Accidentalidad en Barranquilla

Nombre: Mariana Arboleda

Vamos a continuar explorando nuestros datos, ahora directamente en Python, sin utilizar interfaces gráficas

Siempre importamos los paquetes que vamos a utilizar. En este caso utilizamos Pandas para el manejo de los datos y Plotly para graficar (existen muchas más librerías, pero esta es mi favorita)

config_chart = { 'scrollZoom': True, 'displaylogo': False, 'responsive': True, 'editable': True, 'toImageButtonOptions': { 'format': 'png', # one of png, svg, jpeg, webp 'filename': 'custom_image', 'height': None, 'width': None, 'scale': 6 # Multiply title/legend/axis/canvas sizes by this factor } }

import pandas as pd import plotly.express as px

Luego leemos los datos y exploramos sus características básicas

accidentes = pd.read_csv('Accidentalidad_en_Barranquilla.csv')

Revisamos las primeras n filas para tener una idea de cómo se ven los datos. Deepnote es bastante robusto y nos permite visualizar n grandes.

accidentes

FECHA_ACCIDENTEobject

02/17/2017 12:00:00 AM0.1%

06/08/2018 12:00:00 AM0.1%

2882 others99.8%

AÑO_ACCIDENTEobject

2,01615.5%

2,01715.1%

6 others69.4%

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

6246

01/01/2016 12:00:00 AM

2,016

6245

01/01/2016 12:00:00 AM

2,016

6244

01/01/2016 12:00:00 AM

2,016

Miramos el tamaño de nuestra base de datos para conocer cuántas filas y columnas tiene

accidentes.shape

El resultado anterior significa que nuestros datos tienen 42178 filas y 11 columnas y lo podemos imprimir así:

print(f"El set de datos tiene {accidentes.shape[0]} filas y {accidentes.shape[1]} columnas")

El set de datos tiene 42178 filas y 11 columnas

Por último revisamos qué tan completos están los datos.

accidentes.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 42178 entries, 0 to 42177
Data columns (total 11 columns):
 #   Column                            Non-Null Count  Dtype  
---  ------                            --------------  -----  
 0   FECHA_ACCIDENTE                   42178 non-null  object 
 1   AÑO_ACCIDENTE                     42178 non-null  object 
 2   MES_ACCIDENTE                     42178 non-null  object 
 3   DIA_ACCIDENTE                     42178 non-null  object 
 4   HORA_ACCIDENTE                    42178 non-null  object 
 5   GRAVEDAD_ACCIDENTE                42178 non-null  object 
 6   CLASE_ACCIDENTE                   42178 non-null  object 
 7   SITIO_EXACTO_ACCIDENTE            42177 non-null  object 
 8   CANT_HERIDOS_EN _SITIO_ACCIDENTE  9756 non-null   float64
 9   CANT_MUERTOS_EN _SITIO_ACCIDENTE  295 non-null    float64
 10  CANTIDAD_ACCIDENTES               42178 non-null  int64  
dtypes: float64(2), int64(1), object(8)
memory usage: 3.5+ MB

Hay muchos datos nulos en las variables CANT_MUERTOS_... y en CANT_HERIDOS_EN... veamos de qué se trata.

Preprocesamiento

A este paso de "dejar los datos listos" lo llamamos preprocesamiento de datos (data wrangling en los tutoriales de internet). Empecemos por entender qué son los datos nulos y cómo los podemos "rellenar"

accidentes[accidentes['CANT_HERIDOS_EN _SITIO_ACCIDENTE'].isna()]

FECHA_ACCIDENTEobject

02/17/2017 12:00:00 AM0.1%

07/21/2017 12:00:00 AM0.1%

2774 others99.8%

AÑO_ACCIDENTEobject

2,01617.9%

2,01717.1%

6 others65.1%

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

¿Qué significan los datos nulos? (responde en wooclap)

"Rellenemos" los datos nulos con un valor más significativo

accidentes.loc[:,'CANT_HERIDOS_EN _SITIO_ACCIDENTE'] = accidentes.loc[:,'CANT_HERIDOS_EN _SITIO_ACCIDENTE'].fillna(0) ### Haz lo mismo para la cantidad de muertos

accidentes[accidentes['CANT_HERIDOS_EN _SITIO_ACCIDENTE'].isna()]

FECHA_ACCIDENTEobject

AÑO_ACCIDENTEobject

accidentes

FECHA_ACCIDENTEobject

02/17/2017 12:00:00 AM0.1%

07/21/2017 12:00:00 AM0.1%

2882 others99.8%

AÑO_ACCIDENTEobject

2,01615.5%

2,01715.1%

6 others69.4%

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/01/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

01/02/2015 12:00:00 AM

2,015

Ya sabemos qué datos tenemos. Ahora, a pensar como detectives

¿Qué nos podemos preguntar? (Responde en wooclap)

¿Qué día suelen suceder más accidentes?

Variable de interés: Cantidad TOTAL de accidentes

Respecto a: los días de la semana

Método de agrupación: suma

El código de abajo crea una tabla dinámica de los datos. En index va la variable que quiero en el eje X, en values va la variable que quiero en el eje Y

pivot = (accidentes .pivot_table( index=['DIA_ACCIDENTE'], values='CANTIDAD_ACCIDENTES', aggfunc='sum')) pivot = pivot.reset_index() pivot

DIA_ACCIDENTEobject

CANTIDAD_ACCIDENTESint64

Dom

4028

Jue

6235

Lun

6077

Mar

6714

Mié

6348

Sáb

6131

Vie

6654

fig = px.bar(pivot, x='DIA_ACCIDENTE', y='CANTIDAD_ACCIDENTES', color=None, facet_row=None, facet_col=None, color_discrete_sequence=px.colors.qualitative.Safe, barmode='stack', text='CANTIDAD_ACCIDENTES' ) fig.update_traces(textposition='outside', texttemplate='%{text}') fig.show()

Pero no tiene sentido ordenar alfabéticamente los días. agregamos el argumento category_orders

fig = px.bar(pivot, x='DIA_ACCIDENTE', y='CANTIDAD_ACCIDENTES', color=None, facet_row=None, facet_col=None, color_discrete_sequence=px.colors.qualitative.Pastel, barmode='stack', text='CANTIDAD_ACCIDENTES', category_orders={'DIA_ACCIDENTE':['Lun','Mar', "Mié",'Jue','Vie','Sáb','Dom']}, title='Cantidad de accidentes por día de la semana' ) fig.update_traces(textposition='outside', texttemplate='%{text}') fig.show()

¿Cómo ha cambiado la cantidad de accidentes según la gravedad, en los últimos años?

Variable de interés: Cantidad de accidentes

Respecto a: Año y gravedad

Agrupación: suma

pivot_2 = accidentes.pivot_table(index=['AÑO_ACCIDENTE','GRAVEDAD_ACCIDENTE'], values='CANTIDAD_ACCIDENTES', aggfunc='sum') pivot_2 = pivot_2.reset_index() pivot_2

AÑO_ACCIDENTEobject

2,01512.5%

2,01612.5%

6 others75%

GRAVEDAD_ACCIDENTEobject

Con heridos33.3%

Con muertos33.3%

Solo daños33.3%

2,015

Con heridos

2,015

Con muertos

2,015

Solo daños

2,016

Con heridos

2,016

Con muertos

2,016

Solo daños

2,017

Con heridos

2,017

Con muertos

2,017

Solo daños

2,018

Con heridos

fig_2 = px.bar(pivot_2, x='AÑO_ACCIDENTE',color='GRAVEDAD_ACCIDENTE', y='CANTIDAD_ACCIDENTES', facet_row=None, facet_col=None, color_discrete_sequence=px.colors.qualitative.Set2, barmode='group', text='CANTIDAD_ACCIDENTES', ) fig_2.update_traces(textposition='outside', texttemplate='%{text}') fig_2.show()

Tu pregunta aquí:

### Tu código aquí

Esto es un proceso cíclico: ¿Necesitamos preparar más nuestros datos?¿Qué otras variables se nos ocurren?

FECHA_ACCIDENTEobject

02/17/2017 12:00:00 AM0.1%

07/21/2017 12:00:00 AM0.1%

2882 others99.8%

AÑO_ACCIDENTEobject

2,01615.5%

2,01715.1%

6 others69.4%

01/03/2015 12:00:00 AM

2,015

01/04/2015 12:00:00 AM

2,015

01/04/2015 12:00:00 AM

2,015

01/04/2015 12:00:00 AM

2,015

01/04/2015 12:00:00 AM

2,015

01/04/2015 12:00:00 AM

2,015

01/04/2015 12:00:00 AM

2,015

01/04/2015 12:00:00 AM

2,015

01/05/2015 12:00:00 AM

2,015

01/05/2015 12:00:00 AM

2,015

Estilito: https://plotly.com/python/styling-plotly-express/

¿Cuántos accidentes han habido por DÍA y MOMENTO DEL DÍA en total?

## Tabla dinámica

## Gráfica

¿Cómo se ven TODOS los accidentes por fecha?

accidentes['FECHA_ACCIDENTE'] = pd.to_datetime(accidentes['FECHA_ACCIDENTE']) pivot_dia = accidentes.pivot_table(index=['FECHA_ACCIDENTE','MOMENTO_DIA'], values='CANTIDAD_ACCIDENTES', aggfunc='sum').reset_index()

fig_dia = px.line(pivot_dia, x='FECHA_ACCIDENTE', y='CANTIDAD_ACCIDENTES', color='MOMENTO_DIA') fig_dia.update_traces(marker={ "opacity": 0.2, }) fig_dia.show()

.css-ytumd6{-webkit-text-decoration:none;text-decoration:none;}Accidentalidad en Barranquilla

Preprocesamiento

¿Qué significan los datos nulos? (responde en wooclap)

Ya sabemos qué datos tenemos. Ahora, a pensar como detectives

¿Qué día suelen suceder más accidentes?

¿Cómo ha cambiado la cantidad de accidentes según la gravedad, en los últimos años?

Tu pregunta aquí:

Esto es un proceso cíclico: ¿Necesitamos preparar más nuestros datos?¿Qué otras variables se nos ocurren?

¿Cuántos accidentes han habido por DÍA y MOMENTO DEL DÍA en total?

¿Cómo se ven TODOS los accidentes por fecha?

Accidentalidad en Barranquilla