Segregationens effekter: Arbetslöshet

Analys av amerikansk folkräkningsdata i Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Förstå ACS ämnestabells-ID:n

[B|C]ssnnn[A-I]

Analys av amerikansk folkräkningsdata i Python

[B|C]ssnnn[A-I]

B or C = "Bastabell" eller "Komprimerad tabell"

B15002 C15002[A-I]
Ingen skolgång Lägre än gymnasiediplom
Förskola till åk 4 Gymnasieexamen, GED eller likv.
Åk 5 och 6 Viss högskoleutbildning eller YH
Åk 7 och 8 Kandidatexamen eller högre
Åk 9
osv...
Analys av amerikansk folkräkningsdata i Python

[B|C]ssnnn[A-I]

  • A = Enbart vit
  • B = Enbart svart eller afroamerikan
  • C = Enbart indianer och alaskainfödda
  • D = Enbart asiatisk
  • E = Enbart hawaiiinfödda och andra stillahavsöbor
  • F = Enbart annan ras
  • G = Två eller fler raser
  • H = Enbart vit, ej hispanic eller latino
  • I = Hispanic eller latino
Analys av amerikansk folkräkningsdata i Python

[B|C]ssnnn[A-I]

  • 01 = Ålder och kön
  • 02 = Ras
  • 03 = Hispanic eller latinourbsprung
  • 05 = Utlandsfödda; medborgarskap; inreseår; nationalitet
  • 15 = Utbildningsnivå
  • 19 = Inkomst (hushåll och familjer)
  • 23 = Sysselsättningsstatus; arbetslivserfarenhet; arbetskraft

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

Analys av amerikansk folkräkningsdata i Python

Jämföra segregationens effekter

Ett regressionsdiagram över afroamerikansk arbetslöshet mot segregation, där manliga och kvinnliga observationer visas i olika färger. Regressionslinjen för manlig arbetslöshet stiger betydligt brantare än linjen för kvinnlig arbetslöshet.

Analys av amerikansk folkräkningsdata i Python

Tidy data

Bred 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"]

Tidy 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
...
Analys av amerikansk folkräkningsdata i Python

pandas.melt

tidy_msa_labor_force = msa_labor_force.melt(

    id_vars = ["msa"],

    value_vars = ["male", "female"],

    var_name = "sex",

    value_name = "labor_force"
    )
Analys av amerikansk folkräkningsdata i Python

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
...
Analys av amerikansk folkräkningsdata i Python

Nu kör vi en övning!

Analys av amerikansk folkräkningsdata i Python

Preparing Video For Download...