Black [O] vit Matter: Race, Crime et Fire to Kill aux États-Unis. Partie 2

Dans la première partie de l'article, j'ai décrit le contexte de l'étude, ses objectifs, ses hypothèses, ses contributions et ses outils. Maintenant, nous pouvons dire Gagarine sans plus tarder ...

Aller!

Nous importons les bibliothèques et définissons le chemin vers le répertoire avec tous les fichiers:

import pandas as pd, numpy as np

#      
ROOT_FOLDER = r'c:\_PROG_\Projects\us_crimes'

Mort aux mains de la loi

Commençons par analyser les données sur les victimes policières. Importons un fichier CSV vers DataFrame:

#    Fatal Encounters (FENC)
FENC_FILE = ROOT_FOLDER + '\\fatal_enc_db.csv'

#   DataFrame
df_fenc = pd.read_csv(FENC_FILE, sep=';', header=0, usecols=["Date (Year)", "Subject's race with imputations", "Cause of death", "Intentional Use of Force (Developing)", "Location of death (state)"])

, , : , ( ), ( , ), , .

, " " . , , FENC , , . , ( ). Fatal Encounters Excel ( ).

:

df_fenc.columns = ['Race', 'State', 'Cause', 'UOF', 'Year']
df_fenc.dropna(inplace=True)

, . . FENC, , (Hispanic/Latino), (Asian/Pacific Islander) (Middle Eastern). . :

df_fenc = df_fenc.replace({'Race': {'European-American/White': 'White', 'African-American/Black': 'Black', 
                          'Hispanic/Latino': 'White', 'Native American/Alaskan': 'American Indian',
                          'Asian/Pacific Islander': 'Asian', 'Middle Eastern': 'Asian',
                          'NA': 'Unknown', 'Race unspecified': 'Unknown'}}, value=None)

( ) :

df_fenc = df_fenc.loc[df_fenc['Race'].isin(['White', 'Black'])]

"UOF" ( )? , ( ) . , (, ) , . : 1) - (: , ; : ); 2) ; , , ( ) , . , :

df_fenc = df_fenc.loc[df_fenc['UOF'].isin(['Deadly force', 'Intentional use of force'])]

. CSV, :

df_state_names = pd.read_csv(ROOT_FOLDER + '\\us_states.csv', sep=';', header=0)
df_fenc = df_fenc.merge(df_state_names, how='inner', left_on='State', right_on='state_abbr')

df_fenc.head(), :

, :

#     
ds_fenc_agg = df_fenc.groupby(['Year', 'Race']).count()['Cause']
df_fenc_agg = ds_fenc_agg.unstack(level=1)
#     UINT16  
df_fenc_agg = df_fenc_agg.astype('uint16')

2 : White ( ) Black ( ), ( 2000 2020). :

#        (- )
plt = df_fenc_agg.plot(xticks=df_fenc_agg.index, color=['olive', 'g'])
plt.set_xticklabels(df_fenc_agg.index, rotation='vertical')
plt.set_xlabel('')
plt.set_ylabel('-    ')
plt

:

() , .

2.4 . , . , .

( ):

#  CSV     (1991 - 2018)
POP_FILE = ROOT_FOLDER + '\\us_pop_1991-2018.csv'
df_pop = pd.read_csv(POP_FILE, index_col=0, dtype='int64')

:

#     -     2000 - 2018 .
df_pop = df_pop.loc[2000:2018, ['White_pop', 'Black_pop']]

#  ,    
df_fenc_agg = df_fenc_agg.join(df_pop)
df_fenc_agg.dropna(inplace=True)

#       
df_fenc_agg = df_fenc_agg.astype({'White_pop': 'uint32', 'Black_pop': 'uint32'})

. 2 , ( 1 . ):

df_fenc_agg['White_promln'] = df_fenc_agg['White'] * 1e6 / df_fenc_agg['White_pop']
df_fenc_agg['Black_promln'] = df_fenc_agg['Black'] * 1e6 / df_fenc_agg['Black_pop']

, :

2 - . :

plt = df_fenc_agg.loc[:, ['White_promln', 'Black_promln']].plot(xticks=df_fenc_agg.index, color=['g', 'olive'])
plt.set_xticklabels(df_fenc_agg.index, rotation='vertical')
plt.set_xlabel('')
plt.set_ylabel('-    \n 1   ')
plt

:

df_fenc_agg.loc[:, ['White_promln', 'Black_promln']].describe()

:

1. 5.9 1 . 2.3 1 . ( 2.6 ).

2. () 1.8 , . ( , , .)

3. - 2013 . (7.7 ); - 2018 . (3.3 ).

4. ( 0.1 - 0.2 ), 2009 . 2011 - 2013 .

, :

- , , ?

- , . 2.6 , .

, - , , .

CSV :

CRIMES_FILE = ROOT_FOLDER + '\\culprits_victims.csv'
df_crimes = pd.read_csv(CRIMES_FILE, sep=';', header=0, index_col=0, usecols=['Year', 'Offense', 'Offender/Victim', 'White', 'White pro capita', 'Black', 'Black pro capita'])

- : , , , ( - "White", "Black" - "White pro capita", "Black pro capita").

(`df_crimes.head()`):

. :

#    ( )
df_crimes1 = df_crimes.loc[df_crimes['Offender/Victim'] == 'Offender']
#    (2000-2018)    
df_crimes1 = df_crimes1.loc[2000:2018, ['Offense', 'White', 'White pro capita', 'Black', 'Black pro capita']]

(1295 * 5 ):

1 1 ( ). :

df_crimes1['White_promln'] = df_crimes1['White pro capita'] * 1e6
df_crimes1['Black_promln'] = df_crimes1['Black pro capita'] * 1e6

, ( ), :

df_crimes_agg = df_crimes1.groupby(['Offense']).sum().loc[:, ['White', 'Black']]

:

plt = df_crimes_agg.plot.barh(color=['g', 'olive'])
plt.set_ylabel(' ')
plt.set_xlabel('-   ( 2000 - 2018 )')

, , :

• , , " " , ,

• , ( 2 " ")

, "" . , :

df_crimes_agg1 = df_crimes1.groupby(['Offense']).sum().loc[:, ['White_promln', 'Black_promln']]

:

plt = df_crimes_agg1.plot.barh(color=['g', 'olive'])
plt.set_ylabel(' ')
plt.set_xlabel('-    1    ( 2000 - 2018 )')

. ( ) , . " " 3 .

" " (All Offenses) , ( ) ( - , ).

#   'All Offenses' =  
df_crimes1 = df_crimes1.loc[df_crimes1['Offense'] == 'All Offenses']
#    , , ,    :
#df_crimes1 = df_crimes1.loc[df_crimes1['Offense'].str.contains('Assault|Murder')]

#       
df_crimes1 = df_crimes1.groupby(level=0).sum().loc[:, ['White_promln', 'Black_promln']]

:

:

plt = df_crimes1.plot(xticks=df_crimes1.index, color=['g', 'olive'])
plt.set_xticklabels(df_fenc_agg.index, rotation='vertical')
plt.set_xlabel('')
plt.set_ylabel('-  \n 1   ')
plt

:

1. 2 , , , 3 ( ).

2. ( 2 18 ). , : 2001 2006 . , 2007 2016 , 2017 . 2 ( ).

3. 2007-2016 ., , .

, :

- ?

- 3 .

: , " , ?"

- - .

, :

#  
df_uof_crimes = df_fenc_agg.join(df_crimes1, lsuffix='_uof', rsuffix='_cr')
#    (.   )
df_uof_crimes = df_uof_crimes.loc[:, 'White_pop':'Black_promln_cr']

?

, :

1. White_pop -

2. Black_pop -

3. White promln_uof - ( 1 )

4. Black promln_uof - ( 1 )

5. White promln_cr - , ( 1 )

6. Black promln_cr - , ( 1 )

, ... , :)

, . - :)

plt = df_uof_crimes['White_promln_cr'].plot(xticks=df_uof_crimes.index, legend=True)
plt.set_ylabel('-     1  .')
plt2 = df_uof_crimes['White_promln_uof'].plot(xticks=df_uof_crimes.index, legend=True, secondary_y=True, style='g')
plt2.set_ylabel('-     1  .', rotation=90)
plt2.set_xlabel('')
plt.set_xlabel('')
plt.set_xticklabels(df_uof_crimes.index, rotation='vertical')
plt

:

, . , :

plt = df_uof_crimes['Black_promln_cr'].plot(xticks=df_uof_crimes.index, legend=True)
plt.set_ylabel('-     1  .')
plt2 = df_uof_crimes['Black_promln_uof'].plot(xticks=df_uof_crimes.index, legend=True, secondary_y=True, style='g')
plt2.set_ylabel('-     1  .', rotation=90)
plt2.set_xlabel('')
plt.set_xlabel('')
plt.set_xticklabels(df_uof_crimes.index, rotation='vertical')
plt

:

: "", : , .

, :

df_corr = df_uof_crimes.loc[:, ['White_promln_cr', 'White_promln_uof', 'Black_promln_cr', 'Black_promln_uof']].corr(method='pearson')
df_corr.style.background_gradient(cmap='PuBu')

:

: = 0.885, = 0.722. , , , ( ), . , , , .

, . ( , , ). : ( 100, %):

#   ( )
df_uof_crimes_agg = df_uof_crimes.loc[:, ['White_promln_cr', 'White_promln_uof', 'Black_promln_cr', 'Black_promln_uof']].agg(['mean', 'sum', 'min', 'max'])
# ""   
df_uof_crimes_agg['White_uof_cr'] = df_uof_crimes_agg['White_promln_uof'] * 100. / df_uof_crimes_agg['White_promln_cr']
df_uof_crimes_agg['Black_uof_cr'] = df_uof_crimes_agg['Black_promln_uof'] * 100. / df_uof_crimes_agg['Black_promln_cr']

:

:

plt = df_uof_crimes_agg.loc['mean', ['White_uof_cr', 'Black_uof_cr']].plot.bar(color=['g', 'olive'])
plt.set_ylabel(' -   - ')
plt.set_xticklabels(['', ''], rotation=0)

, , . , , - .

:

1. ( ). : , .

2. , " " , ( ). , "" ( -> -> -> ).

3. , . .

, :

- , ?

- Oui, une telle corrélation est observée, bien qu'elle soit hétérogène par race: pour les blancs c'est presque idéal, pour les noirs c'est presque imparfaite.

Dans la prochaine partie de l'article, nous examinerons la répartition géographique des données analysées dans les États américains.

Lien vers la version anglaise de l'article (à la demande des travailleurs).