Le genre influe-t-il sur les fouilles lors d'une perquisition?

Analyse de l'activité policière avec pandas

Kevin Markham

Founder, Data School

ri.search_conducted.value_counts()

False    83229
True      3307

ri.search_type.value_counts(dropna=False)

NaN                               83229
Incident to Arrest                 1290
Probable Cause                      924
Inventory                           219
Reasonable Suspicion                214
Protective Frisk                    164
Incident to Arrest,Inventory        123
...

.value_counts() exclut les valeurs manquantes par défaut
dropna=False affiche les valeurs manquantes

Examiner les types de perquisition

ri.search_type.value_counts()

Incident to Arrest                           1290
Probable Cause                                924
Inventory                                     219
Reasonable Suspicion                          214
Protective Frisk                              164
Incident to Arrest,Inventory                  123
Incident to Arrest,Probable Cause             100
...

Les valeurs multiples sont séparées par des virgules
219 perquisitions où « Inventory » était le seul type
Repérer « Inventory » parmi plusieurs types

Rechercher une chaîne (1)

ri['inventory'] = ri.search_type.str.contains('Inventory', na=False)

str.contains() renvoie True si la chaîne est trouvée, sinon False
na=False renvoie False lorsqu'il y a une valeur manquante

Rechercher une chaîne (2)

ri.inventory.dtype

dtype('bool')

True signifie qu'un inventaire a été fait, False que non

ri.inventory.sum()

Calculer le taux d'inventaire

ri.inventory.mean()

0.0050961449570121106

0,5 % de tous les contrôles routiers ont mené à un inventaire

searched = ri[ri.search_conducted == True]
searched.inventory.mean()

0.13335349259147264

13,3 % des perquisitions comprenaient un inventaire

Passons à la pratique !

Analyse de l'activité policière avec pandas