隔离影响：失业

使用 Python 分析美国人口普查数据

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

解读 ACS 主题表 ID

[B|C]ssnnn[A-I]

B 或 C = "基础表"或"汇总表"

B15002	C15002[A-I]
无受教育	未获高中毕业证
学前班至四年级	高中毕业、GED 或同等学历
五至六年级	一些大学课程或副学士
七至八年级	学士及以上
九年级
等等

[B|C]ssnnn[A-I]

A = 仅白人
B = 仅黑人或非裔美国人
C = 仅美洲印第安人和阿拉斯加原住民
D = 仅亚裔
E = 仅夏威夷原住民和其他太平洋岛民
F = 仅其他种族
G = 两个或以上种族
H = 仅白人，非西班牙裔或拉丁裔
I = 西班牙裔或拉丁裔

[B|C]ssnnn[A-I]

01 = 年龄与性别
02 = 种族
03 = 西班牙裔或拉丁裔来源
05 = 外国出生；公民身份；入境年份；本土/外籍
15 = 受教育程度
19 = 收入（家庭与家族）
23 = 就业状况；工作经历；劳动力

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

比较隔离影响

一张回归图：非裔美国人的失业率与隔离度，男女用不同颜色。男性失业率的回归线上升更陡，女性较缓。

整洁数据

宽表：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"]

整洁表：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
...

Vamos praticar!

使用 Python 分析美国人口普查数据