Ranking de ejecución del Programa Presupuestal 101 "Incremento de actividades físicas, deportivas y recreativas en la población peruana" durante el año 2021 en los gobiernos locales

Análisis Exploratorio de Datos (EDA)

Realizado por: Urdanegui Bisalaya, Sebastian Marat

Contactarse con Sebastian: sebasurdanegui@gmail.com

Base de datos: https://www.datosabiertos.gob.pe/dataset/ranking-ppr-101

El presente notebook tiene como objetivo aplicar los conocimientos adquiridos como Data Analyst en la escuela de Data Analyst de Platzi. Tomé la decisión de evaluar el Ranking de ejecución del Programa Presupuestal 101 "Incremento de actividades físicas, deportivas y recreativas en la población peruana" durante el año 2021 en los gobiernos locales para dar a conocer a los lectores qué presupuesto fue asignado por el Ministerio de Economía y Finanzas a cada gobierno local, además, mostrar la tasa de ejecución y el valor monetario de cada asignación.

Fuente: https://www.datosabiertos.gob.pe/dataset/ranking-ppr-101/resource/f6ae18bb-6890-4e90-8b09-4ea9d4614bb5

Las siguientes librerías serán necesarias para extraer, transformar y analizar la información del dataset. Además, es necesario instalar las siguientes dependencias para lograr acceder al formato .xlsx sin ningún inconveniente: 'xlrd', 'openpyxl'.

import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import plotly import xlrd import openpyxl import geopandas

La información del Programa Presupuestal 101 "Incremento de actividades físicas, deportivas y recreativas en la población peruana" durante el año 2021 en los gobiernos locales será almacenada en la variable data para el posterior uso.

data = pd.read_excel('PPR_0101_2021.xlsx')

data.head()

Preparación y limpieza del dataset

Debo eliminar aquellas columnas que se encuentran en la parte derecha de la columna Total, puesto que la información declarada no será útil para el análisis de datos.

data = data.iloc[:,:18] data.head()

data.shape

El dataset Programa Presupuestal 101 "Incremento de actividades físicas, deportivas y recreativas en la población peruana" durante el año 2021 en los gobiernos locales tiene 1,192 filas y 18 columnas.

data.size

El dataset Programa Presupuestal 101 "Incremento de actividades físicas, deportivas y recreativas en la población peruana" durante el año 2021 en los gobiernos locales tiene 21,456 datos.

data.dtypes

Dado que el dataset posee espacios en blanco y las variables del tipo numérico no son reconocidas como tal, debo realizar un reemplazo de tales inconvenientes para limpiarlo.

data['PIA'].replace({' S/- ':0}, regex=True, inplace=True) data['PIM'].replace({' S/- ':0}, regex=True, inplace=True) data['Certificación'].replace({' S/- ':0}, regex=True, inplace=True) data['Compromiso Anual'].replace({' S/- ':0}, regex=True, inplace=True) data['Atención de Compromiso Mensual'].replace({' S/- ':0}, regex=True, inplace=True) data['Devengado'].replace({' S/- ':0}, regex=True, inplace=True) data['Girado'].replace({' S/- ':0}, regex=True, inplace=True) data['DEPARTAMENTO'].replace({' ',''}, regex=True, inplace=True) data['PROVINCIA'].replace({' ', ''}, regex=True, inplace=True) data['GOBIERNOS LOCALES'].replace({' ',''}, regex=True, inplace=True)

data.dtypes

data.isnull().sum().sort_values(ascending=False)

El dataset Programa Presupuestal 101 "Incremento de actividades físicas, deportivas y recreativas en la población peruana" durante el año 2021 en los gobiernos locales tienen un valor nulo en la variable Población, ya que, el número es mínimo no impacta en gran medida en el análisis de la información.

Ahora, crearé una función para cortar cadenas de texto. ¿Por qué? Ya que la variable GOBIERNOS LOCALES tiene un tipo de dato alfanumérico, sólo se desea extraer el nombre de los gobiernos locales más no el código de identificación.

NOMBRE_GOBIERNOS_LOCALES = data['GOBIERNOS LOCALES'] def nombre_gobierno(data): lista = [] for i in data: nom = i[15:] lista.append(nom) return pd.DataFrame(lista)

NOMBRES_GOBIERNOS_LOCALES =nombre_gobierno(NOMBRE_GOBIERNOS_LOCALES) NOMBRES_GOBIERNOS_LOCALES = NOMBRES_GOBIERNOS_LOCALES.rename(columns = {0:'NOMBRES DE GOBIERNOS LOCALES'}) NOMBRES_GOBIERNOS_LOCALES

Es hora de convertir el dataset inicial a un DataFrame para poder concatenarlo con la información del tipo texto del nombre de las municipalidades locales perteneciente al DataFrame NOMBRES_GOBIERNOS_LOCALES.

data = pd.DataFrame(data)

data = pd.concat([data, NOMBRES_GOBIERNOS_LOCALES], axis=1) data

Posteriormente, presentaré un análisis estadístico básico tras la preparación y limpieza de la base de datos extraída de la plataforma de Datos Abiertos del Gobierno Peruano.

data.describe()

Interpretación general del análisis descriptivo

PIA: El presupuesto inicial promedio de las entidades públicas aprobado por su respectivo Titular con cargo a los créditos presupuestarios establecidos en la Ley Anual de Presupuesto del Sector Público para el año fiscal 2021 es de S/. 201,494.94. Además, el 75% de los datos (presupuesto inicial de las entidades públicas aprobado por su respectivo Titular) son igual o menor que los S/. 95,164.50. El presupuesto inicial máximo de las entidades públicas aprobado por su respectivo Titular con cargo a los créditos presupuestarios establecidos en la Ley Anual de Presupuesto del Sector Público para el año fiscal 2021 es de S/. 18'244,360.00.

PIM: El presupuesto promedio actualizado de la entidad pública a consecuencia de las modificaciones presupuestarias, tanto a nivel institucional como a nivel funcional programático, efectuadas durante el año fiscal, a partir del PIA es de S/. 873,681.85. Cabe resaltar que el 25% de los datos son menor o igual que el monto de S/. 34,491.25, el 50% de los montos son menor o igual que S/. 216,838.50, mientras que el 75% de los montos son menores o iguales que S/. 736,235.75. El presupuesto máximo actualizado de la entidad pública a consecuencia de las modificaciones presupuestarias, tanto a nivel institucional como a nivel funcional programático, efectuadas durante el año fiscal, a partir del PIA es de S/. 107'914,718.00.

Puntaje de PIM: El puntaje promedio que se otorga de acuerdo con el rango en el que se encuentra establecido en la leyenda del PIM es de 3.10. Además, el 25% de los puntajes otorgados a cada presupuesto, en promedio, se encuentran por debajo o igual a los 2 puntos. El 50% de los datos son iguales o inferiores a los 3 puntos, mientras que el 75% de los datos son iguales o inferiores a los 4 puntos. Teniendo en cuenta que el valor máximo es de 5 y el valor mínimo es de 1.

Avance %: Se refiere a la ejecución de ingreso en la fase de Recaudado, y la ejecución de gasto en las fases de Compromiso, Devengado y Girado correspondiente. Por ello, el avance (%) promedio es del 62.50% para los gobiernos locales del Perú. Adicionalmente, el 25% de la información del avance (%) se encuentran por debajo o es igual al 28.625%; el 50%, es inferior al 76.55%; mientras que el 75%, es inferior o igual al 97.125%. Cabe resaltar que el valor mínimo es del 0%, por el contrario, el valor máximo es del 100%.

Compromiso anual: El 25% de la información derivada del compromiso anual demuestra que las autoridades de los gobiernos locales se han comprometido a realizar el gasto en función del presupuesto asignado por debajo o igual que el monto de S/. 18,425.00; el 50%, es igual o menor que el monto de S/. 126,178.50 y el 75%, es igual o menor que el monto de S/. 503,156.25. Adicionalmente, el compromiso máximo por la autoridad del gobierno local arroja un resultado de S/. 41'734,728.00.

Análisis estadístico descriptivo

¿Cuál es la municipalidad que recibió el mayor presupuesto actualizado (PIM) para el año fiscal 2021 a consecuencia de las modificaciones presupuestarias, tanto a nivel institucional como a nivel funcional programático?

data_gp_q_0 = data.groupby(['DEPARTAMENTO','NOMBRES DE GOBIERNOS LOCALES'])['PIM'].sum().sort_values(ascending=False) data_gp_q_0 = pd.DataFrame(data_gp_q_0) data_gp_q_0 = data_gp_q_0.reset_index() data_gp_q_0 = data_gp_q_0[:1] data_gp_q_0

¿Cuál es presupuesto inicial total por departamento de las entidades públicas aprobado por su respectivo Titular con cargo a los créditos presupuestarios establecidos en la Ley Anual de Presupuesto del Sector Público para el año fiscal 2021?

data_gp_q_1 = data.groupby(['DEPARTAMENTO'])['PIA'].sum().sort_values(ascending=False) data_gp_q_1 = pd.DataFrame(data_gp_q_1) data_gp_q_1 = data_gp_q_1.reset_index() data_gp_q_1['PIA'] = round(data_gp_q_1['PIA']/1000000,2) data_gp_q_1

fig, ax = plt.subplots(figsize=(12,7), dpi = 120) ax = sns.barplot(x=data_gp_q_1['DEPARTAMENTO'], y=data_gp_q_1['PIA'], palette='rainbow') ax.bar_label(ax.containers[0], fontsize=8.5) plt.xticks(rotation=40, size=7) plt.title('\nPresupuesto inicial por departamentos de las entidades públicas aprobado \npor su respectivo Titular con cargo a los créditos presupuestarios establecidos en \nla Ley Anual de Presupuesto del Sector Público para el año 2021\n (S/. en millones de soles)') 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()

¿Qué departamentos poseen el mayor presupuesto inicial del total de las entidades públicas aprobado por su respectivo Titular con cargo a los créditos presupuestarios establecidos en la Ley Anual de Presupuesto del Sector Público para el año fiscal 2021? - Top 5

data_gp_q_2 = data.groupby(['DEPARTAMENTO'])['PIA'].sum().sort_values(ascending=False)[:5] data_gp_q_2 = pd.DataFrame(data_gp_q_2) data_gp_q_2 = data_gp_q_2.reset_index() data_gp_q_2['PIA'] = round(data_gp_q_2['PIA']/1000000,2) data_gp_q_2

fig, ax = plt.subplots(figsize=(12,7), dpi = 60) ax = sns.barplot(x=data_gp_q_2['DEPARTAMENTO'], y=data_gp_q_2['PIA'], data=data_gp_q_2, palette='rainbow') ax.bar_label(ax.containers[0], fontsize=14) sns.lineplot(x=data_gp_q_2['DEPARTAMENTO'],y=data_gp_q_2['PIA'], data=data_gp_q_2, marker='o',color='gray', alpha=0.8) plt.title('\n Top 5: Presupuesto inicial por departamentos de las entidades públicas aprobado \npor su respectivo titular con cargo a los créditos presupuestarios establecidos en \nla Ley Anual de Presupuesto del Sector Público para el año 2021\n (S/. en millones de soles)', size=15) 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()

¿Cuál es presupuesto actualizado total por departamento de las entidades públicas a consecuencia de las modificaciones presupuestarias, tanto a nivel institucional como a nivel funcional programático, efectuadas durante el año fiscal, a partir del PIA?

data_gp_q_3 = data.groupby(['DEPARTAMENTO'])['PIM'].sum().sort_values(ascending=False) data_gp_q_3 = pd.DataFrame(data_gp_q_3) data_gp_q_3 = data_gp_q_3.reset_index() data_gp_q_3['PIM'] = round(data_gp_q_3['PIM']/1000000,2) data_gp_q_3

fig, ax = plt.subplots(figsize=(12,7), dpi=120) ax = sns.barplot(x=data_gp_q_3['DEPARTAMENTO'], y=data_gp_q_3['PIM'], data=data_gp_q_3,palette='plasma') ax.bar_label(ax.containers[0], fontsize=7.5) plt.xticks(rotation=50, size=6.5) plt.yticks(size=6.5) plt.title('\nPresupuesto actualizado total por departamento de las entidades públicas a consecuencia \nde las modificaciones presupuestarias, tanto a nivel institucional como a \nnivel funcional programático, efectuadas durante el año fiscal, a partir del PIA \n(S/. en millones de soles)', size=12) 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()

¿Qué departamentos poseen el mayor presupuesto actualizado total de las entidades públicas a consecuencia de las modificaciones presupuestarias, tanto a nivel institucional como a nivel funcional programático, efectuadas durante el año fiscal, a partir del PIA?

data_gp_q_4 = data.groupby(data['DEPARTAMENTO'])['PIM'].sum().sort_values(ascending=False)[:5] data_gp_q_4 = pd.DataFrame(data_gp_q_4) data_gp_q_4 = data_gp_q_4.reset_index() data_gp_q_4['PIM'] = round(data_gp_q_4['PIM']/1000000,2) data_gp_q_4

fig, ax = plt.subplots(figsize=(12,7), dpi = 60) ax = sns.barplot(x=data_gp_q_4['DEPARTAMENTO'], y=data_gp_q_4['PIM'], data=data_gp_q_4, palette='rainbow') ax.bar_label(ax.containers[0], fontsize=14) sns.lineplot(x=data_gp_q_4['DEPARTAMENTO'],y=data_gp_q_4['PIM'], data=data_gp_q_4, marker='o',color='gray', alpha=0.9) plt.title('\nTop 5: Presupuesto actualizado total por departamento de las entidades públicas a consecuencia \nde las modificaciones presupuestarias, tanto a nivel institucional como a nivel \nfuncional programático, efectuadas durante el año fiscal, a partir del PIA \n(S/. en millones de soles)', size=15, color='black') plt.xticks(size=12) plt.yticks(size=12) 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=0.6) plt.show()

¿Las entidades públicas por departamentos han incrementado o contraído el presupuesto asignado para el año fiscal 2021 mediante el PIA reflejado en el PIM a consecuencia de las modificaciones presupuestarias, tanto a nivel institucional como a nivel funcional programático?

data_gp_q_5 = data.groupby(['DEPARTAMENTO'])[['PIA','PIM']].sum().sort_values(['PIA','PIM'], ascending=False) data_gp_q_5 = pd.DataFrame(data_gp_q_5) data_gp_q_5['PIA'] = round(data_gp_q_5['PIA']/1000000,2) data_gp_q_5['PIM'] = round(data_gp_q_5['PIM']/1000000,2) data_gp_q_5

import plotly.graph_objects as go fig = go.Figure() fig.add_trace(go.Bar(x=data_gp_q_5.index, y=data_gp_q_5['PIA'], name='PIA (S/. en millones)', marker_color='rgb(138, 224, 89)')) fig.add_trace(go.Bar(x=data_gp_q_5.index, y=data_gp_q_5['PIM'], name='PIM (S/. en millones)', marker_color='rgb(92, 220, 203)')) fig.update_layout( title='Presupuesto inicial (PIA) y actualizado (PIM) a cada entidad pública por departamento', yaxis=dict( title='PIA y PIM (S/. en millones)', titlefont_size=14, tickfont_size=12 ), barmode='group' ) fig.show()

grown_estimate = round(((data_gp_q_5['PIM']-data_gp_q_5['PIA'])/data_gp_q_5['PIA'])*100,2).sort_values(ascending=False) grown_estimate = pd.DataFrame(grown_estimate) grown_estimate = grown_estimate.reset_index() grown_estimate= grown_estimate.rename(columns={0:'Crecimiento (%) PIA - PIM'}) grown_estimate

def print_result(data): for i in data.index: dep = data.iloc[i][0] crecimiento = data.iloc[i][1] print(f'El presupuesto inicial fijado para el año fiscal 2021 en el PIA para el departamento de {dep} tuvo un crecimiento de {crecimiento}% reflejado en el PIM.')

print_result(grown_estimate)

fig, ax = plt.subplots(figsize=(6,12),dpi=70) ax = sns.barplot(y=grown_estimate['DEPARTAMENTO'], x=grown_estimate['Crecimiento (%) PIA - PIM'], data=grown_estimate, palette='rainbow') ax.bar_label(ax.containers[0], fontsize=11) plt.title('Crecimiento (%) del presupuesto inicial (PIA) fijado para el año fiscal 2021 reflejado \nen el presupuesto actualizado (PIM) por departamento', size=14) plt.xticks(size=12) plt.yticks(size=12) 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=0.6) plt.show()

¿Cuáles son las municipalidades por departamento que han obtenido el mayor presupuesto actualizado reflejado en el PIM para el año fiscal 2021?

data_gp_q_6 = data.groupby(['DEPARTAMENTO','NOMBRES DE GOBIERNOS LOCALES'])['PIM'].sum().reset_index() data_gp_q_6

idx = data_gp_q_6.groupby(['DEPARTAMENTO'])['PIM'].transform(max) == data_gp_q_6['PIM'] data_gp_q_6 = data_gp_q_6[idx] data_gp_q_6 = data_gp_q_6.sort_values(['PIM'], ascending=False) data_gp_q_6

fig, ax = plt.subplots(figsize=(7,12),dpi=60) ax = sns.barplot(x=data_gp_q_6['PIM'], y=data_gp_q_6['DEPARTAMENTO'], data=data_gp_q_6, palette='twilight') plt.title('Municipalidades por departamento que han obtenido el mayor presupuesto \nactualizado reflejado en el PIM para el año fiscal 2021', size=14) ax.bar_label(ax.containers[0], fontsize=11) 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=0.6) plt.show()

name_col_gob_data = data_gp_q_6[['DEPARTAMENTO','NOMBRES DE GOBIERNOS LOCALES']] name_col_gob_data = name_col_gob_data.reset_index()

total_6 = data_gp_q_6['PIM'].sum() data_gp_q_6_porcentaje = round(data_gp_q_6['PIM']/total_6*100,2) data_gp_q_6_porcentaje = data_gp_q_6_porcentaje.reset_index() data_gp_q_6_porcentaje = pd.concat([data_gp_q_6_porcentaje, name_col_gob_data], axis=1) data_gp_q_6_porcentaje = data_gp_q_6_porcentaje.drop(['index'],axis=1) data_gp_q_6_porcentaje = data_gp_q_6_porcentaje.sort_values(['PIM'], ascending=False) data_gp_q_6_porcentaje

import plotly.express as px fig = px.pie(data_gp_q_6_porcentaje, values='PIM',names='NOMBRES DE GOBIERNOS LOCALES', title='Municipalidades por departamento que han obtenido el mayor PIM (2021) como % del total', hover_data=['DEPARTAMENTO']) fig.show()

¿Existe alguna diferencia entre el presupuesto actualizado para el año fiscal 2021 (PIM) y el Compromiso Anual de la autoridad municipal de cada gobierno local en el Perú? - Top 5

data['PIM-Devengado'] = (data['PIM']-data['Devengado'])/1000000 data_gp_q_7 = data[['DEPARTAMENTO','PROVINCIA','NOMBRES DE GOBIERNOS LOCALES','PIA','PIM','Devengado','PIM-Devengado']] data_gp_q_7 = data_gp_q_7.sort_values(['PIM-Devengado'],ascending=False) data_gp_q_7['PIM'] = data_gp_q_7['PIM']/1000000 data_gp_q_7['Devengado'] = data_gp_q_7['Devengado']/1000000 data_gp_q_7 = data_gp_q_7[:5] data_gp_q_7

import plotly.graph_objects as go fig = go.Figure() fig.add_trace(go.Bar(x=data_gp_q_7['NOMBRES DE GOBIERNOS LOCALES'], y=data_gp_q_7['PIM'], name='PIM (S/. en millones)', marker_color='#FF4A4A')) fig.add_trace(go.Bar(x=data_gp_q_7['NOMBRES DE GOBIERNOS LOCALES'], y=data_gp_q_7['Devengado'], name='Devengado (S/. en millones)', marker_color='#FF9551')) fig.add_trace(go.Bar(x=data_gp_q_7['NOMBRES DE GOBIERNOS LOCALES'], y=data_gp_q_7['PIM-Devengado'], name='Diferencial PIM-Devengado (S/. en millones)', marker_color='#6FEDD6')) fig.update_layout( title='Diferencial entre el PIM y el Devengado por cada municipalidad del gobierno local', yaxis=dict( title='PIM y Devengado (S/. en millones)', titlefont_size=12, tickfont_size=12 ), barmode='group' ) fig.show()

¿Cuáles son las municipales por departamento que han obtenido el mayor avance (%) en función del presupuesto actualizado asignado para el año fiscal 2021? - Top 10

idx = data.groupby(['DEPARTAMENTO'])['Avance_%'].transform(max) == data['Avance_%'] data_gp_q_8 = data[idx] data_gp_q_8 = data_gp_q_8.sort_values('Avance_%',ascending=False) data_gp_q_8 = data_gp_q_8.drop(['PIM-Devengado'], axis=1) data_gp_q_8

data_gp_q_8_100 = data_gp_q_8[data_gp_q_8['Avance_%'] ==100] data_gp_q_8_100

mun_100 = data_gp_q_8_100['Avance_%'].count() mun_total = data['NOMBRES DE GOBIERNOS LOCALES'].count() mun_porcentaje = round(mun_100/mun_total*100,2) print(f'El número de municipalidades distritales que han obtenido un grado de avance del 100% del total sobre el periodo fiscal 2021 es de {mun_100} de {mun_total} municipalidades.') print(f'El {mun_porcentaje}% de municipalidades distritales han logrado un avance del 100% del total sobre el periodo fiscal 2021.')

mun_98 = data[(data['Avance_%']>=98) & (data['Avance_%']<100)] mun_98 = mun_98['Avance_%'].count() mun_98_porcentaje = round((mun_98/mun_total)*100,2) print(f'El {mun_98_porcentaje}% de municipalidades distritales han logrado un avance entre el 98.00% y 99.99% del total sobre el periodo fiscal 2021.')

mun_97 = data[data['Avance_%']<98] mun_97 = mun_97['Avance_%'].count() mun_97_porcentaje = round((mun_97/mun_total)*100,2) print(f'El {mun_97_porcentaje}% de municipalidades distritales han logrado un avance menor al 98% del total sobre el periodo fiscal 2021.')

# Gráfico de pastel mun_porcentajes = [13.67,8.56,77.77] mun_avances = ['Avance del 100%', 'Avance entre el 98.00% y 99.99%', 'Avance menor al 98%'] import plotly.express as px fig = px.pie(values=mun_porcentajes, names=mun_avances, title='Avance(%) del proyecto por parte de los gobiernos locales según el PIM') fig.show()

Análisis geoespacial

Niveles del presupuesto actualizado (PIM) por departamento en el Perú

data_gp_q_9 = data.groupby(['DEPARTAMENTO'])['PIM'].sum() data_gp_q_9 = pd.DataFrame(data_gp_q_9) data_gp_q_9 = data_gp_q_9.reset_index() data_gp_q_9['PIM'] = data_gp_q_9['PIM']/1000000 data_gp_q_9 = data_gp_q_9.rename(columns={'DEPARTAMENTO':'DEPARTAMEN'}) data_gp_q_9

geodata = geopandas.read_file("DEPARTAMENTOS.shp") geodata

data_geo_gp_q_9 = pd.merge(geodata, data_gp_q_9,on='DEPARTAMEN') data_geo_gp_q_9

fig, ax = plt.subplots(figsize=(12,7),dpi=90) ax.set_aspect('equal') ax = data_geo_gp_q_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 según el departamento - Perú - 2021 \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()

geodata.crs

geodata_prueba = geodata.copy() geodata_prueba

geodata_prueba = geodata_prueba.to_crs({'init':'epsg:32618'})

geodata_prueba.crs

Según la teoría económica urbana, menciona que las zonas de aglomeración con mayores áreas geográficas son proclives a tener un crecimiento económico, teniendo en cuenta los factores como la productividad del capital humano, la latitud y longitud del espacio geográfico y la cercanía a espacios comerciales. Por ello, tomando como supuesto que una mayor asignación en el presupuesto actualizado proveerá de un mejor desarrollo económico a la localidad, esperaría que cuanto más sea su área geográfica mayor será el presupuesto actualizado asignado (PIM).

from shapely.geometry import shape def calcular_areas(data): area = [] for i in data['geometry'].index: cal = shape(data.loc[i,'geometry']).area area.append(cal) return area

areas = calcular_areas(geodata_prueba) areas = pd.DataFrame(areas) areas = areas.rename(columns={0:'Area(km2)'}) areas['Area(km2)'] = round(areas['Area(km2)']/1000000,2) areas

data_pim = pd.DataFrame(data[['DEPARTAMENTO','PIM']]) data_pim = data_pim.groupby(['DEPARTAMENTO'])['PIM'].sum() data_pim = pd.DataFrame(data_pim) data_pim = data_pim.reset_index() data_pim['PIM'] = data_pim['PIM']/1000 data_pim

data_pim_area = pd.concat([areas,data_pim], axis=1) data_pim_area = data_pim_area.drop(['DEPARTAMENTO'],axis=1) data_pim_area

sns.set_theme(style="white") fig, ax = plt.subplots(figsize=(12,7), dpi=70) ax = sns.scatterplot(ax=ax, data=data_pim_area, x=data_pim_area['Area(km2)'], y=data_pim_area['PIM'], palette='rainbow', hue=data_pim_area['PIM'], size='PIM', sizes=(40,400)) plt.legend(bbox_to_anchor=(1,1)) plt.title('Relación entre el PIM y el área (km2) por departamento en el Perú', size=16, color='black') plt.ylabel('PIM (S/. en miles)') 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()

Pese que la información es limitada, se puede inferir que existe una relación directa entre el área geográfica medida en kilómetros al cuadrado (km2) y el presupuesto asignado actualizado (PIM). Es decir, cuanto mayor sea el área geográfica del departamento mayor será el presupuesto asignado. Además, se puede apreciar cierta aglomeración de los presupuestos asignados a cada departamento entre los S/. 25'000,000.00 y los S/. 75'000,000.00 ocupando un área geográfica alrededor de los 50,000 km2.

poblacion = data.groupby(['DEPARTAMENTO'])['Población'].sum() poblacion = pd.DataFrame(poblacion) poblacion = poblacion.reset_index() poblacion['Población'] = poblacion['Población']/1000 poblacion

data_pim_poblacion = pd.concat([data_pim, poblacion], axis=1) data_pim_poblacion = data_pim_poblacion.drop(['DEPARTAMENTO'], axis=1) data_pim_poblacion

sns.set_theme(style="white") fig, ax = plt.subplots(figsize=(12,7), dpi=70) ax = sns.scatterplot(ax=ax, data=data_pim_poblacion, x=data_pim_poblacion['Población'], y=data_pim_poblacion['PIM'], palette='rainbow', hue=data_pim_area['PIM'], size='PIM', sizes=(40,400)) plt.legend(bbox_to_anchor=(1,1)) plt.title('Relación entre el PIM y el número de habitantes por departamento en el Perú', size=16, color='black') plt.ylabel('PIM (S/. en miles)') plt.xlabel('Número de habitantes en miles') 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()

Puedo inferir que existe una relación positiva entre el número de habitantes por departamento en el Perú (medido en miles) y el presupuesto asignado actualizado (PIM). En líneas generales, cuanto mayor sea el número de habitantes por departamento impactará en el incremento del presupuesto actualizado (PIM). Es preciso recalcar que existe una aglomeración de los datos en rango de los 2'000,000 de habitantes por departamento que reciben cerca de S/. 50'000,000.00 como presupuesto actualizado (PIM) para la mejora de actividades físicas, deportivas y recreativas para el año fiscal 2021.

.css-15w88e5{color:var(--chakra-colors-fg-neutral-primary);font-weight:inherit;letter-spacing:-0.09px;}Análisis Exploratorio de Datos (EDA)

Preparación y limpieza del dataset

Interpretación general del análisis descriptivo

Análisis estadístico descriptivo

Análisis geoespacial

Niveles del presupuesto actualizado (PIM) por departamento en el Perú

Análisis Exploratorio de Datos (EDA)