diff --git a/lectures/pandas_panel.md b/lectures/pandas_panel.md
new file mode 100644
index 0000000..35bb682
--- /dev/null
+++ b/lectures/pandas_panel.md
@@ -0,0 +1,559 @@
+---
+jupytext:
+  text_representation:
+    extension: .md
+    format_name: myst
+    format_version: 0.13
+    jupytext_version: 1.16.7
+kernelspec:
+  display_name: Python 3 (ipykernel)
+  language: python
+  name: python3
+heading-map:
+  overview: مروری کلی
+  slicing-and-reshaping-data: برش و تغییر شکل داده‌ها
+  merging-dataframes-and-filling-nans: ادغام Dataframe ها و پر کردن NaN ها
+  grouping-and-summarizing-data: گروه‌بندی و خلاصه کردن داده‌ها
+  final-remarks: نکات پایانی
+  exercises: تمرین‌ها
+---
+
+```{raw} jupyter
+<div id="qe-notebook-header" align="right" style="text-align:right;">
+        <a href="https://quantecon.org/" title="quantecon.org">
+                <img style="width:250px;display:inline;" width="250px" src="https://assets.quantecon.org/img/qe-menubar-logo.svg" alt="QuantEcon">
+        </a>
+</div>
+```
+
+(ppd)=
+# {index}`Pandas برای داده‌های پانلی <single: Pandas for Panel Data>`
+
+```{index} single: Python; Pandas
+```
+
+علاوه بر آنچه در Anaconda موجود است، این سخنرانی به کتابخانه‌های زیر نیاز دارد:
+
+```{code-cell} ipython3
+:tags: [hide-output]
+
+!pip install --upgrade seaborn
+```
+
+ما از import های زیر استفاده می‌کنیم.
+
+```{code-cell} ipython3
+import matplotlib.pyplot as plt
+import seaborn as sns
+sns.set_theme()
+```
+
+## مروری کلی
+
+در {doc}`سخنرانی پیشین درباره pandas <pandas>`، ما با مجموعه داده‌های ساده کار کردیم.
+
+اقتصادسنجان اغلب نیاز به کار با مجموعه داده‌های پیچیده‌تر مانند پانل‌ها دارند.
+
+وظایف رایج شامل موارد زیر است:
+
+* وارد کردن داده‌ها، تمیز کردن و تغییر شکل دادن آنها در چندین محور.
+* انتخاب یک سری زمانی یا مقطع عرضی از یک پانل.
+* گروه‌بندی و خلاصه کردن داده‌ها.
+
+`pandas` (مشتق از 'panel' و 'data') شامل ابزارهای قدرتمند و آسان برای حل دقیقاً این نوع مشکلات است.
+
+در ادامه، ما از یک مجموعه داده پانلی از حداقل دستمزدهای واقعی از OECD برای ایجاد موارد زیر استفاده خواهیم کرد:
+
+* آمار خلاصه در ابعاد مختلف داده‌های ما
+* یک سری زمانی از میانگین حداقل دستمزد کشورها در مجموعه داده
+* برآوردهای چگالی کرنل دستمزدها بر اساس قاره
+
+ما با خواندن داده‌های پانلی فرمت طولانی خود از یک فایل CSV شروع می‌کنیم و `DataFrame` حاصل را با `pivot_table` تغییر شکل می‌دهیم تا یک `MultiIndex` بسازیم.
+
+جزئیات اضافی با استفاده از تابع `merge` پانداز به `DataFrame` ما اضافه خواهد شد، و داده‌ها با تابع `groupby` خلاصه خواهند شد.
+
+## برش و تغییر شکل داده‌ها
+
+ما مجموعه داده‌ای از OECD از حداقل دستمزدهای واقعی در 32 کشور را می‌خوانیم و آن را به `realwage` اختصاص می‌دهیم.
+
+مجموعه داده با لینک زیر قابل دسترسی است:
+
+```{code-cell} ipython3
+url1 = 'https://raw.githubusercontent.com/QuantEcon/lecture-python/master/source/_static/lecture_specific/pandas_panel/realwage.csv'
+```
+
+```{code-cell} ipython3
+import pandas as pd
+
+# Display 6 columns for viewing purposes
+pd.set_option('display.max_columns', 6)
+
+# Reduce decimal points to 2
+pd.options.display.float_format = '{:,.2f}'.format
+
+realwage = pd.read_csv(url1)
+```
+
+بیایید نگاهی به آنچه برای کار داریم بیندازیم
+
+```{code-cell} ipython3
+realwage.head()  # Show first 5 rows
+```
+
+داده‌ها در حال حاضر در فرمت طولانی هستند، که تجزیه و تحلیل آن زمانی که چندین بعد برای داده‌ها وجود دارد دشوار است.
+
+ما از `pivot_table` برای ایجاد یک پانل با فرمت عریض، با یک `MultiIndex` برای مدیریت داده‌های چند بعدی بالاتر استفاده خواهیم کرد.
+
+آرگومان‌های `pivot_table` باید داده‌ها (values)، index و ستون‌هایی که در dataframe نتیجه می‌خواهیم را مشخص کنند.
+
+با ارسال یک لیست در columns، می‌توانیم یک `MultiIndex` در محور ستون خود ایجاد کنیم
+
+```{code-cell} ipython3
+realwage = realwage.pivot_table(values='value',
+                                index='Time',
+                                columns=['Country', 'Series', 'Pay period'])
+realwage.head()
+```
+
+برای فیلتر کردن آسان‌تر داده‌های سری زمانی خود، بعداً، ما index را به یک `DateTimeIndex` تبدیل خواهیم کرد
+
+```{code-cell} ipython3
+realwage.index = pd.to_datetime(realwage.index)
+type(realwage.index)
+```
+
+ستون‌ها شامل سطوح متعددی از نمایه‌سازی هستند، که به عنوان `MultiIndex` شناخته می‌شوند، با سطوحی که به صورت سلسله مراتبی مرتب شده‌اند (Country > Series > Pay period).
+
+یک `MultiIndex` ساده‌ترین و انعطاف‌پذیرترین راه برای مدیریت داده‌های پانلی در pandas است
+
+```{code-cell} ipython3
+type(realwage.columns)
+```
+
+```{code-cell} ipython3
+realwage.columns.names
+```
+
+مانند قبل، می‌توانیم کشور (سطح بالای `MultiIndex` ما) را انتخاب کنیم
+
+```{code-cell} ipython3
+realwage['United States'].head()
+```
+
+stacking و unstacking سطوح `MultiIndex` در سراسر این سخنرانی برای تغییر شکل dataframe ما به فرمتی که نیاز داریم استفاده خواهد شد.
+
+`.stack()` پایین‌ترین سطح ستون `MultiIndex` را به index ردیف می‌چرخاند (`.unstack()` در جهت مخالف کار می‌کند - امتحان کنید)
+
+```{code-cell} ipython3
+realwage.stack(future_stack=True).head()
+```
+
+همچنین می‌توانیم یک آرگومان برای انتخاب سطحی که می‌خواهیم stack کنیم ارسال کنیم
+
+```{code-cell} ipython3
+realwage.stack(level='Country', future_stack=True).head()  # future_stack=True is required until pandas>3.0
+```
+
+استفاده از یک `DatetimeIndex` انتخاب یک دوره زمانی خاص را آسان می‌کند.
+
+انتخاب یک سال و stacking کردن دو سطح پایین‌تر `MultiIndex` یک مقطع عرضی از داده‌های پانلی ما ایجاد می‌کند
+
+```{code-cell} ipython3
+realwage.loc['2015'].stack(level=(1, 2), future_stack=True).transpose().head() # future_stack=True is required until pandas>3.0
+```
+
+برای بقیه سخنرانی، ما با یک dataframe از حداقل دستمزدهای واقعی ساعتی در کشورها و زمان، اندازه‌گیری شده در دلار 2015 آمریکا کار خواهیم کرد.
+
+برای ایجاد dataframe فیلتر شده خود (`realwage_f`)، می‌توانیم از متد `xs` برای انتخاب مقادیر در سطوح پایین‌تر در multiindex استفاده کنیم، در حالی که سطوح بالاتر (کشورها در این مورد) را حفظ می‌کنیم
+
+```{code-cell} ipython3
+realwage_f = realwage.xs(('Hourly', 'In 2015 constant prices at 2015 USD exchange rates'),
+                         level=('Pay period', 'Series'), axis=1)
+realwage_f.head()
+```
+
+## ادغام Dataframe ها و پر کردن NaN ها
+
+مشابه پایگاه‌های داده رابطه‌ای مانند SQL، pandas متدهای داخلی برای ادغام مجموعه داده‌ها با هم دارد.
+
+با استفاده از اطلاعات کشور از [WorldData.info](https://www.worlddata.info/downloads/)، ما قاره هر کشور را با تابع `merge` به `realwage_f` اضافه خواهیم کرد.
+
+مجموعه داده با لینک زیر قابل دسترسی است:
+
+```{code-cell} ipython3
+url2 = 'https://raw.githubusercontent.com/QuantEcon/lecture-python/master/source/_static/lecture_specific/pandas_panel/countries.csv'
+```
+
+```{code-cell} ipython3
+worlddata = pd.read_csv(url2, sep=';')
+worlddata.head()
+```
+
+ابتدا، ما فقط متغیرهای country و continent را از `worlddata` انتخاب می‌کنیم و ستون را به 'Country' تغییر نام می‌دهیم
+
+```{code-cell} ipython3
+worlddata = worlddata[['Country (en)', 'Continent']]
+worlddata = worlddata.rename(columns={'Country (en)': 'Country'})
+worlddata.head()
+```
+
+می‌خواهیم dataframe جدید خود، `worlddata`، را با `realwage_f` ادغام کنیم.
+
+تابع `merge` پانداز اجازه می‌دهد که dataframe ها با ردیف‌ها به هم متصل شوند.
+
+dataframe های ما با استفاده از نام کشورها ادغام خواهند شد، که نیاز داریم از transpose `realwage_f` استفاده کنیم تا ردیف‌ها در هر دو dataframe با نام کشورها مطابقت داشته باشند
+
+```{code-cell} ipython3
+realwage_f.transpose().head()
+```
+
+می‌توانیم از left، right، inner، یا outer join برای ادغام مجموعه داده‌های خود استفاده کنیم:
+
+* left join فقط کشورهای مجموعه داده سمت چپ را شامل می‌شود
+* right join فقط کشورهای مجموعه داده سمت راست را شامل می‌شود
+* outer join کشورهایی را که در مجموعه داده‌های سمت چپ و راست هستند شامل می‌شود
+* inner join فقط کشورهای مشترک بین مجموعه داده‌های سمت چپ و راست را شامل می‌شود
+
+به طور پیش‌فرض، `merge` از یک inner join استفاده می‌کند.
+
+در اینجا ما `how='left'` را ارسال خواهیم کرد تا همه کشورها در `realwage_f` را نگه داریم، اما کشورهایی در `worlddata` را که ورودی داده مربوطه در `realwage_f` ندارند دور بیندازیم.
+
+این با سایه قرمز در نمودار زیر نشان داده شده است
+
+```{figure} /_static/lecture_specific/pandas_panel/venn_diag.png
+```
+
+همچنین باید مشخص کنیم که نام کشور در هر dataframe کجا قرار دارد، که `key` خواهد بود که برای ادغام dataframe ها 'on' آن استفاده می‌شود.
+
+dataframe 'سمت چپ' ما (`realwage_f.transpose()`) شامل کشورها در index است، بنابراین `left_index=True` را تنظیم می‌کنیم.
+
+dataframe 'سمت راست' ما (`worlddata`) شامل کشورها در ستون 'Country' است، بنابراین `right_on='Country'` را تنظیم می‌کنیم
+
+```{code-cell} ipython3
+merged = pd.merge(realwage_f.transpose(), worlddata,
+                  how='left', left_index=True, right_on='Country')
+merged.head()
+```
+
+کشورهایی که در `realwage_f` ظاهر شدند اما در `worlddata` نبودند `NaN` در ستون Continent خواهند داشت.
+
+برای بررسی اینکه آیا این اتفاق افتاده است، می‌توانیم از `.isnull()` در ستون continent استفاده کنیم و dataframe ادغام شده را فیلتر کنیم
+
+```{code-cell} ipython3
+merged[merged['Continent'].isnull()]
+```
+
+ما سه مقدار گمشده داریم!
+
+یک گزینه برای مقابله با مقادیر NaN ایجاد یک dictionary حاوی این کشورها و قاره‌های مربوطه آنها است.
+
+`.map()` کشورهای موجود در `merged['Country']` را با قاره آنها از dictionary مطابقت می‌دهد.
+
+توجه کنید که کشورهای موجود در dictionary ما با `NaN` نگاشت می‌شوند
+
+```{code-cell} ipython3
+missing_continents = {'Korea': 'Asia',
+                      'Russian Federation': 'Europe',
+                      'Slovak Republic': 'Europe'}
+
+merged['Country'].map(missing_continents)
+```
+
+نمی‌خواهیم کل سری را با این نگاشت بازنویسی کنیم.
+
+`.fillna()` فقط مقادیر `NaN` در `merged['Continent']` را با نگاشت پر می‌کند، در حالی که سایر مقادیر در ستون بدون تغییر باقی می‌مانند
+
+```{code-cell} ipython3
+merged['Continent'] = merged['Continent'].fillna(merged['Country'].map(missing_continents))
+
+# Check for whether continents were correctly mapped
+
+merged[merged['Country'] == 'Korea']
+```
+
+همچنین قاره آمریکا را در یک قاره واحد ترکیب خواهیم کرد - این کار تجسم ما را بعداً زیباتر خواهد کرد.
+
+برای انجام این کار، از `.replace()` استفاده خواهیم کرد و از طریق لیستی از مقادیر قاره‌ای که می‌خواهیم جایگزین کنیم حلقه می‌زنیم
+
+```{code-cell} ipython3
+replace = ['Central America', 'North America', 'South America']
+merged['Continent'] = merged['Continent'].replace(to_replace=replace, value='America')
+```
+
+اکنون که همه داده‌هایی که می‌خواهیم در یک `DataFrame` واحد داریم، آن را به فرم پانلی با یک `MultiIndex` تغییر شکل خواهیم داد.
+
+همچنین باید مطمئن شویم که index را با استفاده از `.sort_index()` مرتب کنیم تا بتوانیم بعداً به طور کارآمد dataframe خود را فیلتر کنیم.
+
+به طور پیش‌فرض، سطوح از بالا به پایین مرتب خواهند شد
+
+```{code-cell} ipython3
+merged = merged.set_index(['Continent', 'Country']).sort_index()
+merged.head()
+```
+
+در حین ادغام، `DatetimeIndex` خود را از دست دادیم، زیرا ستون‌هایی را که در فرمت datetime نبودند ادغام کردیم
+
+```{code-cell} ipython3
+merged.columns
+```
+
+اکنون که ستون‌های ادغام شده را به عنوان index تنظیم کرده‌ایم، می‌توانیم یک `DatetimeIndex` با استفاده از `.to_datetime()` دوباره ایجاد کنیم
+
+```{code-cell} ipython3
+merged.columns = pd.to_datetime(merged.columns)
+merged.columns = merged.columns.rename('Time')
+merged.columns
+```
+
+`DatetimeIndex` معمولاً در محور ردیف روان‌تر کار می‌کند، بنابراین ما پیش خواهیم رفت و `merged` را transpose خواهیم کرد
+
+```{code-cell} ipython3
+merged = merged.transpose()
+merged.head()
+```
+
+## گروه‌بندی و خلاصه کردن داده‌ها
+
+گروه‌بندی و خلاصه کردن داده‌ها می‌تواند به ویژه برای درک مجموعه داده‌های پانلی بزرگ مفید باشد.
+
+یک روش ساده برای خلاصه کردن داده‌ها فراخوانی یک [متد تجمیعی](https://pandas.pydata.org/pandas-docs/stable/getting_started/intro_tutorials/06_calculate_statistics.html) در dataframe است، مانند `.mean()` یا `.max()`.
+
+به عنوان مثال، می‌توانیم میانگین حداقل دستمزد واقعی را برای هر کشور در دوره 2006 تا 2016 محاسبه کنیم (پیش‌فرض تجمیع بر روی ردیف‌ها است)
+
+```{code-cell} ipython3
+merged.mean().head(10)
+```
+
+با استفاده از این سری، می‌توانیم میانگین حداقل دستمزد واقعی را در طول دهه گذشته برای هر کشور در مجموعه داده خود رسم کنیم
+
+```{code-cell} ipython3
+merged.mean().sort_values(ascending=False).plot(kind='bar',
+                                                title="Average real minimum wage 2006 - 2016")
+
+# Set country labels
+country_labels = merged.mean().sort_values(ascending=False).index.get_level_values('Country').tolist()
+plt.xticks(range(0, len(country_labels)), country_labels)
+plt.xlabel('Country')
+
+plt.show()
+```
+
+ارسال `axis=1` به `.mean()` بر روی ستون‌ها تجمیع خواهد کرد (میانگین حداقل دستمزد برای همه کشورها در طول زمان را می‌دهد)
+
+```{code-cell} ipython3
+merged.mean(axis=1).head()
+```
+
+می‌توانیم این سری زمانی را به صورت یک نمودار خطی رسم کنیم
+
+```{code-cell} ipython3
+merged.mean(axis=1).plot()
+plt.title('Average real minimum wage 2006 - 2016')
+plt.ylabel('2015 USD')
+plt.xlabel('Year')
+plt.show()
+```
+
+همچنین می‌توانیم یک سطح از `MultiIndex` (در محور ستون) را برای تجمیع بر روی آن مشخص کنیم.
+
+در مورد `groupby` ما نیاز داریم از `.T` برای transpose کردن ستون‌ها به ردیف‌ها استفاده کنیم زیرا `pandas` استفاده از `axis=1` را در متد `groupby` منسوخ کرده است.
+
+```{code-cell} ipython3
+merged.T.groupby(level='Continent').mean().head()
+```
+
+می‌توانیم میانگین حداقل دستمزدها در هر قاره را به عنوان یک سری زمانی رسم کنیم
+
+```{code-cell} ipython3
+merged.T.groupby(level='Continent').mean().T.plot()
+plt.title('Average real minimum wage')
+plt.ylabel('2015 USD')
+plt.xlabel('Year')
+plt.show()
+```
+
+استرالیا را به عنوان یک قاره برای اهداف رسم حذف خواهیم کرد
+
+```{code-cell} ipython3
+merged = merged.drop('Australia', level='Continent', axis=1)
+merged.T.groupby(level='Continent').mean().T.plot()
+plt.title('Average real minimum wage')
+plt.ylabel('2015 USD')
+plt.xlabel('Year')
+plt.show()
+```
+
+`.describe()` برای بازیابی سریع تعدادی از آمار خلاصه رایج مفید است
+
+```{code-cell} ipython3
+merged.stack(future_stack=True).describe()
+```
+
+این یک روش ساده شده برای استفاده از `groupby` است.
+
+استفاده از `groupby` به طور کلی از یک فرایند 'تقسیم-اعمال-ترکیب' پیروی می‌کند:
+
+* split: داده‌ها بر اساس یک یا چند کلید گروه‌بندی می‌شوند
+* apply: یک تابع به صورت مستقل روی هر گروه فراخوانی می‌شود
+* combine: نتایج فراخوانی‌های تابع در یک ساختار داده جدید ترکیب می‌شوند
+
+متد `groupby` اولین مرحله از این فرایند را انجام می‌دهد، یک شیء `DataFrameGroupBy` جدید با داده‌های تقسیم شده به گروه‌ها ایجاد می‌کند.
+
+بیایید `merged` را دوباره بر اساس قاره تقسیم کنیم، این بار با استفاده از تابع `groupby`، و شیء حاصل را `grouped` نامگذاری کنیم
+
+```{code-cell} ipython3
+grouped = merged.T.groupby(level='Continent')
+grouped
+```
+
+فراخوانی یک متد تجمیعی روی شیء، تابع را به هر گروه اعمال می‌کند، که نتایج آن در یک ساختار داده جدید ترکیب می‌شوند.
+
+به عنوان مثال، می‌توانیم تعداد کشورها در مجموعه داده خود را برای هر قاره با استفاده از `.size()` برگردانیم.
+
+در این مورد، ساختار داده جدید ما یک `Series` است
+
+```{code-cell} ipython3
+grouped.size()
+```
+
+با فراخوانی `.get_group()` برای برگرداندن فقط کشورها در یک گروه واحد، می‌توانیم یک برآورد چگالی کرنل از توزیع حداقل دستمزدهای واقعی در 2016 برای هر قاره ایجاد کنیم.
+
+`grouped.groups.keys()` کلیدها را از شیء `groupby` برمی‌گرداند
+
+```{code-cell} ipython3
+continents = grouped.groups.keys()
+
+for continent in continents:
+    sns.kdeplot(grouped.get_group(continent).T.loc['2015'].unstack(), label=continent, fill=True)
+
+plt.title('Real minimum wages in 2015')
+plt.xlabel('US dollars')
+plt.legend()
+plt.show()
+```
+
+## نکات پایانی
+
+این سخنرانی مقدمه‌ای بر برخی از ویژگی‌های پیشرفته‌تر pandas، از جمله multiindex ها، ادغام، گروه‌بندی و رسم نمودار ارائه کرده است.
+
+سایر ابزارهایی که ممکن است در تجزیه و تحلیل داده‌های پانلی مفید باشند شامل [xarray](https://docs.xarray.dev/en/stable/) می‌شوند، یک بسته پایتون که pandas را به ساختارهای داده N بعدی گسترش می‌دهد.
+
+## تمرین‌ها
+
+```{exercise-start}
+:label: pp_ex1
+```
+
+در این تمرین‌ها، شما با یک مجموعه داده از نرخ‌های اشتغال در اروپا بر اساس سن و جنسیت از [Eurostat](https://ec.europa.eu/eurostat/data/database) کار خواهید کرد.
+
+مجموعه داده با لینک زیر قابل دسترسی است:
+
+```{code-cell} ipython3
+url3 = 'https://raw.githubusercontent.com/QuantEcon/lecture-python/master/source/_static/lecture_specific/pandas_panel/employ.csv'
+```
+
+خواندن فایل CSV یک مجموعه داده پانلی در فرمت طولانی را برمی‌گرداند. از `.pivot_table()` برای ساخت یک dataframe با فرمت عریض با یک `MultiIndex` در ستون‌ها استفاده کنید.
+
+با کاوش در dataframe و متغیرهای موجود در سطوح `MultiIndex` شروع کنید.
+
+برنامه‌ای بنویسید که به سرعت همه مقادیر در `MultiIndex` را برمی‌گرداند.
+
+```{exercise-end}
+```
+
+```{solution-start} pp_ex1
+:class: dropdown
+```
+
+```{code-cell} ipython3
+employ = pd.read_csv(url3)
+employ = employ.pivot_table(values='Value',
+                            index=['DATE'],
+                            columns=['UNIT','AGE', 'SEX', 'INDIC_EM', 'GEO'])
+employ.index = pd.to_datetime(employ.index) # ensure that dates are datetime format
+employ.head()
+```
+
+این یک مجموعه داده بزرگ است بنابراین کاوش در سطوح و متغیرهای موجود مفید است
+
+```{code-cell} ipython3
+employ.columns.names
+```
+
+متغیرهای درون سطوح می‌توانند به سرعت با یک حلقه بازیابی شوند
+
+```{code-cell} ipython3
+for name in employ.columns.names:
+    print(name, employ.columns.get_level_values(name).unique())
+```
+
+```{solution-end}
+```
+
+```{exercise-start}
+:label: pp_ex2
+```
+
+dataframe بالا را فیلتر کنید تا فقط اشتغال را به عنوان درصدی از 'جمعیت فعال' شامل شود.
+
+یک boxplot گروه‌بندی شده با استفاده از `seaborn` از نرخ‌های اشتغال در 2015 بر اساس گروه سنی و جنسیت ایجاد کنید.
+
+```{hint}
+:class: dropdown
+
+`GEO` هم مناطق و هم کشورها را شامل می‌شود.
+```
+
+```{exercise-end}
+```
+
+```{solution-start} pp_ex2
+:class: dropdown
+```
+
+برای فیلتر کردن آسان بر اساس کشور، `GEO` را به سطح بالا swap کنید و `MultiIndex` را مرتب کنید
+
+```{code-cell} ipython3
+employ.columns = employ.columns.swaplevel(0,-1)
+employ = employ.sort_index(axis=1)
+```
+
+باید چند مورد در `GEO` که کشور نیستند را حذف کنیم.
+
+یک روش سریع برای خلاص شدن از مناطق EU استفاده از list comprehension برای یافتن مقادیر سطح در `GEO` است که با 'Euro' شروع می‌شوند
+
+```{code-cell} ipython3
+geo_list = employ.columns.get_level_values('GEO').unique().tolist()
+countries = [x for x in geo_list if not x.startswith('Euro')]
+employ = employ[countries]
+employ.columns.get_level_values('GEO').unique()
+```
+
+فقط درصد اشتغال در جمعیت فعال را از dataframe انتخاب کنید
+
+```{code-cell} ipython3
+employ_f = employ.xs(('Percentage of total population', 'Active population'),
+                     level=('UNIT', 'INDIC_EM'),
+                     axis=1)
+employ_f.head()
+```
+
+مقدار 'Total' را قبل از ایجاد boxplot گروه‌بندی شده حذف کنید
+
+```{code-cell} ipython3
+employ_f = employ_f.drop('Total', level='SEX', axis=1)
+```
+
+```{code-cell} ipython3
+box = employ_f.loc['2015'].unstack().reset_index()
+sns.boxplot(x="AGE", y=0, hue="SEX", data=box, palette=("husl"), showfliers=False)
+plt.xlabel('')
+plt.xticks(rotation=35)
+plt.ylabel('Percentage of population (%)')
+plt.title('Employment in Europe (2015)')
+plt.legend(bbox_to_anchor=(1,0.5))
+plt.show()
+```
+
+```{solution-end}
+```
\ No newline at end of file