隔離影響：失業

使用 Python 分析美國 Census 資料

Lee Hachadoorian

Asst. Professor of Instruction, Temple University

解讀 ACS 主題表 ID

[B|C]ssnnn[A-I]

B 或 C = 「Base Table」或「Collapsed Table」

B15002	C15002[A-I]
無受教育	低於高中學歷
幼稚園到四年級	高中畢、GED 或同等
五、六年級	大學肄業或副學士
七、八年級	學士或以上
九年級
等等

[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 = 年齡與性別
02 = 種族
03 = 西語裔或拉丁裔來源
05 = 外國出生；公民身分；入境年份；出生地
15 = 教育程度
19 = 收入（家庭與家戶）
23 = 就業狀態；工作經驗；勞動力

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

比較隔離的影響

一張回歸圖：非裔美國人的失業率對隔離程度的關係，男女以不同顏色標示。男性失業率的回歸線上升更為陡峭，明顯高於女性回歸線。

整潔資料（Tidy Data）

寬格式 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"]

整潔格式 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
...

一起來練習吧！

使用 Python 分析美國 Census 資料