Presupuesto Institucional asignado para la reducción de delitos y faltas que afectan a la seguridad ciudadana - Lima - Perú - 2022
Portal de Transparencia Económica - Ministerio de Economía y Finanzas - Gobierno del Perú
Autor del presente notebook: Urdanegui Bisalaya, Sebastian Marat
Fuente de datos: https://apps5.mineco.gob.pe/transparencia/mensual/
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import geopandas
Primer vistazo del dataset
data = pd.read_csv('presupuesto_seguridad_ciudadana_lima.csv', sep=';')
data.head()
data.tail()
data.shape
data.size
data.isnull().sum()
data.dtypes
Preparación y limpieza de la información del dataset
nombre_municipalidades = data['Municipalidad']
def obtener_nombre_municipalidades(data):
lista = []
for i in data:
municipalidad = i[15:]
lista.append(municipalidad)
return pd.DataFrame(lista)
Nombre_Municipalidad = obtener_nombre_municipalidades(nombre_municipalidades)
Nombre_Municipalidad
data = pd.DataFrame(data)
data = pd.concat([data,Nombre_Municipalidad], axis=1)
data = data.rename(columns={0:'Nombre_Municipalidad'})
data
data.isnull().sum().sort_values(ascending=False)
Análisis Exploratorio de Datos
¿Cuál es el total del Presupuesto Institucional de Apertura (PIA) del año fiscal 2022 para todas las municipalidades del departamento de Lima asignado para reducir los delitos y faltas que afectan a la seguridad ciudadana?
total_PIA = data['PIA'].sum()
print(f'''El Presupuesto Institucional de Apertura para el departamento de Lima para el año fiscal 2022 es de S/. {total_PIA}
con el objetivo de reducir los delitos y faltas que afectan a la seguridad ciudadana.''')
¿Cuál es el total del Presupuesto Institucional Modificado (PIM) del año fiscal 2022 para todas las municipalidades del departamento de Lima asignado para reducir los delitos y faltas que afectan a la seguridad ciudadana?
total_PIM = data['PIM'].sum()
print(f'''El Presupuesto Institucional Modificado para el departamento de Lima para el año fiscal 2022 es de S/. {total_PIM}
con el objetivo de reducir los delitos y faltas que afectan a la seguridad ciudadana.''')
¿Cuál es el crecimiento del Presupuesto Institucional de Apertura (PIA) del año fiscal 2022 reflejado en el Presupuesto Institucional Modificado (PIM) para todas las municipalidades del departamento de Lima asignado para reducir los delitos y faltas que afectan a la seguridad ciudadana?
crecimiento_presupuesto = round((total_PIM - total_PIA)/total_PIA*100,2)
print(f'''El crecimiento porcentual del Presupuesto Institucional de Apertura reflejado en el Presupuesto Institucional Modificado
para el departamento de Lima fue de {crecimiento_presupuesto}% con el objetivo de reducir los delitos y faltas que afectan a la seguridad ciudadana.''')
# Gráfica de barras
x = ['PIA','PIM']
y = [456.217812, 586.788768]
fig, ax = plt.subplots(figsize=(10,8),dpi=80)
ax.bar(x,y, color=['salmon','sienna'])
plt.ylabel('PIA y PIM (en millones de soles)')
plt.suptitle('''PIA y PIM total asignado a las municipalidades del departamento de Lima para reducir
los delitos y las faltas que afectan a la seguridad ciudadana (en millones de soles)''', size=14)
plt.title('Fuente: Elaboración propia. Data extraída del Portal de Transparencia Económica - MEF.', size=10)
for i in ['bottom', 'left']:
ax.spines[i].set_color('black')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.plot(x,y, color='black', marker='o', linewidth=2, linestyle='dashed')
plt.show()
¿Cuál es el Top 10 de las municipalidades del departamento de Lima que recibieron los mayores Presupuestos Institucionales de Apertura (PIA) para el año fiscal 2022 asignados para reducir los delitos y las faltas que afectan a la seguridad ciudadana?
data_gp_1 = data.groupby('Nombre_Municipalidad')['PIA'].sum().sort_values(ascending=False)[:10]
data_gp_1 = pd.DataFrame(data_gp_1)
data_gp_1 = data_gp_1.reset_index()
data_gp_1['PIA'] = data_gp_1['PIA']/1000000
data_gp_1
fig, ax = plt.subplots(figsize=(12,6), dpi=70)
ax = sns.barplot(data=data_gp_1, x='Nombre_Municipalidad', y='PIA', palette='rainbow')
ax.bar_label(ax.containers[0], fontsize=8.5)
plt.title('Top 10: Municipalidades del departamento de Lima que recibieron el mayor PIA\n con el objetivo de reducir los delitos y las faltas que afectan a la ciudadanía \n(en soles)', size=14)
for i in ['bottom', 'left']:
ax.spines[i].set_color('white')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.xticks(size=8, rotation=50)
plt.show()
¿Cuál es el Top 10 de las municipalidades del departamento de Lima que recibieron los menores Presupuestos Institucionales de Apertura (PIA) para el año fiscal 2022 asignados para reducir los delitos y las faltas que afectan a la seguridad ciudadana?
data_gp_2 = data.groupby('Nombre_Municipalidad')['PIA'].sum().sort_values(ascending=False).tail(17)
data_gp_2 = pd.DataFrame(data_gp_2)
data_gp_2 = data_gp_2.reset_index()
data_gp_2['PIA'] = data_gp_2['PIA']
data_gp_2 = data_gp_2.iloc[:10]
data_gp_2
fig, ax = plt.subplots(figsize=(12,6), dpi=70)
ax = sns.barplot(data=data_gp_2, x='Nombre_Municipalidad', y='PIA', palette='viridis')
ax.bar_label(ax.containers[0], fontsize=8.5)
plt.title('Top 10: Municipalidades del departamento de Lima que recibieron el menor PIA\n con el objetivo de reducir los delitos y las faltas que afectan a la ciudadanía \n(en soles)', size=14)
for i in ['bottom', 'left']:
ax.spines[i].set_color('black')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.xticks(size=8, rotation=50)
plt.show()
¿Cuál es el Top 10 de las municipalidades del departamento de Lima que recibieron los mayores Presupuestos Institucionales Modificados (PIM) para el año fiscal 2022 asignados para reducir los delitos y las faltas que afectan a la seguridad ciudadana?
data_gp_3 = data.groupby('Nombre_Municipalidad')['PIM'].sum().sort_values(ascending=False)[:10]
data_gp_3 = pd.DataFrame(data_gp_3)
data_gp_3 = data_gp_3.reset_index()
data_gp_3['PIM'] = data_gp_3['PIM']/1000000
data_gp_3
fig, ax = plt.subplots(figsize=(12,6), dpi=70)
ax = sns.barplot(data=data_gp_3, x='Nombre_Municipalidad', y='PIM', palette='rainbow')
ax.bar_label(ax.containers[0], fontsize=8.5)
plt.title('Top 10: Municipalidades del departamento de Lima que recibieron el mayor PIM\n con el objetivo de reducir los delitos y las faltas que afectan a la ciudadanía \n(en millones de soles)', size=14)
for i in ['bottom', 'left']:
ax.spines[i].set_color('white')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.xticks(size=8, rotation=50)
plt.show()
¿Cuál es el Top 10 de las municipalidades del departamento de Lima que recibieron los menores Presupuestos Institucionales Modificados (PIM) para el año fiscal 2022 asignados para reducir los delitos y las faltas que afectan a la seguridad ciudadana?
data_gp_4 = data.groupby('Nombre_Municipalidad')['PIM'].sum().sort_values(ascending=False).tail(17)
data_gp_4 = pd.DataFrame(data_gp_4)
data_gp_4 = data_gp_4.reset_index()
data_gp_4['PIM'] = data_gp_4['PIM']
data_gp_4 = data_gp_4.iloc[:10]
data_gp_4
fig, ax = plt.subplots(figsize=(12,6), dpi=70)
ax = sns.barplot(data=data_gp_4, x='Nombre_Municipalidad', y='PIM', palette='viridis')
ax.bar_label(ax.containers[0], fontsize=8.5)
plt.title('Top 10: Municipalidades del departamento de Lima que recibieron el menor PIM\n con el objetivo de reducir los delitos y las faltas que afectan a la ciudadanía \n(en soles)', size=14)
for i in ['bottom', 'left']:
ax.spines[i].set_color('black')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.xticks(size=8, rotation=50)
plt.show()
¿Cuál es el diferencial existente en el Presupuesto Institucional de Apertura (PIA) y el Presupuesto Institucional Modificado (PIM) asignado para reducir los delitos y faltas que afectan a la seguridad ciudadana para las municipales que recibieron el mayor PIA y PIM?
data_gp_5 = data.groupby(['Nombre_Municipalidad'])[['PIA','PIM']].sum().sort_values(['PIA','PIM'], ascending=False)
data_gp_5 = pd.DataFrame(data_gp_5)
data_gp_5 = data_gp_5.iloc[:10]
data_gp_5['PIA'] = round(data_gp_5['PIA']/1000000,2)
data_gp_5['PIM'] = round(data_gp_5['PIM']/1000000,2)
data_gp_5
import plotly.graph_objects as go
fig = go.Figure()
fig.add_trace(go.Bar(x=data_gp_5.index, y=data_gp_5['PIA'], name='PIA (en millones de soles)',
marker_color='rgb(92,220,131)'))
fig.add_trace(go.Bar(x=data_gp_5.index, y=data_gp_5['PIM'], name='PIM (en millones de soles)',
marker_color='rgb(220,208,92)'))
fig.update_layout(
title='Presupuesto de apertura (PIA) y modificado (PIM) para las municipalidades de Lima',
yaxis=dict(
title='PIA y PIM (S/. en millones)',
titlefont_size=14,
tickfont_size=12
),
barmode='group'
)
fig.show()
¿Cuál es el Top 10 de las municipalidades pertenecientes al departamento de Lima que tienen los menores avances (%) en el año fiscal 2022 con respecto a la asignación del presupuesto para reducir las faltas y delitos que afectan a la seguridad ciudadana?
x = data['Avance %']
def string_to_int_avance(data):
lista_avance = []
for i in data:
strings = i[2:]
ints = float(strings)
lista_avance.append(ints)
return lista_avance
avance = pd.DataFrame(string_to_int_avance(x))
avance = avance.rename(columns={0:'Avance_%'})
avance
data = data.drop(['Avance %'], axis=1)
data = pd.concat([data, avance], axis=1)
data
data_gp_6 = data[['Nombre_Municipalidad','Avance_%']].sort_values(['Avance_%'], ascending=True).iloc[23:33]
data_gp_6 = data_gp_6.reset_index()
data_gp_6 = data_gp_6.drop(['index'],axis=1)
data_gp_6 = data_gp_6.sort_values(['Avance_%'],ascending=False)
data_gp_6
fig, ax = plt.subplots(figsize=(12,6), dpi=70)
ax = sns.barplot(data=data_gp_6, x='Nombre_Municipalidad', y='Avance_%', palette='twilight')
ax.bar_label(ax.containers[0], fontsize=8.5)
plt.title('Top 10: Municipalidades del departamento de Lima que tienen el menor Avance (%)\n del presupuesto para reducir los delitos y las faltas que afectan a la ciudadanía', size=14)
for i in ['bottom', 'left']:
ax.spines[i].set_color('black')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.xticks(size=8, rotation=50)
plt.show()
¿Cuál es el Top 10 de las municipalidades pertenecientes al departamento de Lima que tienen los mayores avances (%) en el año fiscal 2022 con respecto a la asignación del presupuesto para reducir las faltas y delitos que afectan a la seguridad ciudadana?
data_gp_7 = data[['Nombre_Municipalidad','Avance_%']].sort_values(['Avance_%'], ascending=False).iloc[:10]
data_gp_7 = data_gp_7.reset_index()
data_gp_7 = data_gp_7.drop(['index'],axis=1)
data_gp_7
fig, ax = plt.subplots(figsize=(12,6), dpi=70)
ax = sns.barplot(data=data_gp_7, x='Nombre_Municipalidad', y='Avance_%', palette='cubehelix')
ax.bar_label(ax.containers[0], fontsize=8.5)
plt.title('Top 10: Municipalidades del departamento de Lima que tienen el mayor Avance (%)\n del presupuesto para reducir los delitos y las faltas que afectan a la ciudadanía', size=14)
for i in ['bottom', 'left']:
ax.spines[i].set_color('black')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.xticks(size=8, rotation=50)
plt.show()
¿Cuál es el avance (%) del año fiscal 2022 con respecto al presupuesto asignado para reducir los delitos y las faltas que afectan a la seguridad ciudadana de las municipalidades del departamento de Lima que tienen la mayor percepción de seguridad ciudadana?
data_gp_8 = data[(data['Nombre_Municipalidad']=='MUNICIPALIDAD METROPOLITANA DE LIMA') | (data['Nombre_Municipalidad']=='MUNICIPALIDAD DISTRITAL DE SAN ISIDRO') |
(data['Nombre_Municipalidad']=='MUNICIPALIDAD DISTRITAL DE SANTIAGO DE SURCO') | (data['Nombre_Municipalidad']=='MUNICIPALIDAD DISTRITAL DE MIRAFLORES') |
(data['Nombre_Municipalidad']=='MUNICIPALIDAD DISTRITAL DE SAN BORJA')]
data_gp_8 = data_gp_8.reset_index()
data_gp_8 = data_gp_8.drop(['index'], axis=1)
data_gp_8 = data_gp_8.head()
data_gp_8
fig, ax = plt.subplots(figsize=(12,6), dpi=70)
ax = sns.barplot(data=data_gp_8, x='Nombre_Municipalidad', y='Avance_%', palette='twilight')
ax.bar_label(ax.containers[0], fontsize=8.5)
plt.title('Avance(%) del presupuesto para reducir los delitos y las faltas que afectan a la ciudadanía \nde las municipalidades del departamento de Lima que tienen la percepción de mayor seguridad', size=14)
for i in ['bottom', 'left']:
ax.spines[i].set_color('black')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.xticks(size=8, rotation=50)
plt.show()
Análisis geoespacial
Reflejar gráficamente el análisis geoespacial sobre los niveles del Presupuesto Institucional de Apertura (PIA) y Presupuesto Institucional Modificado (PIM) para el año fiscal 2022 en todas las municipalidades pertenecientes al departamento de Lima.
geodata = geopandas.read_file('DISTRITOS.shp')
geodata = geodata[geodata['DEPARTAMEN']=='LIMA']
geodata
Nombre_mun = data['Nombre_Municipalidad']
def cortar_nombre_municipalidad(data):
datos = []
for i in data:
dat = i[27:]
datos.append(dat)
return datos
Nombre_Mun = cortar_nombre_municipalidad(Nombre_mun)
Nombre_Mun = pd.DataFrame(Nombre_Mun)
Nombre_Mun = Nombre_Mun.rename(columns={0:'Nombre_Mun'})
Nombre_Mun = Nombre_Mun.replace({' DE LIMA':'LIMA', 'ATE - VITARTE':'ATE'})
Nombre_Mun
l = Nombre_Mun['Nombre_Mun']
def espacios_blanco(l):
s = []
for i in l:
xl = i.strip()
s.append(xl)
return s
Nombre_Muni = espacios_blanco(l)
Nombre_Muni = pd.DataFrame(Nombre_Muni)
Nombre_Muni = Nombre_Muni.rename(columns={0:'Nombre_Muni'})
Nombre_Mun = pd.concat([Nombre_Mun, Nombre_Muni],axis=1)
Nombre_Mun = Nombre_Mun.drop(['Nombre_Mun'],axis=1)
Nombre_Mun
data = pd.concat([data,Nombre_Mun],axis=1)
data
data_gp_9 = data[['PIM','Avance_%','Nombre_Muni']]
data_gp_9 = pd.DataFrame(data_gp_9)
data_gp_9['PIM'] = round(data_gp_9['PIM']/1000000,2)
data_gp_9 = data_gp_9.rename(columns={'Nombre_Muni':'DISTRITO'})
data_gp_9
data_gp_9 = pd.merge(geodata,data_gp_9, on='DISTRITO')
data_gp_9
fig, ax = plt.subplots(figsize=(12,7),dpi=90)
ax.set_aspect('equal')
ax = data_gp_9.plot(ax=ax,column='PIM',scheme='QUANTILES', k=5,
cmap='rainbow',legend=True,legend_kwds={'loc': 'center left', 'bbox_to_anchor':(1,0.5)})
plt.title('Niveles del PIM para las municipalidades del departamento de Lima - Perú - 2022 \npara la reducción de delitos y faltas que afectan a la seguridad ciudadana \n(S/. en millones)')
ax.grid(which='major',alpha=0.5)
for i in ['bottom', 'left']:
ax.spines[i].set_color('white')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.show()
fig, ax = plt.subplots(figsize=(12,7),dpi=90)
ax.set_aspect('equal')
ax = data_gp_9.plot(ax=ax,column='Avance_%',scheme='QUANTILES', k=5,
cmap='twilight',legend=True,legend_kwds={'loc': 'center left', 'bbox_to_anchor':(1,0.5)})
plt.title('Avance(%) del presupuesto asignado para las municipalidades del departamento de Lima - Perú - 2022 \npara la reducción de delitos y faltas que afectan a la seguridad ciudadana')
ax.grid(which='major',alpha=0.5)
for i in ['bottom', 'left']:
ax.spines[i].set_color('white')
ax.spines[i].set_linewidth(1.5)
right_side = ax.spines["right"]
right_side.set_visible(False)
top_side = ax.spines["top"]
top_side.set_visible(False)
ax.set_axisbelow(True)
ax.grid(color='gray', linewidth=1, axis='y', alpha=0.4)
plt.show()