Wzorce dojazdów do pracy

Analiza danych spisowych USA w Pythonie

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Tabele dojazdów do pracy

Tematy dotyczące dojazdów

Środki transportu (samochód, komunikacja miejska itp.)
Czas podróży
Godzina wyjazdu do/przyjazdu do pracy

Geografie dojazdów

Miejsce zamieszkania: gdzie ludzie śpią
Miejsce pracy: skąd pochodzi siła robocza powiatu, okręgu itp.

Opłaty za wjazd do centrum Nowego Jorku

Debatowane w Nowym Jorku (początek 2019 r.)
Poprzednia próba nie powiodła się (2007 r.)
Obawy o koszty dla gospodarstw domowych o niskich i średnich dochodach

Lotnicze zdjęcie samochodów i taksówek na ulicy w Nowym Jorku.

¹ Photo by Brian Jeffery Beggerly (CC BY 2.0)

Tabela B08519: Środki transportu do pracy według zarobków pracowników w ciągu ostatnich 12 miesięcy (w dolarach z 2017 r., skorygowanych o inflację) według miejsca pracy

Total
    $1 to $9,999 or loss
    $10,000 to $14,999
    $15,000 to $24,999
    $25,000 to $34,999
    $35,000 to $49,999
    $50,000 to $64,999
    $65,000 to $74,999
    $75,000 or more
Car truck or van - drove alone
    <repeat income categories>
Car truck or van - carpooled
    <repeat income categories>
Public transportation (excluding taxicab)
    <repeat income categories>
etc...

Odpowiedź 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']]

Przekształcanie danych

# 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'], ...]

Tworzenie 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)

Tworzenie 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]

Tworzenie mapy cieplnej

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

Mapa cieplna z wierszami odpowiadającymi środkom transportu i kolumnami odpowiadającymi kategoriom dochodu, kolorowanymi według liczby dojeżdżających. Wiersz transportu publicznego jest ciemniejszy, a komórka z dochodem powyżej 75 000 USD jest najciemniejsza.

Czas na ćwiczenia!

Analiza danych spisowych USA w Pythonie