Dopady segregace: nezaměstnanost

Analýza dat amerického sčítání lidu v Pythonu

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Jak číst ID tematických tabulek ACS

[B|C]ssnnn[A-I]

B nebo C = „Základní tabulka" nebo „Zkrácená tabulka"

B15002	C15002[A-I]
Bez vzdělání	Méně než středoškolský diplom
Předškolní – 4. třída	Maturita, GED nebo ekvivalent
5.–6. třída	Vyšší odborná nebo nástavba
7.–8. třída	Bakalářský titul nebo vyšší
9. třída
atd...

[B|C]ssnnn[A-I]

A = Pouze bílí
B = Pouze černoši nebo Afroameričané
C = Pouze původní Američané a domorodci Aljašky
D = Pouze Asiaté
E = Pouze domorodci Havaje a ostatních tichomořských ostrovů
F = Pouze jiná rasa
G = Dvě nebo více ras
H = Pouze bílí, nikoli hispánci nebo Latinoameričané
I = Hispánci nebo Latinoameričané

[B|C]ssnnn[A-I]

01 = Věk a pohlaví
02 = Rasa
03 = Hispánský nebo latinoamerický původ
05 = Původ ze zahraničí; občanství; rok příjezdu; nativita
15 = Dosažené vzdělání
19 = Příjmy (domácnosti a rodiny)
23 = Zaměstnanost; pracovní zkušenosti; pracovní síla

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

Porovnání dopadů segregace

Regresní graf nezaměstnanosti Afroameričanů v závislosti na segregaci, s pozorováními pro muže a ženy v různých barvách. Regresní přímka pro nezaměstnanost mužů roste výrazně strměji než přímka pro ženy.

Úhledná data

Široký DataFrame: 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"]

Úhledný DataFrame: 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
...

Pojďme cvičit!

Analýza dat amerického sčítání lidu v Pythonu