Wpływ segregacji: Bezrobocie

Analiza danych spisowych USA w Pythonie

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Rozszyfrowanie identyfikatorów tabel ACS

[B|C]ssnnn[A-I]

B lub C = „Tabela podstawowa" lub „Tabela skrócona"

B15002	C15002[A-I]
Brak wykształcenia	Poniżej dyplomu szkoły średniej
Przedszkole – klasa 4	Szkoła średnia, GED lub odpowiednik
Klasy 5–6	Studia lub stopień associate's
Klasy 7–8	Stopień licencjata lub wyższy
Klasa 9
itd...

[B|C]ssnnn[A-I]

A = Tylko biali
B = Tylko Czarni lub Afroamerykanie
C = Tylko Indianie i rdzenni mieszkańcy Alaski
D = Tylko Azjaci
E = Tylko rdzenni Hawajczycy i mieszkańcy Pacyfiku
F = Tylko inna rasa
G = Dwie lub więcej ras
H = Tylko biali, nie Hiszpanie ani Latynosi
I = Hiszpanie lub Latynosi

[B|C]ssnnn[A-I]

01 = Wiek i płeć
02 = Rasa
03 = Pochodzenie latynoskie lub hiszpańskie
05 = Urodzeni za granicą; obywatelstwo; rok wjazdu; rodowód
15 = Poziom wykształcenia
19 = Dochody (gospodarstwa domowe i rodziny)
23 = Status zatrudnienia; doświadczenie zawodowe; siła robocza

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

Porównanie wpływu segregacji

Wykres regresji bezrobocia Afroamerykanów względem segregacji z obserwacjami dla mężczyzn i kobiet w różnych kolorach. Linia regresji dla bezrobocia mężczyzn rośnie znacznie szybciej niż dla kobiet.

Porządne dane

Szeroka ramka danych: 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"]

Porządna ramka danych: 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
...

Czas na ćwiczenia!

Analiza danych spisowych USA w Pythonie