Jakie naruszenia są wykrywane w każdym dystrykcie?

Analiza aktywności policji z pandas

Kevin Markham

Founder, Data School

Tworzenie tabeli częstości

pd.crosstab(ri.driver_race,
            ri.driver_gender)

driver_gender      F      M
driver_race                
Asian            551   1838
Black           2681   9604
Hispanic        1953   7774
Other             53    212
White          18536  43334

Tabela częstości: zliczenie wystąpień każdej kombinacji wartości

ri[(ri.driver_race == 'Asian') &
   (ri.driver_gender == 'F')
  ].shape

(551, 14)

driver_race jest wzdłuż indeksu, driver_gender wzdłuż kolumn

table = pd.crosstab(
  ri.driver_race,
  ri.driver_gender)

Wybieranie wycinka DataFrame

Metoda dostępu .loc[]: wybór z DataFrame po etykiecie

table

driver_gender      F      M
driver_race                
Asian            551   1838
Black           2681   9604
Hispanic        1953   7774
Other             53    212
White          18536  43334

table.loc['Asian':'Hispanic']

driver_gender     F     M
driver_race              
Asian           551  1838
Black          2681  9604
Hispanic       1953  7774

table = 
   table.loc['Asian':'Hispanic']

Tworzenie wykresu liniowego

table.plot()
plt.show()

Wykres liniowy tabeli częstości rasy i płci

Tworzenie wykresu słupkowego

table.plot(kind='bar')
plt.show()

Wykres słupkowy tabeli częstości rasy i płci

Układanie słupków

table.plot(kind='bar', stacked=True)
plt.show()

Skumulowany wykres słupkowy tabeli częstości rasy i płci

Czas na ćwiczenia!

Analiza aktywności policji z pandas