.)
Tempo di viaggio
Orario di partenza/arrivo al lavoro

Geografie del pendolarismo

Residenza: dove si dorme
Luogo di lavoro: dove si lavora; usabile per stimare la popolazione lavorativa per contea, sezione di censimento, ecc.

Pedaggio anti-congestione a New York City

In discussione a NYC (inizio 2019)
Tentativo precedente fallito (2007)
Preoccupazioni sui costi per famiglie a basso e medio reddito

Foto aerea di auto e taxi in una strada di New York City.

¹ Foto di Brian Jeffery Beggerly (CC BY 2.0)

Tabella B08519: Mezzo di trasporto per recarsi al lavoro per guadagni dei lavoratori negli ultimi 12 mesi (in dollari 2017 corretti per l’inflazione) per geografia del luogo di lavoro

Totale
    $1–$9.999 o perdita
    $10.000–$14.999
    $15.000–$24.999
    $25.000–$34.999
    $35.000–$49.999
    $50.000–$64.999
    $65.000–$74.999
    $75.000 o più
Auto, camion o furgone - solo conducente
    <ripeti categorie di reddito>
Auto, camion o furgone - car pooling
    <ripeti categorie di reddito>
Trasporto pubblico (escluso taxi)
    <ripeti categorie di reddito>
 ecc.

Risposta dell’API

print(r.json())

[['B08519_011E', 'B08519_012E', 'B08519_013E', 'B08519_014E', 'B08519_015E',
  'B08519_016E', 'B08519_017E', 'B08519_018E', 'B08519_020E', 'B08519_021E', 
  ... 
  'B08519_061E', 'B08519_062E', 'B08519_063E', 'state', 'county'], 
 ['10927', '9172', '19659', '22110', '32287', 
  '32977', '15693', '106972', '3663', '2518', 
  ...
  '7457', '2664', '20684', '36', '061']]

Rimodellare i dati

# Read data row into list
data_row = r.json()[1][:-2]

# Break data row into list of lists
iter_len = 8
data = [data_row[i:i+iter_len] for i in range(0, len(data_row), iter_len)]

print(data)

[['10927', '9172', '19659', '22110', '32287', '32977', '15693', '106972'], 
['3663', '2518', '5484', '5625', '8028', '7990', '3369', '22958'], 
['139358', '97178', '200514', '184510', '255491', '240973', '116673', '700808'], 
['16743', '9117', '15900', '13710', '17442', '20206', '10370', '85879'], ...]

Creare il DataFrame

# Define row names and column names
modes = ["drove_alone", "carpooled", "public", "walked", "taxi", 
         "worked_at_home"]

incomes = ["0k", "10k", "15k", "25k", "35k", "50k", "65k", "75k"]

# Create DataFrame
manhattan = pd.DataFrame(data=data, index=modes, columns=incomes)
manhattan = manhattan.astype(int)

Creare il DataFrame

print(manhattan)

                    0k    10k     15k   ...       50k     65k     75k
drove_alone      10716   8965   19294   ...     31502   15519  104078
carpooled         3740   2451    5852   ...      7994    3438   22625
public          140957  99474  197241   ...    235158  111959  654800
walked           16795   9045   15451   ...     20704   10663   83681
taxi              3201   2209    4515   ...      6551    3029   35572
worked_at_home    6854   3885    5489   ...      7776    2809   19598

[6 rows x 8 columns]

Creare la heatmap

# Create heatmap of commuters by mode by income
sns.heatmap(manhattan, annot=manhattan // 1000, fmt="d", cmap="YlGnBu")

Una heatmap con righe per i mezzi di pendolarismo e colonne per fasce di reddito, colorata per numero di pendolari in ogni cella. La riga del trasporto pubblico è più scura; la cella del trasporto pubblico con redditi oltre $75.000 è la più scura.

Facciamo pratica!

Analizzare i dati del Censimento USA con Python