Tác động của phân biệt khu trú: Thất nghiệp

Phân tích dữ liệu Điều tra Dân số Hoa Kỳ bằng Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Giải mã ID bảng chủ đề ACS

[B|C]ssnnn[A-I]

B hoặc C = "Bảng cơ sở" hoặc "Bảng gộp"

B15002	C15002[A-I]
Không đi học	Dưới bằng tốt nghiệp THPT
Mẫu giáo đến lớp 4	Tốt nghiệp THPT, GED, hoặc tương đương
Lớp 5 và 6	Một phần cao đẳng hoặc bằng cao đẳng
Lớp 7 và 8	Cử nhân trở lên
Lớp 9
v.v.

[B|C]ssnnn[A-I]

A = Chỉ người da trắng
B = Chỉ người da đen hoặc người Mỹ gốc Phi
C = Chỉ người Mỹ bản địa và Alaska bản địa
D = Chỉ người châu Á
E = Chỉ người Hawaii bản địa và các dân đảo Thái Bình Dương khác
F = Chỉ chủng tộc khác
G = Hai chủng tộc trở lên
H = Chỉ người da trắng, không phải gốc Tây Ban Nha hoặc Latino
I = Gốc Tây Ban Nha hoặc Latino

[B|C]ssnnn[A-I]

01 = Tuổi và giới
02 = Chủng tộc
03 = Nguồn gốc gốc Tây Ban Nha hoặc Latino
05 = Sinh ở nước ngoài; Quốc tịch; Năm nhập cư; Nơi sinh
15 = Trình độ học vấn
19 = Thu nhập (hộ và gia đình)
23 = Tình trạng việc làm; Kinh nghiệm làm việc; Lực lượng lao động

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

So sánh tác động của phân biệt khu trú

Biểu đồ hồi quy thất nghiệp của người Mỹ gốc Phi so với mức độ phân biệt khu trú, với quan sát nam và nữ bằng màu khác nhau. Đường hồi quy cho nam tăng dốc hơn nhiều so với nữ.

Dữ liệu gọn (Tidy Data)

DataFrame rộng: 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 gọn: 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!

Phân tích dữ liệu Điều tra Dân số Hoa Kỳ bằng Python