-
Notifications
You must be signed in to change notification settings - Fork 1
/
remesas_entidad.py
584 lines (495 loc) · 17.6 KB
/
remesas_entidad.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
"""
Fuente:
https://www.banxico.org.mx/SieInternet/consultarDirectorioInternetAction.do?sector=1&accion=consultarCuadro&idCuadro=CE100&locale=es
"""
import json
import os
import numpy as np
import pandas as pd
import plotly.graph_objects as go
from PIL import Image
from plotly.subplots import make_subplots
# Definimos los colores que usaremos para el mapa y tablas.
PLOT_COLOR = "#18122B"
PAPER_COLOR = "#393053"
HEADER_COLOR = "#e65100"
# Mes y año en que se recopilaron los datos.
FECHA_FUENTE = "mayo 2024"
# Periodo de tiempo del análisis.
PERIODO_TIEMPO = "enero-diciembre"
def plot_mapa(año):
"""
Esta función crea un mapa y unas tablas con la información de remesas per cápita.
Parameters
----------
año : int
El año que nos interesa graficar.
"""
# Cargamos el dataset de la polación total estimada según el CONAPO.
pop = pd.read_csv("./assets/poblacion.csv")
# Calculamos la población total por entidad.
pop = pop.groupby("Entidad").sum(numeric_only=True)
# Seleccionamos la población del año de nuestro interés.
pop = pop[str(año)]
# Renombramos algunos estados a sus nombres más comunes.
pop = pop.rename(
{
"Coahuila de Zaragoza": "Coahuila",
"México": "Estado de México",
"Michoacán de Ocampo": "Michoacán",
"Veracruz de Ignacio de la Llave": "Veracruz",
}
)
# Cargamos el dataset de remesas por entidad.
df = pd.read_csv("./data/remesas_entidad.csv", index_col=0)
# Seleccionamos las columnas del año que nos interesa.
cols = [col for col in df.columns if str(año) in col]
# Filtramos el DataFrama con las columnas que nos interesan.
df = df[cols]
# Quitamos los decimales de las cifras.
df["total"] = df.sum(axis=1) * 1000000
# Calculamos las remesas per cápita para toda la polación.
subtitulo = f"Nacional: {df['total'].sum() / pop.sum():,.2f} dólares per cápita"
# Asignamos la población a cada entidad.
df["pop"] = pop
# Calculamos el valor per cápita.
df["capita"] = df["total"] / df["pop"]
# Ordenamos per cápita de mayor a menor.
df = df.sort_values("capita", ascending=False)
# Estas listas nos serviran para alimetnar el mapa.
ubicaciones = list()
valores = list()
# Estos valores serán usados para definir la escala en el mapa.
min_val = df["capita"].min()
max_val = df["capita"].max()
marcas = np.linspace(min_val, max_val, 11)
etiquetas = list()
for item in marcas:
etiquetas.append("{:,.0f}".format(item))
# Cargamos el archivo GeoJSON de México.
geojson = json.loads(open("./assets/mexico.json", "r", encoding="utf-8").read())
# Iteramos sobre cada entidad dentro de nuestro archivo GeoJSON de México.
for item in geojson["features"]:
geo = item["properties"]["NOMGEO"]
# Alimentamos las listas creadas anteriormente con la ubicación y su valor per capita.
ubicaciones.append(geo)
valores.append(df.loc[geo, "capita"])
fig = go.Figure()
# Vamos a crear un mapa Choropleth con todas las variables anteriormente definidas.
fig.add_traces(
go.Choropleth(
geojson=geojson,
locations=ubicaciones,
z=valores,
featureidkey="properties.NOMGEO",
colorscale="oranges",
reversescale=True,
marker_line_color="#FFFFFF",
marker_line_width=1.0,
zmin=min_val,
zmax=max_val,
colorbar=dict(
x=0.03,
y=0.5,
ypad=50,
ticks="outside",
outlinewidth=1.5,
outlinecolor="#FFFFFF",
tickvals=marcas,
ticktext=etiquetas,
tickwidth=2,
tickcolor="#FFFFFF",
ticklen=10,
tickfont_size=20,
),
)
)
# Personalizamos la apariencia del mapa.
fig.update_geos(
fitbounds="locations",
showocean=True,
oceancolor=PLOT_COLOR,
showcountries=False,
framecolor="#FFFFFF",
framewidth=2,
showlakes=False,
coastlinewidth=0,
landcolor="#1C0A00",
)
fig.update_layout(
legend_x=0.01,
legend_y=0.07,
legend_bgcolor="#111111",
legend_font_size=20,
legend_bordercolor="#FFFFFF",
legend_borderwidth=2,
font_family="Lato",
font_color="#FFFFFF",
margin={"r": 40, "t": 50, "l": 40, "b": 30},
width=1280,
height=720,
paper_bgcolor=PAPER_COLOR,
annotations=[
dict(
x=0.5,
y=1.01,
xanchor="center",
yanchor="top",
text=f"Ingresos por remesas hacia México por entidad durante {PERIODO_TIEMPO} de {año}",
font_size=28,
),
dict(
x=0.57,
y=-0.04,
xanchor="center",
yanchor="top",
text=subtitulo,
font_size=26,
),
dict(
x=0.0275,
y=0.45,
textangle=-90,
xanchor="center",
yanchor="middle",
text="Dólares per cápita",
font_size=18,
),
dict(
x=0.01,
y=-0.04,
xanchor="left",
yanchor="top",
text=f"Fuente: Banxico ({FECHA_FUENTE})",
font_size=24,
),
dict(
x=1.01,
y=-0.04,
xanchor="right",
yanchor="top",
text="🧁 @lapanquecita",
font_size=24,
),
],
)
fig.write_image("./0.png")
# Vamos a crear dos tablas, cada una con la información de 16 entidades.
fig = make_subplots(
rows=1,
cols=2,
horizontal_spacing=0.03,
specs=[[{"type": "table"}, {"type": "table"}]],
)
fig.add_trace(
go.Table(
columnwidth=[145, 100, 100],
header=dict(
values=[
"<b>Entidad</b>",
"<b>Total en dólares</b>",
"<b>Per cápita ↓</b>",
],
font_color="#FFFFFF",
fill_color=HEADER_COLOR,
align="center",
height=29,
line_width=0.8,
),
cells=dict(
values=[
df.index[:16],
df["total"][:16],
df["capita"][:16],
],
fill_color=PLOT_COLOR,
height=29,
prefix=["", "$", "$"],
format=["", ",.0f", ",.2f"],
line_width=0.8,
align=["left", "left", "center"],
),
),
col=1,
row=1,
)
fig.add_trace(
go.Table(
columnwidth=[145, 100, 100],
header=dict(
values=[
"<b>Entidad</b>",
"<b>Total en dólares</b>",
"<b>Per cápita ↓</b>",
],
font_color="#FFFFFF",
fill_color=HEADER_COLOR,
align="center",
height=29,
line_width=0.8,
),
cells=dict(
values=[
df.index[16:],
df["total"][16:],
df["capita"][16:],
],
fill_color=PLOT_COLOR,
height=29,
prefix=["", "$", "$"],
format=["", ",.0f", ",.2f"],
line_width=0.8,
align=["left", "left", "center"],
),
),
col=2,
row=1,
)
fig.update_layout(
showlegend=False,
legend_borderwidth=1.5,
xaxis_rangeslider_visible=False,
width=1280,
height=560,
font_family="Lato",
font_color="#FFFFFF",
font_size=18,
title="",
title_x=0.5,
title_y=0.95,
margin_t=20,
margin_l=40,
margin_r=40,
margin_b=0,
title_font_size=26,
paper_bgcolor=PAPER_COLOR,
)
fig.write_image("./1.png")
# Unimos el mapa y las tablas en una sola imagen.
image1 = Image.open("./0.png")
image2 = Image.open("./1.png")
result_width = 1280
result_height = image1.height + image2.height
result = Image.new("RGB", (result_width, result_height))
result.paste(im=image1, box=(0, 0))
result.paste(im=image2, box=(0, image1.height))
result.save("./mapa_mexico.png")
# Borramos las imágenes originales.
os.remove("./0.png")
os.remove("./1.png")
def plot_tendencias(primer_año, ultimo_año):
"""
Esta función crea una cuadrícula de sparklines con los
estados que han crecido más en ingresos por remesas.
Parameters
----------
primer_año : int
El año inicial que se desea comparar.
ultimo_año : int
El año final que se desea comparar.
"""
# Cargamos el dataset de remesas por entidad.
df = pd.read_csv("./data/remesas_entidad.csv", index_col=0)
# Vamos a sumar los totales de remesas por año.
# Para esto crearemos un ciclo del 2013 al 2024.
for year in range(2013, 2025):
cols = [col for col in df.columns if str(year) in col]
df[str(year)] = df[cols].sum(axis=1)
# Solo vamos a escoger las columnas que creamos.
df = df.iloc[:, -11:]
# Cambiamos las columnas de str a int.
df.columns = [int(col) for col in df.columns]
# Seleccionamos solo las columnas que nos interesan.
df = df[[col for col in df.columns if col >= primer_año and col <= ultimo_año]]
# Vamos a calcular el cambio porcentual entre el primer y último año.
df["change"] = (df[ultimo_año] - df[primer_año]) / df[primer_año] * 100
# Quitamos los municipsios con valores infinitos.
df = df[df["change"] != np.inf]
# Ordenamos los valores usando el cambio porcentual de mayor a menor.
df.sort_values("change", ascending=False, inplace=True)
# Esta lista contendrá los textos de cada anotación.
texto_anotaciones = list()
# Fromateamos los subtítulos para cada cuadro en nuestra cuadrícula.
titles = [f"<b>{item}</b>" for item in df.index.tolist()]
# Vamos a crear una cuadrícula de 3 columnas por 5 filas (15 cuadros).
fig = make_subplots(
rows=5,
cols=3,
horizontal_spacing=0.09,
vertical_spacing=0.07,
subplot_titles=titles,
)
# Esta variable la usaremos para saber de que fila extraer la información.
index = 0
# Con ciclos anidados es como creamos la cuadrícula.
for row in range(5):
for column in range(3):
# Seleccionamos la fila correspondiente a la variable index pero omitimos la última columna.
# la cual contiene el cambio porcentual.
temp_df = df.iloc[index, :-1]
# Al íncide (que son los años) lq quitamos los primeros 2 dígitos y le agregamos un apóstrofe.
# Esto es para reducir el tamaño de la etiqueta de cada año.
temp_df.index = temp_df.index.map(lambda x: f"'{x-2000}")
# Para nuestra gráfica de línea solo vamos a necesitar que el primer y último registro tengan un punto.
sizes = [0 for _ in range(len(temp_df))]
sizes[0] = 20
sizes[-1] = 20
# Vamos a extraer algunos valores para calcular el cambio porcentual.
primer_valor = temp_df.iloc[0]
ultimo_valor = temp_df.iloc[-1]
# Solo el primer y último registro llevarán un texto con sus valores.
textos = ["" for _ in range(len(temp_df))]
if primer_valor >= 1000:
textos[0] = f"<b>{primer_valor:,.0f}</b>"
else:
textos[0] = f"<b>{primer_valor:,.1f}</b>"
if ultimo_valor >= 1000:
textos[-1] = f"<b>{ultimo_valor:,.0f}</b>"
else:
textos[-1] = f"<b>{ultimo_valor:,.1f}</b>"
# Posicionamos los dos textos.
text_pos = ["middle center" for _ in range(len(temp_df))]
text_pos[0] = "top center"
text_pos[-1] = "bottom center"
# Calculamos el cambio porcentual y creamos el texto que irá en la anotación de cada cuadro.
change = (ultimo_valor - primer_valor) / primer_valor * 100
diff = ultimo_valor - primer_valor
if diff >= 1000:
texto_anotaciones.append(f"<b>+{diff:,.0f}</b><br>+{change:,.0f}%")
else:
texto_anotaciones.append(f"<b>+{diff:,.1f}</b><br>+{change:,.0f}%")
fig.add_trace(
go.Scatter(
x=temp_df.index,
y=temp_df.values,
text=textos,
mode="markers+lines+text",
textposition=text_pos,
textfont_size=18,
marker_color="#64ffda",
marker_opacity=1.0,
marker_size=sizes,
marker_line_width=0,
line_width=4,
line_shape="spline",
line_smoothing=1.0,
),
row=row + 1,
col=column + 1,
)
# Sumamos 1 a esta variable para que el siguiente cuadro extraíga la siguiente fila.
index += 1
fig.update_xaxes(
tickfont_size=14,
ticks="outside",
ticklen=10,
zeroline=False,
tickcolor="#FFFFFF",
linewidth=1.5,
showline=True,
gridwidth=0.35,
mirror=True,
nticks=15,
)
fig.update_yaxes(
title_text="Millones de dólares",
separatethousands=True,
tickfont_size=14,
ticks="outside",
ticklen=10,
zeroline=False,
tickcolor="#FFFFFF",
linewidth=1.5,
showline=True,
showgrid=True,
gridwidth=0.35,
mirror=True,
nticks=8,
)
fig.update_layout(
font_family="Lato",
showlegend=False,
width=1280,
height=1600,
font_color="#FFFFFF",
font_size=14,
margin_t=120,
margin_l=110,
margin_r=40,
margin_b=100,
title_text=f"Las 15 entidades de México con mayor crecimiento en ingresos por remesas ({primer_año} vs. {ultimo_año})",
title_x=0.5,
title_y=0.985,
title_font_size=26,
plot_bgcolor="#171010",
paper_bgcolor="#2B2B2B",
)
# Vamos a crear una anotación en cada cuadro con textos mostrando el total y el cambio porcentual.
# Lo que vamos a hacer a continuación se puede considerar como un 'hack'.
annotations_x = list()
annotations_y = list()
# Iteramos sobre todos los subtítulos de cada cuadro, los cuales son considerados como anotaciones.
for annotation in fig["layout"]["annotations"]:
# A cada subtítulo lo vamos a ajustar ligeramente.
annotation["y"] += 0.005
annotation["font"]["size"] = 20
# Vamos a extraer las coordenadas X y Y de cada subtítulo para usarlas de referencia
# para nuestras nuevas anotaciones.
annotations_x.append(annotation["x"])
annotations_y.append(annotation["y"])
# Es momento de crear nuestras nuevas anotaciones.
# Usando la función zip() podemos iterar sobre nuestras listas de valores al mismo tiempo.
for (
x,
y,
t,
) in zip(annotations_x, annotations_y, texto_anotaciones):
# Vamos a ajustar las nuevas anotaciones basandonos en las coornedas de los subtítulos.
x -= 0.12
y -= 0.035
fig.add_annotation(
x=x,
xanchor="left",
xref="paper",
y=y,
yanchor="top",
yref="paper",
text=t,
font_color="#64ffda",
font_size=18,
bordercolor="#64ffda",
borderpad=5,
borderwidth=1.5,
bgcolor="#171010",
)
fig.add_annotation(
x=0.01,
xanchor="left",
xref="paper",
y=-0.085,
yanchor="bottom",
yref="paper",
text=f"Fuente: Banxico ({FECHA_FUENTE})",
)
fig.add_annotation(
x=0.5,
xanchor="center",
xref="paper",
y=-0.085,
yanchor="bottom",
yref="paper",
text=f"El crecimiento nacional por ingresos de remesas del {primer_año} al {ultimo_año} es de <b>162.34%</b>",
)
fig.add_annotation(
x=1.01,
xanchor="right",
xref="paper",
y=-0.085,
yanchor="bottom",
yref="paper",
text="🧁 @lapanquecita",
)
fig.write_image("./estados_tendencia.png")
if __name__ == "__main__":
plot_mapa(2023)
plot_tendencias(2014, 2023)