Hacia una Colombia Libre de Violencia Sexual: Análisis y Acción

Para el desarrollo del proyecto en la materia de gestión de proyectos para analítica, se seleccionó un data frame que relaciona información sobre violaciones sexuales desde el 01 de enero del año 2010 al 31 de Mayo del año 2023. Por lo tanto, este conjunto de datos consta de 290.362 datos recolectados y 9 columnas principales que representan las características de cada delito. Este se puede buscar en la siguiente ruta: https://www.datos.gov.co/Seguridad-y-Defensa/Visual-sexuales-PolNal/9dv7-nexx

Por otra parte, es importante utilizar las seis fases de la metodología CRIPS-DM, con el objetivo de planificar y organizar correctamente la elaboración del proyecto.

FASE 1: COMPRENSION DEL NEGOCIO

Colombia ha enfrentado históricamente problemas relacionados con las violaciones y la violencia sexual. Estos incidentes no solo tienen un impacto devastador en las víctimas y sus familias, sino que también debilitaban la confianza en las instituciones y perpetúan patrones de discriminación y desigualdad. La necesidad de abordar este problema es crítica en términos de derechos humanos, igualdad de género y seguridad pública.

El objetivo principal de este proyecto es analizar una base de datos sobre violaciones en Colombia para arrojar luz sobre las tendencias, patrones geográficos y características demográficas de estos incidentes. A través de este análisis, se busca proporcionar una base sólida para la toma de decisiones informadas por parte de las autoridades y los actores involucrados en la prevención y mitigación de la violencia sexual en Colombia.

El proyecto agrega valor de diversas maneras:

Prevención: Al identificar patrones y tendencias, se pueden desarrollar estrategias de prevención más efectivas.

Justicia y Apoyo: La creación de programas de apoyo a víctimas y la promoción de la justicia restaurativa contribuyen a la recuperación de las víctimas y a la búsqueda de justicia.

Concienciación: Las estrategias de sensibilización ayudan a cambiar actitudes culturales y a fomentar una sociedad más consciente de la violencia sexual.

Interesados: Las partes interesadas clave incluyen a las autoridades gubernamentales, organizaciones no gubernamentales de derechos humanos, grupos de mujeres, víctimas de violencia sexual, la comunidad en general y agencias internacionales que puedan respaldar y colaborar en el proyecto.

Impacto Social: La prevención de la violencia sexual tiene un profundo impacto social. Contribuye a la seguridad y bienestar de la población, promueve la igualdad de género y fortalece la confianza en las instituciones.

Resultados Esperados: Se espera que el proyecto proporcione análisis sólidos y recomendaciones basadas en datos para informar políticas y estrategias de prevención más efectivas. Además, se busca generar conciencia pública sobre la violencia sexual y proporcionar apoyo a las víctimas.

FASE 2: ESTUDIO Y COMPRENSION DE LOS DATOS

Es importante realizar una comprensión de los datos disponibles en el data frame con el propósito de conocer a profundidad los casos de violaciones que se presentan en Colombia. Por lo tanto, a continuación se expondrán los datos más relevantes que fueron recolectados entre el 01 de enero del año 2010 al 31 de Mayo del año 2023.

Departamento: Esta variable muestra la región o área geográfica donde se realizo el delito.

Municipio: Esta variable muestra el lugar más específico dentro de un departamento donde ocurrió el delito

Código Dane: Esta variable muestra el código numérico único utilizado para identificar ubicaciones geográficas en Colombia.

Tipo de Arma: Esta variable muestra el tipo de arma utilizada en el acto de violación.

Fecha: Esta variable muestra la fecha en que se cometió la violación.

Genero: Esta variable muestra el sexo de las personas involucradas en la violación.

Grupo etario: Esta variable muestra la edad de las personas involucradas en la violación.

Cantidad: Esta variable muestra el numero de veces que cometieron el delito.

Delito: Esta variable muestra el tipo de delito que se cometio.

Una vez abordado las características principales del dataset, se procede a examinar y abordar el problema de la violación en Colombia para prevenir y disminuir la violencia sexual en todas sus formas.

# pip install -r requirements.txt

# pip freeze > requirements.txt

import pandas as pd import numpy as np import panel as pn pn.extension('tabulator') pn.extension('plotly') import seaborn as sns import matplotlib.pyplot as plt import hvplot.pandas import holoviews as hv import plotly.express as px import plotly.graph_objects as go import os from reportlab.lib.pagesizes import letter from reportlab.platypus import SimpleDocTemplate, Paragraph, Spacer from reportlab.lib.styles import getSampleStyleSheet from reportlab.lib import colors from unidecode import unidecode

Se importan las bibliotecas pandas y numpy para el análisis de datos, panel para crear aplicaciones interactivas, y otras librerías como seaborn, matplotlib, y reportlab para visualización y generación de informes, además de unidecode para el procesamiento de texto.

df_original = pd.read_csv("data.csv", dtype=str)

df_original.info()

Se importa el dataset a trabajar al entorno de trabajo Python.

df_original

# Crea una copia del DataFrame original df = df_original.copy() df

FASE 3: PREPARACIÓN DEL DATASET

Ya cargado el dataset, se procede a realizar un análisis exploratorio y junto a ello la limpieza de datos (valores) para garantizar que los datos estén limpios y listos para el análisis. Comienza con la recolección de datos , seguida de la exploración inicial para identificar problemas como valores faltantes o atípicos. Luego, se realizan acciones de limpieza, como la imputación de valores nulos y la eliminación de duplicados, seguidas de la selección de características relevantes y la transformación de datos si es necesario.

# Verifica valores nulos (NaN) en cada columna valores_nulos_por_columna = df.isnull().sum() # Verifica valores vacíos en cada columna valores_vacios_por_columna = (df == '').sum() # Imprime el resultado print("Valores nulos (NaN) por columna:") print(valores_nulos_por_columna) print("\nValores vacíos por columna:") print(valores_vacios_por_columna)

Este código verifica la cantidad de valores nulos (NaN) y valores vacíos en cada columna del DataFrame "df" y luego imprime los resultados por separado. La variable "valores_nulos_por_columna" almacena la suma de valores nulos en cada columna, mientras que "valores_vacios_por_columna" almacena la cantidad de valores vacíos (representados como cadenas vacías) en cada columna del DataFrame. Las cantidades se imprimen en dos secciones separadas para una inspección rápida de la calidad de los datos.

# Crea la carpeta 'data' si no existe if not os.path.exists('data'): os.makedirs('data') # Columnas a exportar columnas_a_exportar = df.columns # Estilos para el párrafo en el PDF styles = getSampleStyleSheet() for columna in columnas_a_exportar: # Obtiene la lista completa de valores únicos en la columna actual valores_unicos = df[columna].unique() # Especifica el nombre del archivo PDF de salida basado en el nombre de la columna nombre_archivo = f'data/valores_unicos_{columna}.pdf' # Configura el tamaño del papel para el PDF (por ejemplo, letter) pdf = SimpleDocTemplate(nombre_archivo, pagesize=letter) # Lista para almacenar los elementos del PDF elements = [] # Agrega el título de la columna al PDF sin aplicar ningún estilo adicional elements.append(Paragraph(f"Valores únicos en la columna '{columna}':", styles["Title"])) elements.append(Spacer(1, 12)) # Agrega un espacio en blanco después del título # Agrega cada valor único en una línea separada sin aplicar ningún estilo adicional for valor in valores_unicos: elements.append(Paragraph(str(valor), styles["Normal"])) # Crea el PDF con los elementos pdf.build(elements) print(f"Los valores únicos en la columna '{columna}' se han guardado en el archivo {nombre_archivo}")

Este código primero verifica si la carpeta 'data' existe; de lo contrario, la crea. Luego, itera a través de las columnas del DataFrame "df" y genera un archivo PDF separado para cada columna. Estos archivos contienen una lista de valores únicos en esa columna. Se utiliza ReportLab para crear los PDF, y los nombres de archivo se basan en el nombre de la columna. Finalmente, se imprime un mensaje que informa que los valores únicos en cada columna se han guardado como archivos PDF en la carpeta 'data'.

# Aplica unidecode y convierte a minúsculas todas las celdas del DataFrame df = df.applymap(lambda x: unidecode(str(x)).lower()) # Convierte los títulos de las columnas a minúsculas (opcional) df.columns = df.columns.str.lower() # Aplica una expresión regular para eliminar espacios y contenido entre paréntesis en la columna 'municipio' df['municipio'] = df['municipio'].str.replace(r'\s+$[^)]*$', '', regex=True) # Aplica str.replace para quitar "d.c." y el espacio que lo precede de la columna 'municipio' df['municipio'] = df['municipio'].str.replace(r'\s+d\.c\.$', '', regex=True) # Reemplaza los espacios en los nombres de las columnas por guiones bajos (_) df.columns = df.columns.str.replace(' ', '_') # Reemplaza los valores que contienen '-' (incluso si están rodeados de espacios) en la columna 'armas_medios' por 'no reportado' df['armas_medios'] = df['armas_medios'].replace(r'\s*-\s*', 'no reportado', regex=True) # Reemplaza los valores que contienen '-' (incluso si están rodeados de espacios) en la columna 'genero' por 'no reporta' df['genero'] = df['genero'].replace(r'\s*-\s*', 'no reporta', regex=True) # Reemplaza los valores que contienen '-' (incluso si están rodeados de espacios) en la columna 'grupo_etario' por 'no reporta' df['grupo_etario'] = df['grupo_etario'].replace(r'\s*-\s*', 'no reporta', regex=True) # Para verificar el resultado, puedes imprimir el DataFrame df

Este código normaliza y limpia un DataFrame llamado "df" al aplicar la función unidecode, convertir a minúsculas, estandarizar los nombres de las columnas, eliminar texto no deseado en la columna 'municipio', y reemplazar guiones en ciertas columnas por 'no reportado', mejorando así la consistencia y legibilidad de los datos.

# Utiliza str.split para dividir la columna 'delito' en función de un punto y conserva solo la primera parte df['delito'] = df['delito'].str.split('.', 1).str[0] df

Este código utiliza str.split para dividir la columna 'delito' en función de un punto y conservar solo la primera parte de cada entrada, lo que resulta en una simplificación de las descripciones de delitos en el DataFrame.

df[df['departamento'] == "cesar"]

Este código filtra el DataFrame "df" para seleccionar todas las filas donde el valor en la columna 'departamento' sea igual a "cesar". El resultado será un nuevo DataFrame que contiene solo las filas correspondientes al departamento de Cesar.

# Renombra las columnas 'armas_medio' a 'tipo_de_arma' y 'fecha_hecho' a 'fecha' df.rename(columns={'armas_medios': 'tipo_de_arma', 'fecha_hecho': 'fecha'}, inplace=True) df

Este código renombra las columnas 'armas_medio' a 'tipo_de_arma' y 'fecha_hecho' a 'fecha' en el DataFrame "df". El uso de inplace=True aplica los cambios directamente al DataFrame, y el resultado muestra las columnas renombradas.

# Utiliza str.replace para eliminar "/ cortopunzante" de los valores en la columna 'tipo_de_arma' df['tipo_de_arma'] = df['tipo_de_arma'].str.replace('/ cortopunzante', '') df

Este código utiliza str.replace para eliminar "/ cortopunzante" de los valores en la columna 'tipo_de_arma' en el DataFrame "df". Después de aplicar esta operación, los valores en esa columna no contendrán la cadena "/ cortopunzante".

# Utiliza el método str.split() para dividir la columna "fecha" en tres columnas df[['dia', 'mes', 'year']] = df['fecha'].str.split('/', expand=True) df

Este código utiliza el método str.split() para dividir la columna "fecha" en tres columnas separadas: 'dia', 'mes' y 'year'. Los valores de la columna "fecha" que estaban en el formato "dd/mm/yyyy" se dividen en estas tres nuevas columnas, lo que permite un acceso más fácil a los componentes individuales de la fecha. El resultado muestra el DataFrame con las columnas adicionales.

# Crea la carpeta 'data_procesada' si no existe if not os.path.exists('data_procesada'): os.makedirs('data_procesada') # Columnas a exportar columnas_a_exportar = df.columns # Estilos para el párrafo en el PDF styles = getSampleStyleSheet() for columna in columnas_a_exportar: # Obtiene la lista completa de valores únicos en la columna actual valores_unicos = df[columna].unique() # Especifica el nombre del archivo PDF de salida basado en el nombre de la columna nombre_archivo = f'data_procesada/valores_unicos_{columna}.pdf' # Configura el tamaño del papel para el PDF (por ejemplo, letter) pdf = SimpleDocTemplate(nombre_archivo, pagesize=letter) # Lista para almacenar los elementos del PDF elements = [] # Agrega el título de la columna al PDF sin aplicar ningún estilo adicional elements.append(Paragraph(f"Valores únicos en la columna '{columna}':", styles["Title"])) elements.append(Spacer(1, 12)) # Agrega un espacio en blanco después del título # Agrega cada valor único en una línea separada sin aplicar ningún estilo adicional for valor in valores_unicos: elements.append(Paragraph(str(valor), styles["Normal"])) # Crea el PDF con los elementos pdf.build(elements) print(f"Los valores únicos en la columna '{columna}' se han guardado en el archivo {nombre_archivo}")

Este código crea una carpeta llamada 'data_procesada' si aún no existe. Luego, itera a través de las columnas del DataFrame "df" y genera archivos PDF separados para cada columna. Estos archivos contienen una lista de valores únicos en esa columna específica. Se utiliza la biblioteca ReportLab para crear los PDF, y los nombres de archivo se basan en el nombre de la columna. Finalmente, se imprime un mensaje que informa que los valores únicos en cada columna se han guardado como archivos PDF en la carpeta 'data_procesada'.

FASE 4: MODELADO

En esta fase del proyecto enfocado en las violaciones en Colombia, se procede a la creación y desarrollo de modelos que ayuden a comprender y predecir mejor los patrones de violencia sexual. Se aplican técnicas de análisis estadístico para identificar relaciones y tendencias en los datos recopilados. Esto incluye la exploración de factores demográficos, geográficos y temporales que puedan estar relacionados con las violaciones. Durante esta fase, se ajustan y validan los modelos para asegurarse de que sean precisos y útiles en la toma de decisiones.

# Calcular la frecuencia de cada valor en la columna 'departamento' frecuencia_departamento = df['departamento'].value_counts() # Configura el estilo de Seaborn (opcional) sns.set(style="whitegrid") # Ajusta el tamaño del gráfico para aumentar su altura y anchura plt.figure(figsize=(18, 10)) # Ancho: 18, Alto: 10 (ajusta según tus necesidades) ax = sns.countplot(data=df, x='departamento', order=df['departamento'].value_counts().index) plt.xticks(rotation=90) # Rota las etiquetas del eje x para una mejor visualización plt.xlabel('Departamento', fontsize=20) # Aumenta el tamaño de la letra del eje x plt.ylabel('Frecuencia', fontsize=20) # Aumenta el tamaño de la letra del eje y plt.title('Frecuencia de Departamentos', fontsize=20) # Aumenta el tamaño de la letra del título # Crear una tabla de leyenda con un espaciado vertical más amplio legend_table = plt.table(cellText=[(departamento, str(frecuencia)) for departamento, frecuencia in frecuencia_departamento.items()], colLabels=['Departamento', 'Frecuencia'], loc='center', # Ubica el cuadro de leyenda a la derecha bbox=[1.1, 0, 0.4, 1.0]) # Ajusta las coordenadas y el tamaño del cuadro de leyenda legend_table.auto_set_font_size(False) legend_table.set_fontsize(12) # Aumenta el tamaño de la letra en la tabla de leyenda legend_table.scale(1, 1.5) # Aumenta la altura vertical de la tabla # Estilizar la tabla de leyenda for key, cell in legend_table._cells.items(): cell.set_edgecolor('black') if key[0] == 0: cell.set_text_props(weight='bold', fontsize=13) # Hacer negritas las etiquetas de las columnas y aumentar el tamaño else: cell.set_fontsize(13) # Ajustar el tamaño de fuente para el contenido de la tabla plt.show()

Este código calcula la frecuencia de cada valor en la columna 'departamento' del DataFrame "df". Luego, crea un gráfico de barras utilizando Seaborn para visualizar la frecuencia de cada departamento. El gráfico muestra los departamentos en el eje x y la frecuencia en el eje y. Además, se añade una tabla de leyenda que detalla la frecuencia de cada departamento debajo del gráfico. Se ajusta el tamaño del gráfico y se estiliza la tabla de leyenda para una mejor presentación. El resultado es un gráfico de barras con información detallada sobre la frecuencia de departamentos.

# Filtra los datos para eliminar los sectores con un porcentaje del 0% count_tipo_armas = df['tipo_de_arma'].value_counts() porcentajes = (count_tipo_armas / count_tipo_armas.sum() * 100).round(1) count_tipo_armas = count_tipo_armas[porcentajes > 0] porcentajes = porcentajes[porcentajes > 0] # Crea un gráfico de pastel con los datos filtrados plt.figure(figsize=(8, 8)) wedges, _, autopcts = plt.pie(count_tipo_armas, labels=[''] * len(count_tipo_armas), autopct='', startangle=140) plt.axis('equal') plt.title('Distribución de Tipos de Armas') # Personaliza las etiquetas de la leyenda con nombres y porcentajes legend_labels = [f'{i + 1}. {label} ({porcentaje}%)' for i, (label, porcentaje) in enumerate(zip(count_tipo_armas.index, porcentajes))] # Ubica la leyenda en la esquina inferior derecha pero separada del gráfico legend = plt.legend(legend_labels, title='Tipos de Armas', bbox_to_anchor=(1.05, 0.5), loc='center left') # Agrega números en cada sector del gráfico for i, (wedge, label) in enumerate(zip(wedges, legend_labels)): angle = wedge.theta1 + 0.5 * (wedge.theta2 - wedge.theta1) x = 0.7 * wedge.r * np.cos(np.deg2rad(angle)) y = 0.7 * wedge.r * np.sin(np.deg2rad(angle)) plt.text(x, y, str(i + 1), ha='center', va='center', fontsize=12, fontweight='bold', color='white') # Agrega números dentro del cuadro de la leyenda for i, (text, label) in enumerate(zip(legend.get_texts(), legend_labels)): text.set_text(label) plt.show()

Este código filtra y crea un gráfico de pastel para mostrar la distribución de tipos de armas, excluyendo aquellos con un porcentaje del 0%. Los tipos de armas se etiquetan con sus porcentajes y se añaden números tanto en el gráfico como en la leyenda para una representación visual detallada de los datos.

columnas_a_convertir = ['codigo_dane', 'cantidad', 'year','dia', 'mes'] df[columnas_a_convertir] = df[columnas_a_convertir].apply(lambda x: pd.to_numeric(x, errors='coerce')) df.info()

Este código selecciona un conjunto de columnas en el DataFrame "df" llamadas 'codigo_dane', 'cantidad', 'year', 'dia', y 'mes'. Luego, aplica la función pd.to_numeric a estas columnas con el parámetro errors='coerce', lo que intenta convertir los valores a tipos numéricos y asigna NaN (no un número) en caso de que no sea posible realizar la conversión. Finalmente, llama a df.info() para mostrar información sobre el DataFrame actualizado, incluyendo los tipos de datos de las columnas. Esta operación puede ser útil para asegurarse de que las columnas seleccionadas contengan datos numéricos en lugar de objetos de texto.

nombre_archivo = "datos_limpios.csv" # Obtén los tipos de dato de las columnas tipos_de_dato = df.dtypes # Guarda el DataFrame en un archivo CSV df.to_csv(nombre_archivo, index=False)

En este fragmento de código, se define el nombre del archivo de salida como "datos_limpios.csv". Luego, se obtienen los tipos de datos de las columnas del DataFrame "df" y se almacenan en la variable "tipos_de_dato". Por último, el DataFrame se guarda en un archivo CSV utilizando el nombre de archivo especificado ("datos_limpios.csv") y la opción "index=False" para evitar que se incluyan los índices en el archivo CSV resultante. Esto permite guardar los datos limpios en un archivo CSV para su posterior uso o análisis.

df2 = pd.read_csv("datos_limpios.csv", dtype=str) df2.info()

# Make DataFrame Pipeline Interactive idf = df.interactive() idf.head()

El código crea un DataFrame interactivo llamado "idf" utilizando la función "interactive()" en el DataFrame original "df". Un DataFrame interactivo es una característica proporcionada por la biblioteca Panel que permite la exploración interactiva de datos en un entorno de panel interactivo. La función "head()" se utiliza para mostrar las primeras filas del DataFrame interactivo "idf", lo que permite una exploración interactiva de los datos.

# Define Panel widgets year_slider = pn.widgets.IntRangeSlider(name='Rango de años', width=250, start=2010, end=2023, value=(2010, 2023), value_throttled=(2010,2023)) year_slider

En este código, se define un widget de Panel llamado "year_slider". Este widget es un control deslizante de rango de enteros que permite a los usuarios seleccionar un rango de años. El widget tiene un nombre visible en la interfaz de usuario, que es 'Rango de años', un ancho de 250 unidades, un valor inicial que comienza en 2010 y termina en 2023, y un valor inicial preseleccionado que también es (2010, 2023). Este widget puede ser utilizado en una aplicación interactiva de Panel para permitir a los usuarios filtrar y explorar datos basados en el rango de años que seleccionen.

# Crear botones de selección de tipo de datos bt2 = pn.widgets.RadioButtonGroup( name='Seleccionar datos', button_type='success', options=['delito', 'tipo_de_arma'], ) bt2

En este código, se crea un grupo de botones de selección de tipo de datos llamado "bt2". Este grupo de botones RadioButtonGroup es un widget de Panel que permite a los usuarios seleccionar una opción de entre las proporcionadas. En este caso, las opciones son 'delito' y 'tipo_de_arma'. Los botones tienen un estilo de color 'success', lo que significa que se mostrarán en verde. Este widget puede ser utilizado en una aplicación interactiva de Panel para permitir a los usuarios elegir entre estas dos opciones de datos.

# Radio buttons para seleccionar entre 'departamento' y 'municipio' radio_buttons = pn.widgets.RadioButtonGroup( name='Seleccionar datos', options=['departamento', 'municipio'], button_type='success' ) radio_buttons

En este código, se crea un grupo de botones de radio llamado "radio_buttons" para permitir a los usuarios seleccionar entre dos opciones: 'departamento' y 'municipio'. Estos botones de radio están diseñados con un estilo de color 'success', lo que los hace ver en verde en la interfaz de usuario. Este widget puede ser utilizado en una aplicación interactiva de Panel para permitir a los usuarios alternar entre estas dos opciones de datos.

# Función para crear la gráfica interactiva @pn.depends(year=year_slider.param.value_throttled, data_type=radio_buttons) def create_bar_chart(year, data_type): # Filtra el DataFrame por el rango de años seleccionado filtered_df = df[(df['year'] >= year[0]) & (df['year'] <= year[1])] # Calcula la frecuencia de departamentos o municipios según la selección if data_type == 'departamento': data_column = 'departamento' plot_title = 'Frecuencia de Departamentos (Top 32)' else: data_column = 'municipio' plot_title = 'Frecuencia de Municipios (Top 32)' frecuencia_data = filtered_df[data_column].value_counts().reset_index() frecuencia_data = frecuencia_data.rename(columns={'index': data_column, data_column: 'Frecuencia'}) # Selecciona los 32 principales top_32 = frecuencia_data.nlargest(32, 'Frecuencia') # Crea el gráfico de barras bar_chart = top_32.hvplot( kind='bar', x=data_column, y='Frecuencia', xlabel=data_column, ylabel='Frecuencia', rot=90, title=plot_title ) return bar_chart # Crea un panel con los widgets y el gráfico plot = pn.Column(year_slider, radio_buttons, create_bar_chart) plot

Este código define una función llamada "create_bar_chart" que crea una gráfica interactiva dependiendo de los valores seleccionados en los widgets "year_slider" y "radio_buttons". Primero, filtra el DataFrame según el rango de años seleccionado. Luego, calcula la frecuencia de departamentos o municipios en función de la selección del usuario y crea un gráfico de barras que muestra las 32 principales categorías. Finalmente, se crea un panel que incluye los widgets de selección y la gráfica interactiva, lo que permite a los usuarios explorar y visualizar datos de frecuencia de departamentos o municipios en función del rango de años seleccionado y el tipo de datos elegido.

# Función para crear la tabla paginada @pn.depends(data_type=radio_buttons.param.value, year=year_slider.param.value) def create_table(data_type, year): # Filtrar el DataFrame por el rango de años seleccionado filtered_df = df[(df['year'] >= year[0]) & (df['year'] <= year[1])] # Agrupar los datos por departamento o municipio según la selección if data_type == 'departamento': data_column = 'departamento' else: data_column = 'municipio' grouped_data = filtered_df.groupby(['year', data_column]).size().reset_index(name='Frecuencia') # Ordenar los datos por frecuencia de mayor a menor grouped_data = grouped_data.sort_values(by='Frecuencia', ascending=False) # Crear una tabla interactiva paginada, no editable table = pn.widgets.Tabulator(grouped_data, pagination='remote', page_size=10) # Configurar las columnas y hacer que la tabla no sea editable table.param.columns = [data_column, 'Frecuencia'] table.param.editable = False return table # Crear un panel con el deslizador de años, los botones y la tabla interactiva panel = pn.Column( year_slider, radio_buttons, create_table ) panel

El código define una función "create_table" que crea una tabla paginada basada en las selecciones de los widgets "year_slider" y "radio_buttons". Los datos se filtran, agrupan y ordenan según las preferencias del usuario. El panel resultante incluye widgets de selección de año y tipo de datos junto con la tabla paginada para explorar y visualizar los datos de frecuencia de departamentos o municipios según el rango de años y el tipo de datos seleccionado.

# Función para crear la tabla paginada @pn.depends(data_type=bt2.param.value, year=year_slider.param.value) def create_table2(data_type, year): # Filtrar el DataFrame por el rango de años seleccionado filtered_df = df[(df['year'] >= year[0]) & (df['year'] <= year[1])] # Agrupar los datos por delitos o tipo_de_arma según la selección if data_type == 'delito': data_column = 'delito' else: data_column = 'tipo_de_arma' grouped_data = filtered_df.groupby(['year', data_column]).size().reset_index(name='Frecuencia') # Ordenar los datos por frecuencia de mayor a menor grouped_data = grouped_data.sort_values(by='Frecuencia', ascending=False) # Crear una tabla interactiva paginada table2 = pn.widgets.Tabulator(grouped_data, pagination='remote', page_size=10) # Configurar las columnas y hacer que la tabla no sea editable table2.columns = [data_column, 'Frecuencia'] table2.editable = False return table2 # Crear un panel con el deslizador de años, los botones y la tabla interactiva panel2 = pn.Column( year_slider, bt2, create_table2 ) panel2

Este código define la función "create_table2" que crea una tabla paginada en función de las selecciones de los widgets "year_slider" y "bt2" (botones de selección de tipo de datos). Los datos se filtran, agrupan y ordenan según las preferencias del usuario. El panel final incluye widgets de selección de año y tipo de datos junto con la tabla paginada para explorar y visualizar datos de frecuencia de delitos o tipos de armas según el rango de años y el tipo de datos seleccionado.

# Obtener la frecuencia de cada valor único en la columna 'delito' frecuencia_delitos = df['delito'].value_counts() # Crear un nuevo DataFrame a partir de la serie de frecuencias df_delitos = pd.DataFrame({'delito': frecuencia_delitos.index, 'Frecuencia': frecuencia_delitos.values}) # Ordenar el DataFrame por frecuencia de mayor a menor df_delitos = df_delitos.sort_values(by='Frecuencia', ascending=False) # Función para crear el gráfico de pastel con porcentajes def create_pie_chart_with_percentages(df): fig = px.pie(df, names='delito', values='Frecuencia') # Ajustar el tamaño del gráfico de pastel fig.update_layout(width=650, height=560) # Colocar la leyenda debajo del gráfico fig.update_layout(legend=dict(orientation="h", yanchor="bottom", y=1.02, xanchor="center", x=0.5)) # Ajustar el margen derecho del gráfico para pegarlo a la izquierda fig.update_layout(margin=dict(r=300)) return fig # Crear un panel de Markdown con la explicación de la interacción interaction_explanation = """ **Interacción con el Gráfico:** El cuadro de leyenda te permite mostrar u ocultar ciertos artículos haciendo clic en ellos. Prueba hacer clic en los nombres de los artículos en la leyenda para ver cómo afecta al gráfico. """ # Crear el gráfico de pastel inicial con porcentajes initial_pie_chart = create_pie_chart_with_percentages(df_delitos) delito_explanation = pn.Column( pn.pane.Markdown(""" - Artículo 205. Acceso carnal violento - Artículo 206. Acto sexual violento - Artículo 207. Acceso carnal o acto sexual en persona puesta en incapacidad de resistir - Artículo 208. Acceso carnal abusivo con menor de 14 años - Artículo 209. Actos sexuales con menor de 14 años - Artículo 210a. Acoso sexual - Artículo 210. Acceso carnal o acto sexual abusivo con incapaz de resistir - Artículo 211. Acceso carnal abusivo con menor de 14 años - Artículo 211. Actos sexuales con menor de 14 años - Artículo 211. Acceso carnal o acto sexual en persona puesta en incapacidad de resistir - Artículo 211. Acceso carnal violento - Artículo 211. Acto sexual violento - Artículo 213. Inducción a la prostitución - Artículo 213a. Proxenetismo con menor de edad - Artículo 214. Constreñimiento a la prostitución - Artículo 216. Constreñimiento a la prostitución - Artículo 216. Inducción a la prostitución - Artículo 217. Estímulo a la prostitución de menores - Artículo 217a. Demanda de explotación sexual comercial de persona menor de 18 años de edad - Artículo 218. Pornografía con menores - Artículo 219a. Utilización o facilitación de medios de comunicación para ofrecer servicios sexuales de menores - Artículo 219b. Omisión de denuncia """), margin=(-10, 0, 0, 0) # Margen superior, derecho, inferior e izquierdo ) explanation_card = pn.Card( delito_explanation, title='Explicación Artículos', width=350, # Ancho fijo en píxeles margin=(-10, 0, 0, -280), collapsible=True, # Permite plegar/desplegar la carta collapsed=True, # Inicialmente plegada ) # Crear un panel con la explicación de interacción, el gráfico de pastel y la explicación de los delitos en forma de Card interaction_panel = pn.Column(interaction_explanation, pn.Row(initial_pie_chart, explanation_card)) # Visualizar el panel interaction_panel

Este código comienza calculando la frecuencia de los diferentes delitos en una columna llamada 'delito' y crea un nuevo DataFrame ordenado por frecuencia. Luego, utiliza Plotly Express para generar un gráfico de pastel interactivo que muestra la distribución de estos delitos en forma de porcentaje. También incluye una explicación sobre cómo interactuar con el gráfico y una lista detallada de los diferentes delitos. En conjunto, este panel interactivo permite a los usuarios explorar y comprender la frecuencia de los delitos de manera visual y detallada.

# Título centrado title = pn.pane.Markdown('# Abusos sexuales en Colombia', align='center') # Logo centrado con tamaño fijo logo = pn.panel('bandera.png', width=200, height=200, align='center') # Texto centrado text2 = pn.pane.Markdown('Dataset: http://bit.ly/4604c8H', align='center') # Texto centrado text1 = pn.pane.Markdown(""" En este conjunto de datos la ciudadanía puede encontrar información sobre delitos sexuales desde el 01 de enero del año 2010 al 31 de mayo del año 2023. Los datos están de acuerdo a la nueva metodología de validación de denuncias con la Fiscalía General de la Nación, la cual puede ser encontrada en el link """, styles={'text-align': 'justify'}) # Botones centrados radio_button_panel = pn.Row(radio_buttons, align='center') radio_button_panel2 = pn.Row(bt2, align='center') # Slider centrado year_slider_panel = pn.Row(year_slider, align='center') # Header box (sin alineación específica) header_box = pn.Column(title, logo, text1, text2, radio_button_panel, radio_button_panel2, year_slider_panel, align='center', width=300) # Crear un panel con la gráfica de barras bar_chart_panel = pn.Card(pn.Column(create_bar_chart, width=800, height=310), title='Frecuencia', width=800) # Crear un panel con la tabla table_panel = pn.Card(pn.Column(create_table, width=400, height=372), title='Municipio / Departamento', width=400) table_panel2 = pn.Card(pn.Column(create_table2, width=400, height=372), title='Armas / Delito', width=400) # Crear un panel con la grafica de pastel interaction_panel = pn.Card(pn.Column(interaction_explanation, pn.Row(initial_pie_chart, explanation_card)), title='Artículos', width=770, height=766) # Alinear verticalmente el encabezado y la tarjeta que contiene el gráfico y las tablas header_and_chart_table = pn.Card(pn.Row(header_box, pn.Column(pn.Row(bar_chart_panel), pn.Row(table_panel, table_panel2)), interaction_panel), title='Dashboard') # Crear un dashboard que coloca el encabezado a la izquierda y el panel de gráfico y tabla a la derecha dashboard = pn.Row(header_and_chart_table, sizing_mode="fixed") dashboard

Este código crea un panel de control centrado que proporciona información sobre abusos sexuales en Colombia. Incluye un título, un logo de bandera, detalles sobre el conjunto de datos y enlaces a la fuente de los datos. Además, ofrece botones para seleccionar el tipo de datos a visualizar, un deslizador para elegir un rango de años, un gráfico de barras interactivo que muestra la frecuencia de departamentos o municipios, y tablas paginadas para explorar datos tabulares. El panel de control proporciona una manera centralizada y organizada de interactuar y visualizar información relacionada con abusos sexuales en Colombia.

# Crear elementos del header y el footer header = pn.Row( pn.pane.Markdown('# Proyecto Final Gestión de Proyectos', align='center'), width=800, margin=(0, 0, 0, 0), css_classes=['header'] ) # Texto debajo del título header_text = pn.pane.Markdown(""" En el contexto global actual, donde los derechos humanos y la igualdad de género son temas centrales de discusión y acción, se enmarca el proyecto que tiene como objetivo analizar una base de datos sobre violaciones en Colombia. Esta iniciativa surge en respuesta a la creciente preocupación por los casos de violencia sexual en el país, una problemática que afecta a individuos de todas las edades, géneros y trasfondos socioeconómicos. Las violaciones no solo tienen un impacto devastador en las víctimas y sus familias, sino que también generan efectos negativos en la sociedad en su conjunto, erosionando la confianza en las instituciones y perpetuando patrones de discriminación y desigualdad. En este contexto, el análisis descriptivo de la base de datos busca arrojar luz sobre las tendencias, patrones geográficos y características demográficas de los incidentes de violación, proporcionando una base sólida para comunicar la toma de decisiones informadas por parte de las autoridades y los actores involucrados en la prevención y mitigación de la violencia sexual en Colombia. """, margin=(-20, 20, 0, 20), styles={'text-align': 'justify'}) # Crear un panel para el header header_panel = pn.Column( header, header_text, sizing_mode="stretch_width" ) # Crear un panel para el footer footer = pn.Row( pn.pane.Markdown('© 2023 Tu Nombre', align='center'), width=800, css_classes=['footer'] ) # Crear un panel para tu dashboard dashboard_panel = pn.Column( header_panel, dashboard, footer, sizing_mode="stretch_width" ) # Visualizar el panel del dashboard dashboard_panel.servable()

Este código crea un encabezado (header) y un pie de página (footer) para el proyecto "Proyecto Final Gestión de Proyectos". El encabezado incluye un título centrado y un texto descriptivo que introduce el propósito del proyecto, destacando la importancia de abordar la problemática de la violencia sexual en Colombia. El pie de página muestra el año de copyright y se coloca en la parte inferior del panel. Además, se integra todo en un panel de control que incluye tanto el encabezado como el pie de página, creando una presentación completa y organizada del proyecto que puede ser servida y visualizada de manera interactiva.