Вплив сегрегації: безробіття

Аналіз даних перепису США в Python

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

Розшифровка ідентифікаторів таблиць ACS Subject

[B|C]ssnnn[A-I]

B або C = "Base Table" або "Collapsed Table"

B15002	C15002[A-I]
Без освіти	Менше, ніж диплом про середню
Від садка до 4 класу	Випускник школи, GED або альт.
5–6 клас	Деякий коледж або молодший фахівець
7–8 клас	Ступінь бакалавра чи вищий
9 клас
тощо...

[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 = Вік і стать
02 = Раса
03 = Походження Hispanic або Latino
05 = Народжені за кордоном; громадянство; рік в'їзду; походження
15 = Освітній рівень
19 = Доходи (домогосподарства та сім'ї)
23 = Зайнятість; трудовий досвід; робоча сила

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

Порівняння впливу сегрегації

Графік регресії безробіття афроамериканців проти рівня сегрегації; спостереження для чоловіків і жінок різними кольорами. Лінія регресії для чоловіків зростає значно крутіше, ніж для жінок.

Охайні дані

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"]

Охайний 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 потренуємось

Аналіз даних перепису США в Python