Modes de déplacement domicile-travail

Analyser les données du recensement des États-Unis avec Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Tableaux sur les déplacements

Sujets sur les déplacements

Moyens de transport (auto, transport en commun, etc.)
Temps de trajet
Heure de départ/arrivée au travail

Géographies des déplacements

Résidence : où les gens dorment
Lieu de travail : où les gens travaillent; permet d'estimer la population active d'un comté, secteur, etc.

Tarification de la congestion à New York

En débat à New York (début 2019)
Tentative précédente ratée (2007)
Inquiétudes sur le coût pour les ménages à faible et moyen revenu

Photo aérienne de voitures et taxis dans une rue de New York.

¹ Photo de Brian Jeffery Beggerly (CC BY 2.0)

Table B08519 : Means Of Transportation To Work By Workers' Earnings In The Past 12 Months (In 2017 Inflation-Adjusted Dollars) For Workplace Geography

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...

Réponse de l'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']]

Remanier les données

# 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'], ...]

Construire le 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)

Construire le 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]

Construire la carte thermique

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

Carte thermique : lignes par mode de déplacement et colonnes par catégories de revenu, colorées selon le nombre de navetteurs. La ligne du transport en commun est plus foncée, et la cellule « transport en commun » pour revenus de plus de 75 000 $ est la plus sombre.

Passons à la pratique !

Analyser les données du recensement des États-Unis avec Python