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
# 3er paso, primer pantallazo de los datos.
dforig.describe()
dforig.dtypes
print(f'Cantidad de registros: {dforig.province.count()}')
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
# 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)
# 6to paso, verifico que no haya columnas nulas que afecten el analisis de los datos
print(dfmod.isnull().sum())
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()
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