{"id":309461,"date":"2020-09-04T09:00:51","date_gmt":"2020-09-04T09:00:51","guid":{"rendered":"http:\/\/savepearlharbor.com\/?p=309461"},"modified":"-0001-11-30T00:00:00","modified_gmt":"-0001-11-29T21:00:00","slug":"","status":"publish","type":"post","link":"https:\/\/savepearlharbor.com\/?p=309461","title":{"rendered":"Black [O]lives Matter: \u0440\u0430\u0441\u0430, \u043a\u0440\u0438\u043c\u0438\u043d\u0430\u043b \u0438 \u043e\u0433\u043e\u043d\u044c \u043d\u0430 \u043f\u043e\u0440\u0430\u0436\u0435\u043d\u0438\u0435 \u0432 \u0421\u0428\u0410. \u0427\u0430\u0441\u0442\u044c 2"},"content":{"rendered":"\n
\n

\u0412 \u043f\u0435\u0440\u0432\u043e\u0439 \u0447\u0430\u0441\u0442\u0438 \u0441\u0442\u0430\u0442\u044c\u0438<\/a> \u044f \u043e\u043f\u0438\u0441\u0430\u043b \u043f\u0440\u0435\u0434\u043f\u043e\u0441\u044b\u043b\u043a\u0438 \u0434\u043b\u044f \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u043d\u0438\u044f, \u0435\u0433\u043e \u0446\u0435\u043b\u0438, \u0434\u043e\u043f\u0443\u0449\u0435\u043d\u0438\u044f, \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0438 \u0438\u043d\u0441\u0442\u0440\u0443\u043c\u0435\u043d\u0442\u044b. \u0421\u0435\u0439\u0447\u0430\u0441 \u043c\u043e\u0436\u043d\u043e \u0431\u0435\u0437 \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0438\u0445 \u0440\u0430\u0437\u0433\u043b\u0430\u0433\u043e\u043b\u044c\u0441\u0442\u0432\u043e\u0432\u0430\u043d\u0438\u0439 \u0441\u043a\u0430\u0437\u0430\u0442\u044c \u0433\u0430\u0433\u0430\u0440\u0438\u043d\u0441\u043a\u043e\u0435…<\/p>\n

\u041f\u043e\u0435\u0445\u0430\u043b\u0438!<\/h2>\n

\u0418\u043c\u043f\u043e\u0440\u0442\u0438\u0440\u0443\u0435\u043c \u0431\u0438\u0431\u043b\u0438\u043e\u0442\u0435\u043a\u0438 \u0438 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u044f\u0435\u043c \u043f\u0443\u0442\u044c \u043a \u0434\u0438\u0440\u0435\u043a\u0442\u043e\u0440\u0438\u0438 \u0441\u043e \u0432\u0441\u0435\u043c\u0438 \u0444\u0430\u0439\u043b\u0430\u043c\u0438:<\/p>\n

import pandas as pd, numpy as np  # \u043f\u0443\u0442\u044c \u043a \u043f\u0430\u043f\u043a\u0435 \u0441 \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u043c\u0438 \u0444\u0430\u0439\u043b\u0430\u043c\u0438 ROOT_FOLDER = r'c:\\_PROG_\\Projects\\us_crimes'<\/code><\/pre>\n
\u0413\u0438\u0431\u0435\u043b\u044c \u043e\u0442 \u0440\u0443\u043a \u0437\u0430\u043a\u043e\u043d\u0430<\/h2>\n
<\/figcaption><\/figure>\n
\u041d\u0430\u0447\u043d\u0435\u043c \u0441 \u0430\u043d\u0430\u043b\u0438\u0437\u0430 \u0434\u0430\u043d\u043d\u044b\u0445 \u043f\u043e \u0436\u0435\u0440\u0442\u0432\u0430\u043c \u043f\u043e\u043b\u0438\u0446\u0438\u0438. \u0414\u0430\u0432\u0430\u0439\u0442\u0435 \u043f\u043e\u0434\u0433\u0440\u0443\u0437\u0438\u043c \u0444\u0430\u0439\u043b \u0438\u0437 CSV \u0432 DataFrame:<\/p>\n
# \u0424\u0430\u0439\u043b \u0441 \u0411\u0414 Fatal Encounters (FENC) FENC_FILE = ROOT_FOLDER + '\\\\fatal_enc_db.csv'  # \u0433\u0440\u0443\u0437\u0438\u043c \u0432 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)\"])<\/code><\/pre>\n
\u0417\u0430\u043c\u0435\u0442\u044c\u0442\u0435 \u0441\u0440\u0430\u0437\u0443, \u0447\u0442\u043e \u043c\u044b \u043d\u0435 \u0433\u0440\u0443\u0437\u0438\u043c \u0432\u0441\u0435 \u043f\u043e\u043b\u044f \u0438\u0437 \u0411\u0414, \u0430 \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u043d\u0430\u043c \u0434\u043b\u044f \u0430\u043d\u0430\u043b\u0438\u0437\u0430: \u0433\u043e\u0434, \u0440\u0430\u0441\u043e\u0432\u0430\u044f \u043f\u0440\u0438\u043d\u0430\u0434\u043b\u0435\u0436\u043d\u043e\u0441\u0442\u044c (\u0441 \u0443\u0447\u0435\u0442\u043e\u043c \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043d\u043e\u0439 \u043e\u0446\u0435\u043d\u043a\u0438), \u043f\u0440\u0438\u0447\u0438\u043d\u0430 \u0441\u043c\u0435\u0440\u0442\u0438 (\u0437\u0434\u0435\u0441\u044c \u043f\u043e\u043a\u0430 \u043d\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u0442\u0441\u044f, \u043d\u043e \u043c\u043e\u0436\u0435\u0442 \u043f\u043e\u043d\u0430\u0434\u043e\u0431\u0438\u0442\u044c\u0441\u044f \u0432 \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u043c), \u043f\u0440\u0438\u0437\u043d\u0430\u043a \u043d\u0430\u043c\u0435\u0440\u0435\u043d\u043d\u043e\u0433\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044f \u0441\u0438\u043b\u044b \u0438 \u0448\u0442\u0430\u0442, \u0432 \u043a\u043e\u0442\u043e\u0440\u043e\u043c \u0438\u043c\u0435\u043b\u043e \u043c\u0435\u0441\u0442\u043e \u0441\u043e\u0431\u044b\u0442\u0438\u0435.<\/p>\n
\u0417\u0434\u0435\u0441\u044c \u043d\u0430\u0434\u043e \u043f\u043e\u044f\u0441\u043d\u0438\u0442\u044c, \u0447\u0442\u043e \u0442\u0430\u043a\u043e\u0435 «\u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043d\u0430\u044f \u043e\u0446\u0435\u043d\u043a\u0430» \u0440\u0430\u0441\u043e\u0432\u043e\u0439 \u043f\u0440\u0438\u043d\u0430\u0434\u043b\u0435\u0436\u043d\u043e\u0441\u0442\u0438. \u0414\u0435\u043b\u043e \u0432 \u0442\u043e\u043c, \u0447\u0442\u043e \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u044b\u0435 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0438, \u043e\u0442\u043a\u0443\u0434\u0430 FENC \u0441\u043e\u0431\u0438\u0440\u0430\u0435\u0442 \u0434\u0430\u043d\u043d\u044b\u0435, \u043d\u0435 \u0432\u0441\u0435\u0433\u0434\u0430 \u0443\u043a\u0430\u0437\u044b\u0432\u0430\u044e\u0442 \u0440\u0430\u0441\u0443 \u0436\u0435\u0440\u0442\u0432\u044b, \u043e\u0442\u0441\u044e\u0434\u0430 \u043f\u043e\u043b\u0443\u0447\u0430\u044e\u0442\u0441\u044f \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0438 \u0432 \u0434\u0430\u043d\u043d\u044b\u0445. \u0414\u043b\u044f \u043a\u043e\u043c\u043f\u0435\u043d\u0441\u0430\u0446\u0438\u0438 \u044d\u0442\u0438\u0445 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u043e\u0432 \u0441\u043e\u043e\u0431\u0449\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u0438\u0432\u043b\u0435\u043a\u0430\u0435\u0442 \u044d\u043a\u0441\u043f\u0435\u0440\u0442\u043e\u0432, \u043e\u0446\u0435\u043d\u0438\u0432\u0430\u044e\u0449\u0438\u0445 \u0440\u0430\u0441\u0443 \u0436\u0435\u0440\u0442\u0432\u044b \u043f\u043e \u0434\u0440\u0443\u0433\u0438\u043c \u0434\u0430\u043d\u043d\u044b\u043c (\u0441 \u043e\u043f\u0440\u0435\u0434\u0435\u043b\u0435\u043d\u043d\u043e\u0439 \u043f\u043e\u0433\u0440\u0435\u0448\u043d\u043e\u0441\u0442\u044c\u044e). \u0411\u043e\u043b\u0435\u0435 \u043f\u043e\u0434\u0440\u043e\u0431\u043d\u043e \u043d\u0430 \u044d\u0442\u0443 \u0442\u0435\u043c\u0443 \u043c\u043e\u0436\u0435\u0442\u0435 \u043f\u043e\u0447\u0438\u0442\u0430\u0442\u044c \u043d\u0430 \u0441\u0430\u043c\u043e\u043c \u0441\u0430\u0439\u0442\u0435 Fatal Encounters<\/a> \u0438\u043b\u0438 \u0437\u0430\u0433\u0440\u0443\u0437\u0438\u0432 \u0438\u0441\u0445\u043e\u0434\u043d\u044b\u0439 Excel \u0444\u0430\u0439\u043b <\/a>(\u0432\u043e \u0432\u0442\u043e\u0440\u043e\u043c \u043b\u0438\u0441\u0442\u0435).<\/p>\n
\u041f\u0435\u0440\u0435\u0438\u043c\u0435\u043d\u0443\u0435\u043c \u0441\u0442\u043e\u043b\u0431\u0446\u044b \u0434\u043b\u044f \u0443\u0434\u043e\u0431\u0441\u0442\u0432\u0430 \u0438 \u043e\u0447\u0438\u0441\u0442\u0438\u043c \u0441\u0442\u0440\u043e\u043a\u0438 \u0441 \u043f\u0440\u043e\u043f\u0443\u0449\u0435\u043d\u043d\u044b\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438:<\/p>\n
df_fenc.columns = ['Race', 'State', 'Cause', 'UOF', 'Year'] df_fenc.dropna(inplace=True)<\/code><\/pre>\n
\u0422\u0435\u043f\u0435\u0440\u044c \u043d\u0430\u043c \u043d\u0430\u0434\u043e \u0443\u043d\u0438\u0444\u0438\u0446\u0438\u0440\u043e\u0432\u0430\u0442\u044c \u043d\u0430\u0438\u043c\u0435\u043d\u043e\u0432\u0430\u043d\u0438\u044f \u0440\u0430\u0441\u043e\u0432\u043e\u0439 \u043f\u0440\u0438\u043d\u0430\u0434\u043b\u0435\u0436\u043d\u043e\u0441\u0442\u0438 \u0434\u043b\u044f \u0442\u043e\u0433\u043e, \u0447\u0442\u043e\u0431\u044b \u0432 \u0434\u0430\u043b\u044c\u043d\u0435\u0439\u0448\u0435\u043c \u0441\u043e\u043f\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0442\u044c \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u043f\u043e \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u044f\u043c \u0438 \u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u043d\u0430\u0441\u0435\u043b\u0435\u043d\u0438\u044f. \u041a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0446\u0438\u044f \u0440\u0430\u0441 \u0432 \u044d\u0442\u0438\u0445 \u0438\u0441\u0442\u043e\u0447\u043d\u0438\u043a\u0430\u0445 \u043d\u0435\u043c\u043d\u043e\u0433\u043e \u0440\u0430\u0437\u043d\u0430\u044f. \u0411\u0414 FENC, \u0432 \u0447\u0430\u0441\u0442\u043d\u043e\u0441\u0442\u0438, \u0432\u044b\u0434\u0435\u043b\u044f\u0435\u0442 \u043b\u0430\u0442\u0438\u043d\u043e\u0430\u043c\u0435\u0440\u0438\u043a\u0430\u043d\u0446\u0435\u0432 (Hispanic\/Latino), \u0430\u0437\u0438\u0430\u0442\u043e\u0432 \u0438 \u0443\u0440\u043e\u0436\u0435\u043d\u0446\u0435\u0432 \u0442\u0438\u0445\u043e\u043e\u043a\u0435\u0430\u043d\u0441\u043a\u0438\u0445 \u0442\u0435\u0440\u0440\u0438\u0442\u043e\u0440\u0438\u0439 (Asian\/Pacific Islander) \u0438 \u0441\u0440\u0435\u0434\u043d\u0435\u0430\u0437\u0438\u0430\u0442\u043e\u0432 (Middle Eastern). \u041d\u0430\u0441 \u0436\u0435 \u0438\u043d\u0442\u0435\u0440\u0435\u0441\u0443\u044e\u0442 \u0442\u043e\u043b\u044c\u043a\u043e \u0431\u0435\u043b\u044b\u0435 \u0438 \u0447\u0435\u0440\u043d\u044b\u0435. \u041f\u043e\u044d\u0442\u043e\u043c\u0443 \u0441\u0434\u0435\u043b\u0430\u0435\u043c \u0443\u043a\u0440\u0443\u043f\u043d\u0435\u043d\u0438\u0435:<\/p>\n
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)<\/code><\/pre>\n
\u041e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u043c \u0442\u043e\u043b\u044c\u043a\u043e \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0431\u0435\u043b\u044b\u043c (\u0442\u0435\u043f\u0435\u0440\u044c \u0441 \u0443\u0447\u0435\u0442\u043e\u043c \u043b\u0430\u0442\u0438\u043d\u043e) \u0438 \u0447\u0435\u0440\u043d\u044b\u043c:<\/p>\n
df_fenc = df_fenc.loc[df_fenc['Race'].isin(['White', 'Black'])]<\/code><\/pre>\n
\u0417\u0430\u0447\u0435\u043c \u043d\u0430\u043c \u043f\u043e\u043b\u0435 «UOF» (\u043d\u0430\u043c\u0435\u0440\u0435\u043d\u043d\u043e\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u043e\u0432\u0430\u043d\u0438\u0435 \u0441\u0438\u043b\u044b)? \u0414\u043b\u044f \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u043d\u0438\u044f \u043c\u044b \u0445\u043e\u0442\u0438\u043c \u043e\u0441\u0442\u0430\u0432\u0438\u0442\u044c \u0442\u043e\u043b\u044c\u043a\u043e \u0441\u043b\u0443\u0447\u0430\u0438, \u043a\u043e\u0433\u0434\u0430 \u043f\u043e\u043b\u0438\u0446\u0438\u044f (\u0438\u043b\u0438 \u0438\u043d\u044b\u0435 \u043f\u0440\u0430\u0432\u043e\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0435 \u043e\u0440\u0433\u0430\u043d\u044b) \u043d\u0430\u043c\u0435\u0440\u0435\u043d\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u044f\u043b\u0438 \u0441\u0438\u043b\u0443 \u043f\u0440\u043e\u0442\u0438\u0432 \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430. \u041c\u044b \u043e\u043f\u0443\u0441\u043a\u0430\u0435\u043c \u0441\u043b\u0443\u0447\u0430\u0438, \u043a\u043e\u0433\u0434\u0430 \u0447\u0435\u043b\u043e\u0432\u0435\u043a \u0441\u043e\u0432\u0435\u0440\u0448\u0438\u043b \u0441\u0430\u043c\u043e\u0443\u0431\u0438\u0439\u0441\u0442\u0432\u043e (\u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0432 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u0435 \u043e\u0441\u0430\u0434\u044b \u043f\u043e\u043b\u0438\u0446\u0438\u0435\u0439) \u0438\u043b\u0438 \u043f\u043e\u0433\u0438\u0431 \u0432 \u0440\u0435\u0437\u0443\u043b\u044c\u0442\u0430\u0442\u0435 \u0414\u0422\u041f, \u043f\u0440\u0435\u0441\u043b\u0435\u0434\u0443\u0435\u043c\u044b\u0439 \u043f\u043e\u043b\u0438\u0446\u0435\u0439\u0441\u043a\u0438\u043c\u0438. \u042d\u0442\u043e \u0434\u043e\u043f\u0443\u0449\u0435\u043d\u0438\u0435 \u0441\u0434\u0435\u043b\u0430\u043d\u043e \u043f\u043e \u0434\u0432\u0443\u043c \u043f\u0440\u0438\u0447\u0438\u043d\u0430\u043c: 1) \u043e\u0431\u0441\u0442\u043e\u044f\u0442\u0435\u043b\u044c\u0441\u0442\u0432\u0430 \u0433\u0438\u0431\u0435\u043b\u0438 \u043f\u043e \u043a\u043e\u0441\u0432\u0435\u043d\u043d\u044b\u043c \u043f\u0440\u0438\u0447\u0438\u043d\u0430\u043c \u0447\u0430\u0441\u0442\u043e \u043d\u0435 \u043f\u043e\u0437\u0432\u043e\u043b\u044f\u044e\u0442 \u043f\u0440\u043e\u0432\u0435\u0441\u0442\u0438 \u043f\u0440\u044f\u043c\u0443\u044e \u043f\u0440\u0438\u0447\u0438\u043d\u043d\u043e-\u0441\u043b\u0435\u0434\u0441\u0442\u0432\u0435\u043d\u043d\u0443\u044e \u0441\u0432\u044f\u0437\u044c \u043c\u0435\u0436\u0434\u0443 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u044f\u043c\u0438 \u043f\u0440\u0430\u0432\u043e\u043e\u0445\u0440\u0430\u043d\u0438\u0442\u0435\u043b\u044c\u043d\u044b\u0445 \u043e\u0440\u0433\u0430\u043d\u043e\u0432 \u0438 \u0441\u043c\u0435\u0440\u0442\u044c\u044e (\u043f\u0440\u0438\u043c\u0435\u0440: \u043f\u043e\u043b\u0438\u0446\u0435\u0439\u0441\u043a\u0438\u0439 \u0434\u0435\u0440\u0436\u0438\u0442 \u043d\u0430 \u043c\u0443\u0448\u043a\u0435 \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u0437\u0430\u0442\u0435\u043c \u0443\u043c\u0438\u0440\u0430\u0435\u0442 \u043e\u0442 \u0441\u0435\u0440\u0434\u0435\u0447\u043d\u043e\u0433\u043e \u043f\u0440\u0438\u0441\u0442\u0443\u043f\u0430; \u0434\u0440\u0443\u0433\u043e\u0439 \u043f\u0440\u0438\u043c\u0435\u0440: \u043f\u0440\u0438 \u0437\u0430\u0434\u0435\u0440\u0436\u0430\u043d\u0438\u0438 \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043d\u0438\u043a \u043f\u0443\u0441\u043a\u0430\u0435\u0442 \u0441\u0435\u0431\u0435 \u043f\u0443\u043b\u044e \u0432 \u043b\u043e\u0431); 2) \u043f\u0440\u0438 \u0440\u0430\u0441\u0441\u043c\u043e\u0442\u0440\u0435\u043d\u0438\u0438 \u0434\u0435\u0439\u0441\u0442\u0432\u0438\u0439 \u0432\u043b\u0430\u0441\u0442\u0435\u0439 \u0440\u0430\u0441\u0446\u0435\u043d\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u0438\u043c\u0435\u043d\u043d\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0441\u0438\u043b\u044b; \u0442\u0430\u043a, \u043d\u0430\u043f\u0440\u0438\u043c\u0435\u0440, \u0431\u0443\u0434\u0443\u0449\u0430\u044f \u043e\u0444\u0438\u0446\u0438\u0430\u043b\u044c\u043d\u0430\u044f \u0411\u0414 \u043f\u043e \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u044e \u0441\u0438\u043b\u044b (\u043a\u043e\u0442\u043e\u0440\u0443\u044e \u044f \u0443\u043f\u043e\u043c\u044f\u043d\u0443\u043b \u0432 \u043f\u0440\u0435\u0434\u044b\u0434\u0443\u0449\u0435\u0439 \u0441\u0442\u0430\u0442\u044c\u0435) \u0431\u0443\u0434\u0435\u0442 \u0441\u043e\u0434\u0435\u0440\u0436\u0430\u0442\u044c \u0438\u043c\u0435\u043d\u043d\u043e \u0434\u0430\u043d\u043d\u044b\u0435, \u043e\u0442\u0440\u0430\u0436\u0430\u044e\u0449\u0430\u044f \u043d\u0430\u043c\u0435\u0440\u0435\u043d\u043d\u043e\u0435 \u043f\u0440\u0438\u043c\u0435\u043d\u0435\u043d\u0438\u0435 \u0441\u043c\u0435\u0440\u0442\u0435\u043b\u044c\u043d\u043e\u0439 \u0441\u0438\u043b\u044b \u043f\u0440\u043e\u0442\u0438\u0432 \u0433\u0440\u0430\u0436\u0434\u0430\u043d. \u0418\u0442\u0430\u043a, \u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u043c \u0442\u043e\u043b\u044c\u043a\u043e \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435:<\/p>\n
df_fenc = df_fenc.loc[df_fenc['UOF'].isin(['Deadly force', 'Intentional use of force'])]<\/code><\/pre>\n
\u0414\u043b\u044f \u0443\u0434\u043e\u0431\u0441\u0442\u0432\u0430 \u0434\u043e\u0431\u0430\u0432\u0438\u043c \u043f\u043e\u043b\u043d\u044b\u0435 \u043d\u0430\u0437\u0432\u0430\u043d\u0438\u044f \u0448\u0442\u0430\u0442\u043e\u0432. \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u044f \u043f\u0440\u0438\u0433\u043e\u0442\u043e\u0432\u0438\u043b \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0439 CSV<\/a>, \u043a\u043e\u0442\u043e\u0440\u044b\u0439 \u043c\u044b \u0438 \u043f\u043e\u0434\u0433\u0440\u0443\u0437\u0438\u043c \u0432 \u043d\u0430\u0448 \u0434\u0430\u0442\u0430\u0441\u0435\u0442:<\/p>\n
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')<\/code><\/pre>\n
\u041e\u0442\u043e\u0431\u0440\u0430\u0437\u0438\u043c \u043d\u0430\u0447\u0430\u043b\u044c\u043d\u044b\u0435 \u0441\u0442\u0440\u043e\u043a\u0438 \u043a\u043e\u043c\u0430\u043d\u0434\u043e\u0439 df_fenc.head()<\/code>, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u043f\u0440\u0435\u0434\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u0438\u0435 \u043e \u0434\u0430\u0442\u0430\u0441\u0435\u0442\u0435:<\/p>\n
\n\n\n\n\n\n\n\n\n
\n<\/th>\n\n
Race<\/p>\n<\/th>\n
\n
State<\/p>\n<\/th>\n
\n
Cause<\/p>\n<\/th>\n
\n
UOF<\/p>\n<\/th>\n
\n
Year<\/p>\n<\/th>\n
\n
state_name<\/p>\n<\/th>\n
\n
state_abbr<\/p>\n<\/th>\n<\/tr>\n
\n
0<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n
\n
Gunshot<\/p>\n<\/td>\n
\n
Deadly force<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
Georgia<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n<\/tr>\n
\n
1<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n
\n
Gunshot<\/p>\n<\/td>\n
\n
Deadly force<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
Georgia<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n<\/tr>\n
\n
2<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n
\n
Gunshot<\/p>\n<\/td>\n
\n
Deadly force<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
Georgia<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n<\/tr>\n
\n
3<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n
\n
Gunshot<\/p>\n<\/td>\n
\n
Deadly force<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
Georgia<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n<\/tr>\n
\n
4<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n
\n
Gunshot<\/p>\n<\/td>\n
\n
Deadly force<\/p>\n<\/td>\n
\n
2000<\/p>\n<\/td>\n
\n
Georgia<\/p>\n<\/td>\n
\n
GA<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
\u041d\u0430\u043c \u043d\u0435 \u043d\u0443\u0436\u043d\u043e \u0440\u0430\u0437\u0431\u0438\u0440\u0430\u0442\u044c \u043e\u0442\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u0441\u043b\u0443\u0447\u0430\u0438 \u0433\u0438\u0431\u0435\u043b\u0438, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u0430\u0433\u0440\u0435\u0433\u0438\u0440\u0443\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0433\u043e\u0434\u0430\u043c \u0438 \u0440\u0430\u0441\u043e\u0432\u043e\u0439 \u043f\u0440\u0438\u043d\u0430\u0434\u043b\u0435\u0436\u043d\u043e\u0441\u0442\u0438:<\/p>\n
# \u0433\u0440\u0443\u043f\u043f\u0438\u0440\u0443\u0435\u043c \u043f\u043e \u0433\u043e\u0434\u0443 \u0438 \u0440\u0430\u0441\u0435 ds_fenc_agg = df_fenc.groupby(['Year', 'Race']).count()['Cause'] df_fenc_agg = ds_fenc_agg.unstack(level=1) # \u043a\u043e\u043d\u0432\u0435\u0440\u0442\u0438\u0440\u0443\u0435\u043c \u0447\u0438\u0441\u043b\u0435\u043d\u043d\u044b\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 UINT16 \u0434\u043b\u044f \u044d\u043a\u043e\u043d\u043e\u043c\u0438\u0438 df_fenc_agg = df_fenc_agg.astype('uint16')<\/code><\/pre>\n
\u0412 \u0438\u0442\u043e\u0433\u0435 \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u0438 \u0442\u0430\u0431\u043b\u0438\u0446\u0443 \u0441 2 \u0441\u0442\u043e\u043b\u0431\u0446\u0430\u043c\u0438: White (\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0431\u0435\u043b\u044b\u0445 \u0436\u0435\u0440\u0442\u0432) \u0438 Black (\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0447\u0435\u0440\u043d\u044b\u0445 \u0436\u0435\u0440\u0442\u0432), \u0438\u043d\u0434\u0435\u043a\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u043d\u0443\u044e \u043f\u043e \u0433\u043e\u0434\u0430\u043c (\u0441 2000 \u043f\u043e 2020). \u0414\u0430\u0432\u0430\u0439\u0442\u0435 \u0432\u0437\u0433\u043b\u044f\u043d\u0435\u043c \u043d\u0430 \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 \u0432\u0438\u0434\u0435 \u0433\u0440\u0430\u0444\u0438\u043a\u0430:<\/p>\n
# \u0431\u0435\u043b\u044b\u0435 \u0438 \u0447\u0435\u0440\u043d\u044b\u0435 \u0436\u0435\u0440\u0442\u0432\u044b \u043f\u043e\u043b\u0438\u0446\u0435\u0439\u0441\u043a\u0438\u0445 \u043f\u043e \u0433\u043e\u0434\u0430\u043c (\u043a\u043e\u043b-\u0432\u043e \u0433\u0438\u0431\u0435\u043b\u0435\u0439) plt = df_fenc_agg.plot(xticks=df_fenc_agg.index) plt.set_xticklabels(df_fenc_agg.index, rotation='vertical') plt<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u041f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0439 \u0432\u044b\u0432\u043e\u0434:<\/strong><\/p>\n
\n
\u0412 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0435\u043d\u043d\u043e\u043c (\u0430\u0431\u0441\u043e\u043b\u044e\u0442\u043d\u043e\u043c) \u0432\u044b\u0440\u0430\u0436\u0435\u043d\u0438\u0438 \u0431\u0435\u043b\u044b\u0445 \u0436\u0435\u0440\u0442\u0432 \u0431\u043e\u043b\u044c\u0448\u0435, \u0447\u0435\u043c \u0447\u0435\u0440\u043d\u044b\u0445.<\/p>\n<\/blockquote>\n
\u0420\u0430\u0437\u043d\u0438\u0446\u0430 \u043c\u0435\u0436\u0434\u0443 \u044d\u0442\u0438\u043c\u0438 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u0441\u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u0442 \u0432 \u0441\u0440\u0435\u0434\u043d\u0435\u043c 2.4 \u0440\u0430\u0437\u0430. \u041d\u0430\u043f\u0440\u0430\u0448\u0438\u0432\u0430\u0435\u0442\u0441\u044f \u0441\u043f\u0440\u0430\u0432\u0435\u0434\u043b\u0438\u0432\u043e\u0435 \u0437\u0430\u043a\u043b\u044e\u0447\u0435\u043d\u0438\u0435 \u043e \u0442\u043e\u043c, \u0447\u0442\u043e \u044d\u0442\u043e \u0441\u0432\u044f\u0437\u0430\u043d\u043e \u0441 \u0440\u0430\u0437\u043d\u0438\u0446\u0435\u0439 \u0432 \u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u0431\u0435\u043b\u044b\u0445 \u0438 \u0447\u0435\u0440\u043d\u044b\u0445. \u0427\u0442\u043e \u0436\u0435, \u0434\u0430\u0432\u0430\u0439\u0442\u0435 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0442\u0435\u043f\u0435\u0440\u044c \u043d\u0430 \u0443\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u0438. <\/p>\n
\u041f\u043e\u0434\u0433\u0440\u0443\u0437\u0438\u043c \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u043d\u0430\u0441\u0435\u043b\u0435\u043d\u0438\u044f (\u043f\u043e \u0440\u0430\u0441\u0430\u043c):<\/p>\n
# \u0444\u0430\u0439\u043b CSV \u0441 \u0434\u0430\u043d\u043d\u044b\u043c\u0438 \u043f\u043e \u043d\u0430\u0441\u0435\u043b\u0435\u043d\u0438\u044e (1991 - 2018) POP_FILE = ROOT_FOLDER + '\\\\us_pop_1991-2018.csv' df_pop = pd.read_csv(POP_FILE, index_col=0, dtype='int64')<\/code><\/pre>\n
\u0414\u043e\u0431\u0430\u0432\u0438\u043c \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u0432 \u043d\u0430\u0448 \u0434\u0430\u0442\u0430\u0441\u0435\u0442:<\/p>\n
# \u0432\u044b\u0431\u0438\u0440\u0430\u0435\u043c \u0442\u043e\u043b\u044c\u043a\u043e \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0447\u0438\u0441\u043b-\u0442\u0438 \u0431\u0435\u043b\u044b\u0445 \u0438 \u0447\u0435\u0440\u043d\u044b\u0445 \u0437\u0430 2000 - 2018 \u0433\u0433. df_pop = df_pop.loc[2000:2018, ['White_pop', 'Black_pop']]  # \u043e\u0431\u044a\u0435\u0434\u0438\u043d\u044f\u0435\u043c \u0434\u0430\u0442\u0430\u0444\u0440\u0435\u0439\u043c\u044b, \u0432\u044b\u043a\u0438\u0434\u044b\u0432\u0430\u0435\u043c \u0441\u0442\u0440\u043e\u043a\u0438 \u0441 \u043f\u0440\u043e\u043f\u0443\u0441\u043a\u0430\u043c\u0438 df_fenc_agg = df_fenc_agg.join(df_pop) df_fenc_agg.dropna(inplace=True)  # \u043a\u043e\u043d\u0432\u0435\u0440\u0442\u0438\u0440\u0443\u0435\u043c \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0441\u0442\u0438 \u0432 \u0446\u0435\u043b\u043e\u0447\u0438\u0441\u043b\u0435\u043d\u043d\u044b\u0439 \u0442\u0438\u043f df_fenc_agg = df_fenc_agg.astype({'White_pop': 'uint32', 'Black_pop': 'uint32'})<\/code><\/pre>\n
\u041e\u041a. \u041e\u0441\u0442\u0430\u043b\u043e\u0441\u044c \u0441\u043e\u0437\u0434\u0430\u0442\u044c 2 \u0441\u0442\u043e\u043b\u0431\u0446\u0430 \u0441 \u0443\u0434\u0435\u043b\u044c\u043d\u044b\u043c\u0438 \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u044f\u043c\u0438, \u0440\u0430\u0437\u0434\u0435\u043b\u0438\u0432 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0436\u0435\u0440\u0442\u0432 \u043d\u0430 \u0447\u0438\u0441\u043b\u0435\u043d\u043d\u043e\u0441\u0442\u044c \u0438 \u0443\u043c\u043d\u043e\u0436\u0438\u0432 \u043d\u0430 \u043c\u0438\u043b\u043b\u0438\u043e\u043d (\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0436\u0435\u0440\u0442\u0432 \u043d\u0430 1 \u043c\u043b\u043d. \u0447\u0435\u043b\u043e\u0432\u0435\u043a<\/em>):<\/p>\n
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']<\/code><\/pre>\n
\u0421\u043c\u043e\u0442\u0440\u0438\u043c, \u0447\u0442\u043e \u043f\u043e\u043b\u0443\u0447\u0438\u043b\u043e\u0441\u044c:<\/p>\n
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n<\/th>\n\n
Black<\/p>\n<\/th>\n
\n
White<\/p>\n<\/th>\n
\n
White_pop<\/p>\n<\/th>\n
\n
Black_pop<\/p>\n<\/th>\n
\n
White_promln<\/p>\n<\/th>\n
\n
Black_promln<\/p>\n<\/th>\n<\/tr>\n
\n
Year<\/p>\n<\/th>\n
\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n<\/tr>\n
\n
2000<\/p>\n<\/th>\n
\n
148<\/p>\n<\/td>\n
\n
291<\/p>\n<\/td>\n
\n
218756353<\/p>\n<\/td>\n
\n
35410436<\/p>\n<\/td>\n
\n
1.330247<\/p>\n<\/td>\n
\n
4.179559<\/p>\n<\/td>\n<\/tr>\n
\n
2001<\/p>\n<\/th>\n
\n
158<\/p>\n<\/td>\n
\n
353<\/p>\n<\/td>\n
\n
219843871<\/p>\n<\/td>\n
\n
35758783<\/p>\n<\/td>\n
\n
1.605685<\/p>\n<\/td>\n
\n
4.418495<\/p>\n<\/td>\n<\/tr>\n
\n
2002<\/p>\n<\/th>\n
\n
161<\/p>\n<\/td>\n
\n
363<\/p>\n<\/td>\n
\n
220931389<\/p>\n<\/td>\n
\n
36107130<\/p>\n<\/td>\n
\n
1.643044<\/p>\n<\/td>\n
\n
4.458953<\/p>\n<\/td>\n<\/tr>\n
\n
2003<\/p>\n<\/th>\n
\n
179<\/p>\n<\/td>\n
\n
388<\/p>\n<\/td>\n
\n
222018906<\/p>\n<\/td>\n
\n
36455476<\/p>\n<\/td>\n
\n
1.747599<\/p>\n<\/td>\n
\n
4.910099<\/p>\n<\/td>\n<\/tr>\n
\n
2004<\/p>\n<\/th>\n
\n
157<\/p>\n<\/td>\n
\n
435<\/p>\n<\/td>\n
\n
223106424<\/p>\n<\/td>\n
\n
36803823<\/p>\n<\/td>\n
\n
1.949742<\/p>\n<\/td>\n
\n
4.265861<\/p>\n<\/td>\n<\/tr>\n
\n
2005<\/p>\n<\/th>\n
\n
181<\/p>\n<\/td>\n
\n
452<\/p>\n<\/td>\n
\n
224193942<\/p>\n<\/td>\n
\n
37152170<\/p>\n<\/td>\n
\n
2.016112<\/p>\n<\/td>\n
\n
4.871855<\/p>\n<\/td>\n<\/tr>\n
\n
2006<\/p>\n<\/th>\n
\n
212<\/p>\n<\/td>\n
\n
460<\/p>\n<\/td>\n
\n
225281460<\/p>\n<\/td>\n
\n
37500517<\/p>\n<\/td>\n
\n
2.041890<\/p>\n<\/td>\n
\n
5.653255<\/p>\n<\/td>\n<\/tr>\n
\n
2007<\/p>\n<\/th>\n
\n
219<\/p>\n<\/td>\n
\n
449<\/p>\n<\/td>\n
\n
226368978<\/p>\n<\/td>\n
\n
37848864<\/p>\n<\/td>\n
\n
1.983487<\/p>\n<\/td>\n
\n
5.786171<\/p>\n<\/td>\n<\/tr>\n
\n
2008<\/p>\n<\/th>\n
\n
213<\/p>\n<\/td>\n
\n
442<\/p>\n<\/td>\n
\n
227456495<\/p>\n<\/td>\n
\n
38197211<\/p>\n<\/td>\n
\n
1.943229<\/p>\n<\/td>\n
\n
5.576323<\/p>\n<\/td>\n<\/tr>\n
\n
2009<\/p>\n<\/th>\n
\n
249<\/p>\n<\/td>\n
\n
478<\/p>\n<\/td>\n
\n
228544013<\/p>\n<\/td>\n
\n
38545558<\/p>\n<\/td>\n
\n
2.091501<\/p>\n<\/td>\n
\n
6.459888<\/p>\n<\/td>\n<\/tr>\n
\n
2010<\/p>\n<\/th>\n
\n
219<\/p>\n<\/td>\n
\n
506<\/p>\n<\/td>\n
\n
229397472<\/p>\n<\/td>\n
\n
38874625<\/p>\n<\/td>\n
\n
2.205778<\/p>\n<\/td>\n
\n
5.633495<\/p>\n<\/td>\n<\/tr>\n
\n
2011<\/p>\n<\/th>\n
\n
290<\/p>\n<\/td>\n
\n
577<\/p>\n<\/td>\n
\n
230838975<\/p>\n<\/td>\n
\n
39189528<\/p>\n<\/td>\n
\n
2.499578<\/p>\n<\/td>\n
\n
7.399936<\/p>\n<\/td>\n<\/tr>\n
\n
2012<\/p>\n<\/th>\n
\n
302<\/p>\n<\/td>\n
\n
632<\/p>\n<\/td>\n
\n
231992377<\/p>\n<\/td>\n
\n
39623138<\/p>\n<\/td>\n
\n
2.724227<\/p>\n<\/td>\n
\n
7.621809<\/p>\n<\/td>\n<\/tr>\n
\n
2013<\/p>\n<\/th>\n
\n
310<\/p>\n<\/td>\n
\n
693<\/p>\n<\/td>\n
\n
232969901<\/p>\n<\/td>\n
\n
39919371<\/p>\n<\/td>\n
\n
2.974633<\/p>\n<\/td>\n
\n
7.765653<\/p>\n<\/td>\n<\/tr>\n
\n
2014<\/p>\n<\/th>\n
\n
264<\/p>\n<\/td>\n
\n
704<\/p>\n<\/td>\n
\n
233963128<\/p>\n<\/td>\n
\n
40379066<\/p>\n<\/td>\n
\n
3.009021<\/p>\n<\/td>\n
\n
6.538041<\/p>\n<\/td>\n<\/tr>\n
\n
2015<\/p>\n<\/th>\n
\n
272<\/p>\n<\/td>\n
\n
729<\/p>\n<\/td>\n
\n
234940100<\/p>\n<\/td>\n
\n
40695277<\/p>\n<\/td>\n
\n
3.102919<\/p>\n<\/td>\n
\n
6.683822<\/p>\n<\/td>\n<\/tr>\n
\n
2016<\/p>\n<\/th>\n
\n
269<\/p>\n<\/td>\n
\n
723<\/p>\n<\/td>\n
\n
234644039<\/p>\n<\/td>\n
\n
40893369<\/p>\n<\/td>\n
\n
3.081263<\/p>\n<\/td>\n
\n
6.578084<\/p>\n<\/td>\n<\/tr>\n
\n
2017<\/p>\n<\/th>\n
\n
265<\/p>\n<\/td>\n
\n
743<\/p>\n<\/td>\n
\n
235507457<\/p>\n<\/td>\n
\n
41393491<\/p>\n<\/td>\n
\n
3.154889<\/p>\n<\/td>\n
\n
6.401973<\/p>\n<\/td>\n<\/tr>\n
\n
2018<\/p>\n<\/th>\n
\n
265<\/p>\n<\/td>\n
\n
775<\/p>\n<\/td>\n
\n
236173020<\/p>\n<\/td>\n
\n
41617764<\/p>\n<\/td>\n
\n
3.281493<\/p>\n<\/td>\n
\n
6.367473<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
\u041f\u043e\u0441\u043b\u0435\u0434\u043d\u0438\u0435 2 \u0441\u0442\u043e\u043b\u0431\u0446\u0430 — \u043d\u0430\u0448\u0438 \u0443\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u0438 \u043d\u0430 \u043c\u0438\u043b\u043b\u0438\u043e\u043d \u0447\u0435\u043b\u043e\u0432\u0435\u043a \u043f\u043e \u043a\u0430\u0436\u0434\u043e\u0439 \u0438\u0437 \u0434\u0432\u0443\u0445 \u0440\u0430\u0441. \u041f\u043e\u0440\u0430 \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0435\u0442\u044c \u043d\u0430 \u0433\u0440\u0430\u0444\u0438\u043a\u0435:<\/p>\n
plt = df_fenc_agg.loc[:, ['White_promln', 'Black_promln']].plot(xticks=df_fenc_agg.index) plt.set_xticklabels(df_fenc_agg.index, rotation='vertical') plt<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0422\u0430\u043a\u0436\u0435 \u0432\u044b\u0432\u0435\u0434\u0435\u043c \u043e\u0441\u043d\u043e\u0432\u043d\u0443\u044e \u0441\u0442\u0430\u0442\u0438\u0441\u0442\u0438\u043a\u0443 \u043f\u043e \u044d\u0442\u0438\u043c \u0434\u0430\u043d\u043d\u044b\u043c:<\/p>\n
df_fenc_agg.loc[:, ['White_promln', 'Black_promln']].describe()<\/code><\/pre>\n
\n\n\n\n\n\n\n\n\n\n\n\n
\n<\/th>\n\n
White_promln<\/p>\n<\/th>\n
\n
Black_promln<\/p>\n<\/th>\n<\/tr>\n
\n
count (\u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e)<\/em><\/p>\n<\/th>\n
\n
19.000000<\/p>\n<\/td>\n
\n
19.000000<\/p>\n<\/td>\n<\/tr>\n
\n
mean (\u0441\u0440\u0435\u0434\u043d\u0435\u0435 \u0430\u0440\u0438\u0444\u043c.)<\/em><\/p>\n<\/th>\n
\n
2.336123<\/strong><\/p>\n<\/td>\n
\n
5.872145<\/strong><\/p>\n<\/td>\n<\/tr>\n
\n
std (\u0441\u0442\u0430\u043d\u0434. \u043e\u0442\u043a\u043b\u043e\u043d\u0435\u043d\u0438\u0435)<\/em><\/p>\n<\/th>\n
\n
0.615133<\/strong><\/p>\n<\/td>\n
\n
1.133677<\/strong><\/p>\n<\/td>\n<\/tr>\n
\n
min (\u043c\u0438\u043d. \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435)<\/em><\/p>\n<\/th>\n
\n
1.330247<\/p>\n<\/td>\n
\n
4.179559<\/p>\n<\/td>\n<\/tr>\n
\n
25%<\/p>\n<\/th>\n
\n
1.946485<\/p>\n<\/td>\n
\n
4.890977<\/p>\n<\/td>\n<\/tr>\n
\n
50%<\/p>\n<\/th>\n
\n
2.091501<\/p>\n<\/td>\n
\n
5.786171<\/p>\n<\/td>\n<\/tr>\n
\n
75%<\/p>\n<\/th>\n
\n
2.991827<\/p>\n<\/td>\n
\n
6.558062<\/p>\n<\/td>\n<\/tr>\n
\n
max (\u043c\u0430\u043a\u0441. \u0437\u043d\u0430\u0447\u0435\u043d\u0438\u0435)<\/em><\/p>\n<\/th>\n
\n
3.281493<\/p>\n<\/td>\n
\n
7.765653<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
\u041f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0435 \u0432\u044b\u0432\u043e\u0434\u044b:<\/strong><\/p>\n
\n
1. \u0412 \u0441\u0440\u0435\u0434\u043d\u0435\u043c \u043e\u0442 \u0440\u0443\u043a \u043f\u043e\u043b\u0438\u0446\u0438\u0438 \u043f\u043e\u0433\u0438\u0431\u0430\u0435\u0442 5.9 \u043d\u0430 1 \u043c\u043b\u043d. \u0447\u0435\u0440\u043d\u044b\u0445 \u0438 2.3 \u043d\u0430 1 \u043c\u043b\u043d. \u0431\u0435\u043b\u044b\u0445 (\u0447\u0435\u0440\u043d\u044b\u0445 \u0432 2.6 \u0440\u0430\u0437 \u0431\u043e\u043b\u044c\u0448\u0435).<\/p>\n
2. \u0420\u0430\u0437\u0431\u0440\u043e\u0441 (\u043e\u0442\u043a\u043b\u043e\u043d\u0435\u043d\u0438\u0435) \u0432 \u0434\u0430\u043d\u043d\u044b\u0445 \u043f\u043e \u0447\u0435\u0440\u043d\u044b\u043c \u0436\u0435\u0440\u0442\u0432\u0430\u043c \u0432 1.8 \u0440\u0430\u0437 \u0432\u044b\u0448\u0435, \u0447\u0435\u043c \u0432 \u0434\u0430\u043d\u043d\u044b\u0445 \u043f\u043e \u0431\u0435\u043b\u044b\u043c \u0436\u0435\u0440\u0442\u0432\u0430\u043c. (\u041d\u0430 \u0433\u0440\u0430\u0444\u0438\u043a\u0435 \u0432\u0438\u0434\u043d\u043e, \u0447\u0442\u043e \u043a\u0440\u0438\u0432\u0430\u044f \u043f\u043e \u0431\u0435\u043b\u044b\u043c \u0436\u0435\u0440\u0442\u0432\u0430\u043c \u0433\u043e\u0440\u0430\u0437\u0434\u043e \u0431\u043e\u043b\u0435\u0435 \u043f\u043b\u0430\u0432\u043d\u0430\u044f, \u0431\u0435\u0437 \u0440\u0435\u0437\u043a\u0438\u0445 \u0441\u043a\u0430\u0447\u043a\u043e\u0432.)<\/p>\n
3. \u041c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0436\u0435\u0440\u0442\u0432 \u0441\u0440\u0435\u0434\u0438 \u0447\u0435\u0440\u043d\u044b\u0445 — \u0432 2013 \u0433. (7.7 \u043d\u0430 \u043c\u0438\u043b\u043b\u0438\u043e\u043d); \u043c\u0430\u043a\u0441\u0438\u043c\u0430\u043b\u044c\u043d\u043e\u0435 \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u0436\u0435\u0440\u0442\u0432 \u0441\u0440\u0435\u0434\u0438 \u0431\u0435\u043b\u044b\u0445 — \u0432 2018 \u0433. (3.3 \u043d\u0430 \u043c\u0438\u043b\u043b\u0438\u043e\u043d).<\/p>\n
4. \u0416\u0435\u0440\u0442\u0432\u044b \u0441\u0440\u0435\u0434\u0438 \u0431\u0435\u043b\u044b\u0445 \u043c\u043e\u043d\u043e\u0442\u043e\u043d\u043d\u043e \u0440\u0430\u0441\u0442\u0443\u0442 (\u0432 \u0441\u0440\u0435\u0434\u043d\u0435\u043c \u043d\u0430 0.1 — 0.2 \u0432 \u0433\u043e\u0434), \u0432 \u0442\u043e \u0432\u0440\u0435\u043c\u044f \u043a\u0430\u043a \u0436\u0435\u0440\u0442\u0432\u044b \u0441\u0440\u0435\u0434\u0438 \u0447\u0435\u0440\u043d\u044b\u0445 \u0432\u0435\u0440\u043d\u0443\u043b\u0438\u0441\u044c \u043d\u0430 \u0443\u0440\u043e\u0432\u0435\u043d\u044c 2009 \u0433. \u043f\u043e\u0441\u043b\u0435 \u043f\u0438\u043a\u0430 \u0432 2011 — 2013 \u0433\u0433.<\/p>\n<\/blockquote>\n
\u0418\u0442\u0430\u043a, \u043d\u0430 \u043f\u0435\u0440\u0432\u044b\u0439 \u043f\u043e\u0441\u0442\u0430\u0432\u043b\u0435\u043d\u043d\u044b\u0439 \u0432\u043e\u043f\u0440\u043e\u0441<\/strong> \u043c\u044b \u043e\u0442\u0432\u0435\u0442\u0438\u043b\u0438: <\/p>\n
— \u041c\u043e\u0436\u043d\u043e \u043b\u0438 \u0441\u043a\u0430\u0437\u0430\u0442\u044c, \u0447\u0442\u043e \u043f\u043e\u043b\u0438\u0446\u0435\u0439\u0441\u043a\u0438\u0435 \u0443\u0431\u0438\u0432\u0430\u044e\u0442 \u0447\u0435\u0440\u043d\u044b\u0445 \u0447\u0430\u0449\u0435, \u0447\u0435\u043c \u0431\u0435\u043b\u044b\u0445?<\/strong><\/em><\/p>\n
— \u0414\u0430, \u044d\u0442\u043e \u0432\u0435\u0440\u043d\u044b\u0439 \u0432\u044b\u0432\u043e\u0434. \u041e\u0442 \u0440\u0443\u043a \u0437\u0430\u043a\u043e\u043d\u0430 \u0447\u0435\u0440\u043d\u044b\u0445 \u0433\u0438\u0431\u043d\u0435\u0442 \u0432 \u0441\u0440\u0435\u0434\u043d\u0435\u043c \u0432 2.6 \u0440\u0430\u0437 \u0431\u043e\u043b\u044c\u0448\u0435, \u0447\u0435\u043c \u0431\u0435\u043b\u044b\u0445.<\/strong><\/p>\n
\u0414\u0435\u0440\u0436\u0430 \u0432 \u0433\u043e\u043b\u043e\u0432\u0435 \u044d\u0442\u0438 \u043f\u0440\u043e\u043c\u0435\u0436\u0443\u0442\u043e\u0447\u043d\u044b\u0435 \u0432\u044b\u0432\u043e\u0434\u044b, \u0438\u0434\u0435\u043c \u0434\u0430\u043b\u044c\u0448\u0435 — \u043f\u043e\u0441\u043c\u043e\u0442\u0440\u0438\u043c \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u044f\u043c, \u0447\u0442\u043e\u0431\u044b \u043f\u043e\u043d\u044f\u0442\u044c, \u043a\u0430\u043a \u043e\u043d\u0438 \u0441\u043e\u043e\u0442\u043d\u043e\u0441\u044f\u0442\u0441\u044f \u0441 \u0440\u0430\u0441\u043e\u0432\u043e\u0439 \u043f\u0440\u0438\u043d\u0430\u0434\u043b\u0435\u0436\u043d\u043e\u0441\u0442\u044c\u044e \u0438 \u0436\u0435\u0440\u0442\u0432\u0430\u043c\u0438 \u043e\u0442 \u0440\u0443\u043a \u0441\u0442\u0440\u0430\u0436\u0435\u0439 \u0437\u0430\u043a\u043e\u043d\u0430.<\/p>\n
\u0414\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u044f\u043c<\/h2>\n
<\/figcaption><\/figure>\n
\u0417\u0430\u0433\u0440\u0443\u0436\u0430\u0435\u043c \u043d\u0430\u0448 CSV \u043f\u043e \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u044f\u043c:<\/p>\n
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'])<\/code><\/pre>\n
\u0417\u0434\u0435\u0441\u044c \u043e\u043f\u044f\u0442\u044c-\u0442\u0430\u043a\u0438 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u0435\u043c \u0442\u043e\u043b\u044c\u043a\u043e \u043d\u0435\u043e\u0431\u0445\u043e\u0434\u0438\u043c\u044b\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u044b: \u0433\u043e\u0434, \u0432\u0438\u0434 \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u044f, \u043a\u043b\u0430\u0441\u0441\u0438\u0444\u0438\u043a\u0430\u0442\u043e\u0440 \u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u0443 \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u0439, \u0441\u043e\u0432\u0435\u0440\u0448\u0435\u043d\u043d\u044b\u0445 \u0447\u0435\u0440\u043d\u044b\u043c\u0438 \u0438 \u0431\u0435\u043b\u044b\u043c\u0438 (\u0430\u0431\u0441\u043e\u043b\u044e\u0442\u043d\u044b\u0435 — «White», «Black» \u0438 \u0443\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u043d\u0430 \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 — «White pro capita», «Black pro capita»).<\/p>\n
\u0412\u0437\u0433\u043b\u044f\u043d\u0435\u043c \u043d\u0430 \u0434\u0430\u043d\u043d\u044b\u0435 (`df_crimes.head()`):<\/p>\n
\n\n\n\n\n\n\n\n\n\n
\n<\/th>\n\n
Offense<\/p>\n<\/th>\n
\n
Offender\/Victim<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/th>\n
\n
White<\/p>\n<\/th>\n
\n
Black pro capita<\/p>\n<\/th>\n
\n
White pro capita<\/p>\n<\/th>\n<\/tr>\n
\n
Year<\/p>\n<\/th>\n
\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n<\/tr>\n
\n
1991<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
Offender<\/p>\n<\/td>\n
\n
490<\/p>\n<\/td>\n
\n
598<\/p>\n<\/td>\n
\n
1.518188e-05<\/p>\n<\/td>\n
\n
2.861673e-06<\/p>\n<\/td>\n<\/tr>\n
\n
1991<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
Offender<\/p>\n<\/td>\n
\n
4<\/p>\n<\/td>\n
\n
4<\/p>\n<\/td>\n
\n
1.239337e-07<\/p>\n<\/td>\n
\n
1.914160e-08<\/p>\n<\/td>\n<\/tr>\n
\n
1991<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
Offender<\/p>\n<\/td>\n
\n
508<\/p>\n<\/td>\n
\n
122<\/p>\n<\/td>\n
\n
1.573958e-05<\/p>\n<\/td>\n
\n
5.838195e-07<\/p>\n<\/td>\n<\/tr>\n
\n
1991<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
Offender<\/p>\n<\/td>\n
\n
155<\/p>\n<\/td>\n
\n
176<\/p>\n<\/td>\n
\n
4.802432e-06<\/p>\n<\/td>\n
\n
8.422314e-07<\/p>\n<\/td>\n<\/tr>\n
\n
1991<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
Offender<\/p>\n<\/td>\n
\n
13<\/p>\n<\/td>\n
\n
19<\/p>\n<\/td>\n
\n
4.027846e-07<\/p>\n<\/td>\n
\n
9.092270e-08<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
\u041d\u0430\u043c \u043f\u043e\u043a\u0430 \u043d\u0435 \u043d\u0443\u0436\u043d\u044b \u0434\u0430\u043d\u043d\u044b\u0435 \u043f\u043e \u0436\u0435\u0440\u0442\u0432\u0430\u043c \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u0439. \u0423\u0431\u0438\u0440\u0430\u0435\u043c \u043b\u0438\u0448\u043d\u0438\u0435 \u0434\u0430\u043d\u043d\u044b\u0435 \u0438 \u0441\u0442\u043e\u043b\u0431\u0446\u044b:<\/p>\n
# \u043e\u0441\u0442\u0430\u0432\u043b\u044f\u0435\u043c \u0442\u043e\u043b\u044c\u043a\u043e \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043d\u0438\u043a\u043e\u0432 (\u0443\u0431\u0438\u0440\u0430\u0435\u043c \u0436\u0435\u0440\u0442\u0432) df_crimes1 = df_crimes.loc[df_crimes['Offender\/Victim'] == 'Offender'] # \u0431\u0435\u0440\u0435\u043c \u0438\u0441\u0441\u043b\u0435\u0434\u0443\u0435\u043c\u044b\u0439 \u043f\u0435\u0440\u0438\u043e\u0434 (2000-2018) \u0438 \u0443\u0434\u0430\u043b\u044f\u0435\u043c \u043b\u0438\u0448\u043d\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u044b df_crimes1 = df_crimes1.loc[2000:2018, ['Offense', 'White', 'White pro capita', 'Black', 'Black pro capita']]<\/code><\/pre>\n
\u041f\u043e\u043b\u0443\u0447\u0438\u043b\u0438 \u0442\u0430\u043a\u043e\u0439 \u0434\u0430\u0442\u0430\u0441\u0435\u0442 (1295 \u0441\u0442\u0440\u043e\u043a * 5 \u0441\u0442\u043e\u043b\u0431\u0446\u043e\u0432):<\/p>\n
\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n\n
\n<\/th>\n\n
Offense<\/p>\n<\/th>\n
\n
White<\/p>\n<\/th>\n
\n
White pro capita<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/th>\n
\n
Black pro capita<\/p>\n<\/th>\n<\/tr>\n
\n
Year<\/p>\n<\/th>\n
\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n\n<\/th>\n<\/tr>\n
\n
2000<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
679<\/p>\n<\/td>\n
\n
0.000003<\/p>\n<\/td>\n
\n
651<\/p>\n<\/td>\n
\n
0.000018<\/p>\n<\/td>\n<\/tr>\n
\n
2000<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
11458<\/p>\n<\/td>\n
\n
0.000052<\/p>\n<\/td>\n
\n
30199<\/p>\n<\/td>\n
\n
0.000853<\/p>\n<\/td>\n<\/tr>\n
\n
2000<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
4439<\/p>\n<\/td>\n
\n
0.000020<\/p>\n<\/td>\n
\n
3188<\/p>\n<\/td>\n
\n
0.000090<\/p>\n<\/td>\n<\/tr>\n
\n
2000<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
10481<\/p>\n<\/td>\n
\n
0.000048<\/p>\n<\/td>\n
\n
5153<\/p>\n<\/td>\n
\n
0.000146<\/p>\n<\/td>\n<\/tr>\n
\n
2000<\/p>\n<\/th>\n
\n
All Offenses<\/p>\n<\/td>\n
\n
746<\/p>\n<\/td>\n
\n
0.000003<\/p>\n<\/td>\n
\n
63<\/p>\n<\/td>\n
\n
0.000002<\/p>\n<\/td>\n<\/tr>\n
\n
…<\/p>\n<\/th>\n
\n
…<\/p>\n<\/td>\n
\n
…<\/p>\n<\/td>\n
\n
…<\/p>\n<\/td>\n
\n
…<\/p>\n<\/td>\n
\n
…<\/p>\n<\/td>\n<\/tr>\n
\n
2018<\/p>\n<\/th>\n
\n
Larceny Theft Offenses<\/p>\n<\/td>\n
\n
1961<\/p>\n<\/td>\n
\n
0.000008<\/p>\n<\/td>\n
\n
1669<\/p>\n<\/td>\n
\n
0.000040<\/p>\n<\/td>\n<\/tr>\n
\n
2018<\/p>\n<\/th>\n
\n
Larceny Theft Offenses<\/p>\n<\/td>\n
\n
48616<\/p>\n<\/td>\n
\n
0.000206<\/p>\n<\/td>\n
\n
30048<\/p>\n<\/td>\n
\n
0.000722<\/p>\n<\/td>\n<\/tr>\n
\n
2018<\/p>\n<\/th>\n
\n
Drugs Narcotic Offenses<\/p>\n<\/td>\n
\n
555974<\/p>\n<\/td>\n
\n
0.002354<\/p>\n<\/td>\n
\n
223398<\/p>\n<\/td>\n
\n
0.005368<\/p>\n<\/td>\n<\/tr>\n
\n
2018<\/p>\n<\/th>\n
\n
Drugs Narcotic Offenses<\/p>\n<\/td>\n
\n
305052<\/p>\n<\/td>\n
\n
0.001292<\/p>\n<\/td>\n
\n
63785<\/p>\n<\/td>\n
\n
0.001533<\/p>\n<\/td>\n<\/tr>\n
\n
2018<\/p>\n<\/th>\n
\n
Weapon Law Violation<\/p>\n<\/td>\n
\n
70034<\/p>\n<\/td>\n
\n
0.000297<\/p>\n<\/td>\n
\n
58353<\/p>\n<\/td>\n
\n
0.001402<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
\u0422\u0435\u043f\u0435\u0440\u044c \u043d\u0430\u043c \u043d\u0430\u0434\u043e \u043f\u0440\u0435\u0432\u0440\u0430\u0442\u0438\u0442\u044c \u0443\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u043f\u043e\u043a\u0430\u0437\u0430\u0442\u0435\u043b\u0438 \u043d\u0430 1 \u0447\u0435\u043b\u043e\u0432\u0435\u043a\u0430 \u0432 \u0443\u0434\u0435\u043b\u044c\u043d\u044b\u0435 \u043d\u0430 1 \u043c\u0438\u043b\u043b\u0438\u043e\u043d (\u0442\u0430\u043a \u043a\u0430\u043a \u0438\u043c\u0435\u043d\u043d\u043e \u044d\u0442\u0438 \u0434\u0430\u043d\u043d\u044b\u0435 \u0438\u0441\u043f\u043e\u043b\u044c\u0437\u0443\u044e\u0442\u0441\u044f \u0432\u043e \u0432\u0441\u0435\u043c \u0438\u0441\u0441\u043b\u0435\u0434\u043e\u0432\u0430\u043d\u0438\u0438). \u0414\u043b\u044f \u044d\u0442\u043e\u0433\u043e \u043f\u0440\u043e\u0441\u0442\u043e \u0443\u043c\u043d\u043e\u0436\u0430\u0435\u043c \u043d\u0430 \u043c\u0438\u043b\u043b\u0438\u043e\u043d \u0441\u043e\u043e\u0442\u0432\u0435\u0442\u0441\u0442\u0432\u0443\u044e\u0449\u0438\u0435 \u0441\u0442\u043e\u043b\u0431\u0446\u044b:<\/p>\n
df_crimes1['White_promln'] = df_crimes1['White pro capita'] * 1e6 df_crimes1['Black_promln'] = df_crimes1['Black pro capita'] * 1e6<\/code><\/pre>\n
\u0427\u0442\u043e\u0431\u044b \u0443\u0432\u0438\u0434\u0435\u0442\u044c \u0446\u0435\u043b\u0443\u044e \u043a\u0430\u0440\u0442\u0438\u043d\u0443, \u043a\u0430\u043a \u0441\u043e\u043e\u0442\u043d\u043e\u0441\u0438\u0442\u0441\u044f \u043a\u043e\u043b\u0438\u0447\u0435\u0441\u0442\u0432\u043e \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u0439 \u043c\u0435\u0436\u0434\u0443 \u0431\u0435\u043b\u044b\u043c\u0438 \u0438 \u0447\u0435\u0440\u043d\u044b\u043c\u0438 \u043f\u043e \u0432\u0438\u0434\u0430\u043c \u043f\u0440\u0435\u0441\u0442\u0443\u043f\u043b\u0435\u043d\u0438\u0439 (\u0432 \u0430\u0431\u0441\u043e\u043b\u044e\u0442\u043d\u043e\u043c \u0432\u044b\u0440\u0430\u0436\u0435\u043d\u0438\u0438), \u043f\u0440\u043e\u0441\u0443\u043c\u043c\u0438\u0440\u0443\u0435\u043c \u0433\u043e\u0434\u043e\u0432\u044b\u0435 \u043d\u0430\u0431\u043b\u044e\u0434\u0435\u043d\u0438\u044f:<\/p>\n
df_crimes_agg = df_crimes1.groupby(['Offense']).sum().loc[:, ['White', 'Black']]<\/code><\/pre>\n
\n\n\n\n\n\n\n\n\n\n\n\n
\n<\/th>\n\n
White<\/p>\n<\/th>\n
\n
Black<\/p>\n<\/th>\n<\/tr>\n
\n
Offense<\/p>\n<\/th>\n
\n<\/th>\n\n<\/th>\n<\/tr>\n
\n
All Offenses<\/p>\n<\/th>\n
\n
44594795<\/p>\n<\/td>\n
\n
22323144<\/p>\n<\/td>\n<\/tr>\n
\n
Assault Offenses<\/p>\n<\/th>\n
\n
12475830<\/p>\n<\/td>\n
\n
7462272<\/p>\n<\/td>\n<\/tr>\n
\n
Drugs Narcotic Offenses<\/p>\n<\/th>\n
\n
9624596<\/p>\n<\/td>\n
\n
3453140<\/p>\n<\/td>\n<\/tr>\n
\n
Larceny Theft Offenses<\/p>\n<\/th>\n
\n
9563917<\/p>\n<\/td>\n
\n
4202235<\/p>\n<\/td>\n<\/tr>\n
\n
Murder And Nonnegligent Manslaughter<\/p>\n<\/th>\n
\n
28913<\/p>\n<\/td>\n
\n
39617<\/p>\n<\/td>\n<\/tr>\n
\n
Sex Offenses<\/p>\n<\/th>\n
\n
833088<\/p>\n<\/td>\n
\n
319366<\/p>\n<\/td>\n<\/tr>\n
\n
Weapon Law Violation<\/p>\n<\/th>\n
\n
829485<\/p>\n<\/td>\n
\n
678861<\/p>\n<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<\/div>\n
\u0418\u043b\u0438 \u0432 \u0432\u0438\u0434\u0435 \u0433\u0440\u0430\u0444\u0438\u043a\u0430:<\/p>\n
df_crimes_agg.plot.barh()<\/code><\/pre>\n
<\/figcaption><\/figure>\n
\u0418\u0442\u0430\u043a, \u0432\u0438\u0434\u0438\u043c, \u0447\u0442\u043e:<\/p>\n