Влияние сегрегации: безработица

Анализ данных переписи населения США в Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Расшифровка идентификаторов таблиц ACS

[B|C]ssnnn[A-I]

B или C = «Базовая таблица» или «Сжатая таблица»

B15002	C15002[A-I]
No schooling	Less than high school diploma
Nursery to 4th grade	High school grad, GED, or alt.
5th and 6th grade	Some college or associate's
7th and 8th grade	Bachelor's degree or higher
9th grade
etc...

[B|C]ssnnn[A-I]

A = White alone
B = Black or African American Alone
C = American Indian and Alaska Native Alone
D = Asian Alone
E = Native Hawaiian and Other Pacific Islander Alone
F = Some Other Race Alone
G = Two or More Races
H = White Alone, Not Hispanic or Latino
I = Hispanic or Latino

[B|C]ssnnn[A-I]

01 = Возраст и пол
02 = Раса
03 = Латиноамериканское происхождение
05 = Рождённые за рубежом; гражданство; год въезда; происхождение
15 = Уровень образования
19 = Доходы (домохозяйства и семьи)
23 = Занятость; трудовой опыт; рабочая сила

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

Сравнение влияния сегрегации

Регрессионный график зависимости безработицы среди афроамериканцев от уровня сегрегации; наблюдения для мужчин и женщин выделены разными цветами. Линия регрессии для мужчин имеет значительно более крутой наклон, чем для женщин.

Аккуратные данные

Широкий DataFrame: 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"]

Аккуратный DataFrame: 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
...

Давайте потренируемся!

Анализ данных переписи населения США в Python