Паттерны маятниковой миграции

Анализ данных переписи населения США в Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Таблицы поездок на работу

Характеристики поездок

Вид транспорта (автомобиль, общественный транспорт и др.)
Время в пути
Время выезда на работу и прибытия

География поездок

Место проживания: где люди живут
Место работы: где люди работают; позволяет определить численность работающего населения округа, переписного участка и т. д.

Плата за въезд в Нью-Йорке

Обсуждается в Нью-Йорке (начало 2019 г.)
Предыдущая попытка провалилась (2007 г.)
Опасения по поводу нагрузки на домохозяйства с низким и средним доходом

Аэрофотоснимок автомобилей и такси на улице Нью-Йорка.

¹ Фото: Brian Jeffery Beggerly (CC BY 2.0)

Таблица B08519: Вид транспорта до работы по заработку работников за последние 12 месяцев (в долларах 2017 г. с поправкой на инфляцию) по месту работы

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...

Ответ 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']]

Преобразование данных

# 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'], ...]

Создание 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)

Создание 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]

Построение тепловой карты

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

Тепловая карта: строки — виды транспорта, столбцы — категории дохода, цвет — число пассажиров. Строка «общественный транспорт» темнее остальных; ячейка с доходом свыше 75 000 долл. — самая тёмная.

Давайте потренируемся!

Анализ данных переписи населения США в Python