Impatto della segregazione: disoccupazione

Analizzare i dati del Censimento USA con Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Decifrare gli ID delle tabelle ACS Subject

[B|C]ssnnn[A-I]

B o C = "Tabella base" o "Tabella aggregata"

B15002	C15002[A-I]
Nessuna scolarità	Meno di diploma di scuola superiore
Asilo-4ª elementare	Diploma HS, GED o equivalente
5ª-6ª elementare	Alcuni anni di college o associate
7ª-8ª elementare	Laurea triennale o superiore
1ª superiore (9th)
ecc.

[B|C]ssnnn[A-I]

A = Bianchi soli
B = Neri o afroamericani soli
C = Nativi americani e nativi dell'Alaska soli
D = Asiatici soli
E = Nativi hawaiani e di altre isole del Pacifico soli
F = Altra razza sola
G = Due o più razze
H = Bianchi soli, non ispanici/latini
I = Ispanici o latini

[B|C]ssnnn[A-I]

01 = Età e sesso
02 = Razza
03 = Origine ispanica o latina
05 = Nati all'estero; cittadinanza; anno d'ingresso; natività
15 = Titolo di studio
19 = Reddito (famiglie e nuclei familiari)
23 = Stato occupazionale; esperienza lavorativa; forza lavoro

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

Confronto degli impatti della segregazione

Un grafico di regressione della disoccupazione afroamericana vs. segregazione, con osservazioni maschili e femminili in colori diversi. La retta per la disoccupazione maschile cresce molto più ripida di quella femminile.

Dati tidy

DataFrame wide: 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 tidy: 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
...

Vamos praticar!

Analizzare i dati del Censimento USA con Python