Provincias Argentinas

Como ejercicio del Trabajo Práctico N°2 del curso de Data Science de Codo a Codo (comisión 22605), voy a hacer un análisis sobre un dataframe que colecta información variada sobre las provincias de nuestro país.

# 1er paso, importación de librerías import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sb

# 2do paso, importación del dataframe' dforig = pd.read_csv('/work/argentina.csv') dforig

provinceobject

Buenos Aires4.5%

Catamarca4.5%

20 others90.9%

gdpfloat64

3807057.41864849 - 292689867.987582

Buenos Aires

292689867.987582

Catamarca

6150949.15918587

Córdoba

69363739.1881543

Corrientes

7968012.98234275

Chaco

9832642.67153144

Chubut

17747854.2076598

Entre Ríos

20743409.0958049

Formosa

3807057.41864849

Jujuy

6484938.33369074

La Pampa

6990262.45761227

# 3er paso, primer pantallazo de los datos. dforig.describe()

gdpfloat64

illiteracyfloat64

count

22.0

mean

30557027.883686412

3.2255411363636366

std

61830995.39723977

1.8514961271592096

min

3807057.41864849

0.791485

25%

8041586.87870049

1.9898099999999999

50%

10964161.2315008

2.743675

75%

19994520.373768624

3.6861900000000003

max

292689867.987582

7.51758

dforig.dtypes

print(f'Cantidad de registros: {dforig.province.count()}')

Cantidad de registros: 22

Al ser 22 registros, con una rápida verificación se puede observar que el dataset no contempla ni la Ciudad Autónoma ni las Islas Malvinas

# 4to paso, eliminar datos irrelevantes # En este caso, los cines per capita print(dforig.columns) dfmod = dforig.drop(['movie_theatres_per_cap'], axis=1) dfmod.columns

Index(['province', 'gdp', 'illiteracy', 'poverty', 'deficient_infra',
       'school_dropout', 'no_healthcare', 'birth_mortal', 'pop',
       'movie_theatres_per_cap', 'doctors_per_cap'],
      dtype='object')

# 5to paso: Renombrado de columnas dfmod = dfmod.rename(columns={ 'province':'Provincia', 'gdp':'PBI', 'illiteracy':'Analfabetismo', 'poverty':'Pobreza', 'deficient_infra':'Infraestructura Deficiente', 'school_dropout':'Abandono de la Escuela', 'no_healthcare':'Falta de Cobertura Médica', 'birth_mortal':'Mortalidad Infantil', 'pop':'Población', 'doctors_per_cap':'Doctores per Capita', }) print(dfmod.columns)

Index(['Provincia', 'PBI', 'Analfabetismo', 'Pobreza',
       'Infraestructura Deficiente', 'Abandono de la Escuela',
       'Falta de Cobertura Médica', 'Mortalidad Infantil', 'Población',
       'Doctores per Capita'],
      dtype='object')

# 6to paso, verifico que no haya columnas nulas que afecten el analisis de los datos print(dfmod.isnull().sum())

Provincia                     0
PBI                           0
Analfabetismo                 0
Pobreza                       0
Infraestructura Deficiente    0
Abandono de la Escuela        0
Falta de Cobertura Médica     0
Mortalidad Infantil           0
Población                     0
Doctores per Capita           0
dtype: int64

8vo Paso: Correlaciones. Este conjunto de datos podría separarse en subconjuntos íntimamente relacionados:

•

PBI - Población

Analfabetismo - Abandono de escuela

•

Falta de cobertura médica - Mortalidad infantil - Doctores per capita

Pero me resulta menos evidente la relación de la pobreza y la infraestructura deficiente con el resto, por lo que recurro a matrices de covarianza para evaluar esto último y verificar lo anterior

print('Matriz diagonal de covarianzas generales') matrix1 = dfmod.corr() # Mask es una herramienta para hacer una matriz diagonal, evitando repetir innecesariamente los valores mask = np.triu(np.ones_like(matrix1, dtype=bool)) sb.heatmap(matrix1,mask=mask,cmap='Greens',annot=True) plt.show()

Matriz diagonal de covarianzas generales

Conclusiones:

•

Cuanto mayor sea la población de una provincia, más alto su PBI, independientemente de cualquier otra variable.

•

El analfabetismo va de la mano del abandono de la escuela, pero también de la pobreza y la infraestructura deficiente. También coincide casualmente con la falta de cobertura médica.

•

Doctores per cápita no parece tener relación estrecha con ninguna de las otras ponderaciones

•

La mortalidad infantil está moderadamente relacionada solamente con la pobreza y con el abandono de la escuela