Effets de la ségrégation : chômage

Analyser les données du recensement des États-Unis avec Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Déchiffrer les identifiants des tableaux thématiques ACS

[B|C]ssnnn[A-I]

B ou C = « Base Table » ou « Collapsed Table »

B15002	C15002[A-I]
Aucune scolarité	Moins que diplôme d'études secondaires
Maternelle à 4e année	Diplômé du secondaire, GED ou équiv.
5e et 6e année	Quelques cours collégiaux ou DEC
7e et 8e année	Baccalauréat ou plus
9e année
etc.

[B|C]ssnnn[A-I]

A = Blanc seulement
B = Noir ou Afro-Américain seulement
C = Amérindien ou Autochtone de l'Alaska seulement
D = Asiatique seulement
E = Hawaïen autochtone ou autre insulaire du Pacifique seulement
F = Autre race seulement
G = Deux races ou plus
H = Blanc seulement, non hispanique ou latino
I = Hispanique ou latino

[B|C]ssnnn[A-I]

01 = Âge et sexe
02 = Race
03 = Origine hispanique ou latino
05 = Né à l'étranger ; citoyenneté ; année d'entrée ; naissance
15 = Niveau de scolarité atteint
19 = Revenu (ménages et familles)
23 = Statut d'emploi ; expérience de travail ; population active

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

Comparer les effets de la ségrégation

Un nuage de points de la régression du chômage des Afro-Américains selon la ségrégation, avec les observations hommes et femmes en couleurs distinctes. La droite pour le chômage masculin monte beaucoup plus fortement que celle pour le chômage féminin.

Données ordonnées

DataFrame large : 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"]

DataFrame ordonné : 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
...

Passons à la pratique !

Analyser les données du recensement des États-Unis avec Python