Graduados Universidad del Quindio

!pip install sodapy !pip install pandas !pip install pandas_profiling

from sodapy import Socrata import matplotlib.pyplot as plt import numpy as np import pandas as pd import pandas_profiling as pp import seaborn as sns

%matplotlib inline sns.set_context("notebook") sns.set(rc={"figure.figsize": (10, 10)}) sns.set_style("white")

A través de la API de datos abiertos de Socrata se importan los datos desde la página web del Estado colombiano. En la visualización de la información de la misma página es posible identificar la cantidad total de observaciones.

client = Socrata("www.datos.gov.co", None) # Se define como límite la totalidad de observaciones results = client.get("bpih-hnp5", limit=10647) # Convert to pandas DataFrame df = pd.DataFrame.from_records(results) df.head(3)

df.info()

df.isnull().sum()

duplicate = df.duplicated(keep=False).sum() - df.duplicated(keep="first").sum() duplicate

df.value_counts("nivel_de_formacion")

df.value_counts("nivel_de_formacion")/len(df)*100

Se toman aquellas filas cuyo nivel de formación sea diferente a "POSGRADO". La nueva base de datos "new_df" cuenta pues con 10.291 observaciones solo de graduados de pregrado.

new_df = df.copy() new_df = new_df.loc[new_df["nivel_de_formacion"] != "POSGRADO"] new_df = new_df.apply(lambda x: x.astype(str).str.title()) new_df["nivel_de_formacion"].unique()

new_df.shape

De los 10.291 graduados, 6.719 son mujeres (65%) y 3.572 son hombres (35%).

titulo = f"Graduados Universidad del Quindio\nPregrado 2019-2022\n" plot_1 = sns.catplot( data=new_df, x="genero", kind="count").set(ylabel="Cantidad\n", xlabel="", title=titulo) for ax in plot_1.axes.flat: ax.bar_label(ax.containers[0]) plt.show()

fig, ax = plt.subplots(figsize=(10, 5)) plot_2 = new_df.groupby("genero").size().plot( kind= "pie", autopct="%1.0f%%", textprops={"fontsize": 14, "color":"black"}, wedgeprops= {"edgecolor":"gray", "linewidth": 1, "antialiased": True}, colors=["green","white"]) fig.suptitle("Composición de graduados por género\nen pregrado") ax.set_ylabel("") plt.show()

Áreas más demandadas

sexo = ["#4169E1", "#E50000"] new_df.rename(columns={"genero": "Género"}, inplace=True) sns.catplot(data=new_df, y="facultad", hue="Género", kind="count", palette= sexo).set(ylabel = "", xlabel = "Graduados", title= "\nGraduados por facultad en pregrado\n") plt.show()

new_df["facultad"].value_counts()

Metodologías de formación

El 45% de los graduados de pregrado de la Universidad de Quindío se forman con metodología presencial. El restante 55% de profesionales se educó de manera no presencial.

fig, ax = plt.subplots(figsize=(10, 5)) metodologia = new_df.groupby("metodologia").size().plot( kind="pie", autopct="%1.0f%%", textprops={"fontsize": 14, "color":"black"}, wedgeprops= {"edgecolor":"gray", "linewidth": 1, "antialiased": True}, colors=["darkgreen","lightgreen","white"]) fig.suptitle("Composición de graduados de pregrado\nsegún metodología") ax.set_ylabel("") plt.show()

Reducción de graduados

En 2022, la cantidad de graduados de pregrado en la Universidad del Quindío se redujo en un 12.7% frente al periodo prepandemia de 2019. Para este análisis, la base de datos disponible no comprende información suficiente para determinar las razones en la reducción de graduados. Si bien la pandemia del Covid-19 puede surgir como la principal explicación, aún queda espacio a una investigación más profunda, pues, al tratarse de una universidad pública en donde el 55% de sus graduados cursa sus estudios de manera no presencial, las restricciones sanitarias o de ingresos pueden no explicar por completo el fenómeno.

new_df["vigencia"].unique()

new_df['vigencia'] = np.where(new_df['vigencia'] == "2019-1", 2019, new_df['vigencia']) new_df['vigencia'] = np.where(new_df['vigencia'] == "2019-2", 2019, new_df['vigencia']) new_df['vigencia'] = np.where(new_df['vigencia'] == "2020-1", 2020, new_df['vigencia']) new_df['vigencia'] = np.where(new_df['vigencia'] == "2020-2", 2020, new_df['vigencia']) new_df['vigencia'] = np.where(new_df['vigencia'] == "2021-1", 2021, new_df['vigencia']) new_df['vigencia'] = np.where(new_df['vigencia'] == "2021-2", 2021, new_df['vigencia']) new_df['vigencia'] = np.where(new_df['vigencia'] == "2022-1", 2022, new_df['vigencia']) new_df['vigencia'] = np.where(new_df['vigencia'] == "2022-2", 2022, new_df['vigencia']) new_df["vigencia"].unique()

new_df

last_plot = sns.catplot(data=new_df, x = "vigencia", kind="count").set(xlabel = "Año", ylabel="Graduados", title = "Histórico de graduados\n2019-2022\n") for ax in last_plot.axes.flat: ax.bar_label(ax.containers[0]) plt.show()

Top 20

Para finalizar, se muestra la lista con las 20 carreras con más graduados de pregrado (y su participación porcentual en el total) en la Universidad del Quindío del periodo 2019-2022.

top_20 = new_df["prog_nombre"].value_counts().iloc[:20].rename_axis("Carrera").reset_index(name="Graduados") top_20["Porcentaje"] = (top_20["Graduados"] / top_20["Graduados"].sum()) * 100 top_20["Porcentaje"]=top_20["Porcentaje"].apply(lambda x:"%s%%"%round(x,2)) top_20.index = top_20.index + 1 top_20