-
Notifications
You must be signed in to change notification settings - Fork 1
/
remesas_municipio.py
910 lines (756 loc) · 29.1 KB
/
remesas_municipio.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
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
"""
Fuente:
https://www.banxico.org.mx/SieInternet/consultarDirectorioInternetAction.do?sector=1&accion=consultarCuadro&idCuadro=CE166&locale=es
"""
import json
import numpy as np
import pandas as pd
import plotly.graph_objects as go
from plotly.subplots import make_subplots
# Mes y año en que se recopilaron los datos.
FECHA_FUENTE = "mayo 2024"
# Periodo de tiempo del análisis.
PERIODO_TIEMPO = "enero-diciembre"
def plot_map(año):
"""
Esta función crea un mpara choropleth de los municipios de México.
Parameters
----------
año : int
El año que nos interesa analizar.
"""
# El índice lo vamos a necesitar como cadena.
pop_types = {"CVE": str}
# Cargamos el dataset de población por municipio.
pop = pd.read_csv("./assets/poblacion.csv", dtype=pop_types)
# Renombramos algunos estados a sus nombres más comunes.
pop["Entidad"] = pop["Entidad"].replace(
{
"Coahuila de Zaragoza": "Coahuila",
"México": "Estado de México",
"Michoacán de Ocampo": "Michoacán",
"Veracruz de Ignacio de la Llave": "Veracruz",
}
)
# Creamos el índice y seleccionamos las columnas de nuestro interés.
pop.index = pop["Municipio"] + ", " + pop["Entidad"]
pop = pop[["CVE", str(año)]]
# Renombramos las columnas.
pop.columns = ["CVE", "poblacion"]
# Cargamos el dataset de remesas por municipio.
df = pd.read_csv("./data/remesas_municipio.csv")
# La estructura de este dataset es jerárquica.
# Tenemos que hacer algunas modificaciones para que coincida con el dataset de población.
df["Entidad"] = df["Municipio"].apply(fill_entidad)
df["Entidad"] = df["Entidad"].replace("México", "Estado de México")
df.ffill(inplace=True)
df.index = df.apply(fill_cve, axis=1)
# Quitamos los registros que no sean municipios.
df = df[df["Municipio"].str.contains("⚬")]
# 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["poblacion"].sum():,.2f} dólares per cápita"
# Asignamos la población a cada municipio.
df = df.join(pop)
# Rellenamos con 0 a los municipios no identificados.
df = df.fillna(0)
# Calculamos el valor per cápita.
df["capita"] = df["total"] / df["poblacion"]
# Quitamos los valores infinitos o en ceros.
df = df[df["capita"] != np.inf]
df = df[df["capita"] > 0]
# Usaremos la clave del municipio como índice.
df.set_index("CVE", inplace=True)
# Calculamos algunas estadísticas descriptivas.
estadisticas = [
"Estadísticas descriptivas",
f"Media: <b>{df['capita'].mean():,.1f}</b>",
f"Mediana: <b>{df['capita'].median():,.1f}</b>",
f"DE: <b>{df['capita'].std():,.1f}</b>",
f"25%: <b>{df['capita'].quantile(.25):,.1f}</b>",
f"75%: <b>{df['capita'].quantile(.75):,.1f}</b>",
f"95%: <b>{df['capita'].quantile(.95):,.1f}</b>",
f"Máximo: <b>{df['capita'].max():,.1f}</b>",
]
estadisticas = "<br>".join(estadisticas)
# Determinamos los valores mínimos y máximos para nuestra escala.
# Para el valor máximo usamos el 95 percentil para mitigar los
# efectos de valores atípicos.
valor_min = df["capita"].min()
valor_max = df["capita"].quantile(0.975)
# Vamos a crear nuestra escala con 13 intervalos.
marcas = np.linspace(valor_min, valor_max, 13)
etiquetas = list()
for item in marcas:
etiquetas.append(f"{item:,.0f}")
# A la última etiqueta le agregamos el símbolo de 'mayor o igual que'.
etiquetas[-1] = f"≥{valor_max:,.0f}"
# Cargamos el GeoJSON de municipios de México.
geojson = json.loads(open("./assets/mexico2020.json", "r", encoding="utf-8").read())
# Estas listas serán usadas para configurar el mapa Choropleth.
ubicaciones = list()
valores = list()
# Iteramos sobre cada municipio e nuestro GeoJSON.
for item in geojson["features"]:
geo = str(item["properties"]["CVEGEO"])
# Si el municipio no se encuentra en nuestro DataFrame,
# agregamos un valor nulo.
try:
value = df.loc[geo]["capita"]
except Exception as _:
value = None
# Agregamos el objeto del municipio y su valor a las listas correspondientes.
ubicaciones.append(geo)
valores.append(value)
fig = go.Figure()
# Configuramos nuestro mapa Choropleth con todas las variables antes definidas.
# El parámetro 'featureidkey' debe coincidir con el de la variable 'geo' que
# extrajimos en un paso anterior.
fig.add_traces(
go.Choropleth(
geojson=geojson,
locations=ubicaciones,
z=valores,
featureidkey="properties.CVEGEO",
colorscale="solar",
marker_line_color="#FFFFFF",
marker_line_width=1,
zmin=valor_min,
zmax=valor_max,
colorbar=dict(
x=0.035,
y=0.5,
thickness=150,
ypad=400,
ticks="outside",
outlinewidth=5,
outlinecolor="#FFFFFF",
tickvals=marcas,
ticktext=etiquetas,
tickwidth=5,
tickcolor="#FFFFFF",
ticklen=30,
tickfont_size=80,
),
)
)
# Vamos a sobreponer otro mapa Choropleth, el cual
# tiene el único propósito de mostrar la división política
# de las entidades federativas.
# Cargamos el archivo GeoJSON de México.
geojson_borde = json.loads(
open("./assets/mexico.json", "r", encoding="utf-8").read()
)
# Estas listas serán usadas para configurar el mapa Choropleth.
ubicaciones_borde = list()
valores_borde = list()
# Iteramos sobre cada entidad dentro de nuestro archivo GeoJSON de México.
for item in geojson_borde["features"]:
geo = item["properties"]["NOMGEO"]
# Alimentamos las listas creadas anteriormente con la ubicación y su valor per capita.
ubicaciones_borde.append(geo)
valores_borde.append(1)
# Este mapa tiene mucho menos personalización.
# Lo único que necesitamos es que muestre los contornos
# de cada entidad.
fig.add_traces(
go.Choropleth(
geojson=geojson_borde,
locations=ubicaciones_borde,
z=valores_borde,
featureidkey="properties.NOMGEO",
colorscale=["hsla(0, 0, 0, 0)", "hsla(0, 0, 0, 0)"],
marker_line_color="#FFFFFF",
marker_line_width=4,
showscale=False,
)
)
# Personalizamos algunos aspectos del mapa, como el color del oceáno
# y el del terreno.
fig.update_geos(
fitbounds="locations",
showocean=True,
oceancolor="#092635",
showcountries=False,
framecolor="#FFFFFF",
framewidth=5,
showlakes=False,
coastlinewidth=0,
landcolor="#000000",
)
# Agregamos las anotaciones correspondientes.
fig.update_layout(
showlegend=False,
font_family="Lato",
font_color="#FFFFFF",
margin_t=50,
margin_r=100,
margin_b=30,
margin_l=100,
width=7680,
height=4320,
paper_bgcolor="#393053",
annotations=[
dict(
x=0.5,
y=0.985,
xanchor="center",
yanchor="top",
text=f"Ingresos por remesas per cápita en municipios de México durante {PERIODO_TIEMPO} de {año}",
font_size=140,
),
dict(
x=0.02,
y=0.49,
textangle=-90,
xanchor="center",
yanchor="middle",
text="Dólares per cápita",
font_size=100,
),
dict(
x=0.98,
y=0.9,
xanchor="right",
yanchor="top",
text=estadisticas,
align="left",
borderpad=30,
bordercolor="#FFFFFF",
bgcolor="#000000",
borderwidth=5,
font_size=120,
),
dict(
x=0.01,
y=-0.003,
xanchor="left",
yanchor="bottom",
text=f"Fuente: Banxico ({FECHA_FUENTE})",
font_size=120,
),
dict(
x=0.5,
y=-0.003,
xanchor="center",
yanchor="bottom",
text=subtitulo,
font_size=120,
),
dict(
x=1.0,
y=-0.003,
xanchor="right",
yanchor="bottom",
text="🧁 @lapanquecita",
font_size=120,
),
],
)
fig.write_image(f"./municipal_{año}.png")
def plot_capita(año):
"""
Esta función crea una tabla con los municiios que reciben mas remesas per cápita.
Parameters
----------
año : int
El año que nos interesa analizar.
"""
# Cargamos el dataset de población por municipio.
pop = pd.read_csv("./assets/poblacion.csv")
# Renombramos algunos estados a sus nombres más comunes.
pop["Entidad"] = pop["Entidad"].replace(
{
"Coahuila de Zaragoza": "Coahuila",
"México": "Estado de México",
"Michoacán de Ocampo": "Michoacán",
"Veracruz de Ignacio de la Llave": "Veracruz",
}
)
# Creamos el índice y seleccionamos las columnas de nuestro interés.
pop.index = pop["Municipio"] + ", " + pop["Entidad"]
pop = pop[str(año)]
# Cargamos el dataset de remesas por municipio.
df = pd.read_csv("./data/remesas_municipio.csv")
# La estructura de este dataset es jerárquica.
# Tenemos que hacer algunas modificaciones para que coincida con el dataset de población.
df["Entidad"] = df["Municipio"].apply(fill_entidad)
df["Entidad"] = df["Entidad"].replace("México", "Estado de México")
df.ffill(inplace=True)
df.index = df.apply(fill_cve, axis=1)
# Quitamos los registros que no sean municipios.
df = df[df["Municipio"].str.contains("⚬")]
# 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 municipio.
df["pop"] = pop
# Rellenamos con 0 a los municipios no identificados.
df = df.fillna(0)
# 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)
# Quitamos los valores infinitos.
df = df[df["capita"] != np.inf]
# Seleccionamos las primeras 30 filas.
df = df.head(30)
# Para el rank resetearemos el índice y le sumaremos 1, para que sea del 1 al 30 en vez del 0 al 29.
df.reset_index(inplace=True)
df.index += 1
# Acortamos el nombre del municipio más largo de México.
df["index"] = df["index"].replace(
{
"Dolores Hidalgo Cuna de la Independencia Nal., Guanajuato": "Dolores Hidalgo, Guanajuato",
}
)
fig = go.Figure()
# Vamos a crear una tabla con 4 columnas.
fig.add_trace(
go.Table(
columnwidth=[50, 200, 100, 100],
header=dict(
values=[
"<b>Pos.</b>",
"<b>Municipio, Entidad</b>",
"<b>Remesas en dólares</b>",
"<b>Per cápita ↓</b>",
],
font_color="#FFFFFF",
line_width=0.75,
fill_color="#E94560",
align="center",
height=28,
),
cells=dict(
values=[df.index, df["index"], df["total"], df["capita"]],
line_width=0.75,
fill_color="#1A1A2E",
height=28,
format=["", "", ",.0f", ",.2f"],
prefix=["", "", "$", "$"],
align=["center", "left", "left", "center", "center"],
),
)
)
fig.update_layout(
showlegend=False,
width=840,
height=1050,
font_family="Lato",
font_color="#FFFFFF",
font_size=16,
margin_t=110,
margin_l=40,
margin_r=40,
margin_b=0,
title_x=0.5,
title_y=0.95,
title_font_size=26,
title_text=f"Los 30 municipios de México con mayores ingresos por remesas<br><b>per cápita</b> durante {PERIODO_TIEMPO} de {año}",
paper_bgcolor="#16213E",
annotations=[
dict(
x=0.015,
y=0.015,
xanchor="left",
yanchor="top",
text=f"Fuente: Banxico ({FECHA_FUENTE})",
),
dict(x=0.58, y=0.015, xanchor="center", yanchor="top", text=subtitulo),
dict(
x=1.01, y=0.015, xanchor="right", yanchor="top", text="🧁 @lapanquecita"
),
],
)
fig.write_image("./tabla_capita.png")
def plot_absolutos(año):
"""
Esta función crea una tabla con los municiios que reciben mas remesas totales.
Parameters
----------
año : int
El año que nos interesa analizar.
"""
# Cargamos el dataset de población por municipio.
pop = pd.read_csv("./assets/poblacion.csv")
# Renombramos algunos estados a sus nombres más comunes.
pop["Entidad"] = pop["Entidad"].replace(
{
"Coahuila de Zaragoza": "Coahuila",
"México": "Estado de México",
"Michoacán de Ocampo": "Michoacán",
"Veracruz de Ignacio de la Llave": "Veracruz",
}
)
# Creamos el índice y seleccionamos las columnas de nuestro interés.
pop.index = pop["Municipio"] + ", " + pop["Entidad"]
pop = pop[str(año)]
# Cargamos el dataset de remesas por municipio.
df = pd.read_csv("./data/remesas_municipio.csv")
# La estructura de este dataset es jerárquica.
# Tenemos que hacer algunas modificaciones para que coincida con el dataset de población.
df["Entidad"] = df["Municipio"].apply(fill_entidad)
df["Entidad"] = df["Entidad"].replace("México", "Estado de México")
df.ffill(inplace=True)
df.index = df.apply(fill_cve, axis=1)
# Quitamos los registros que no sean municipios.
df = df[df["Municipio"].str.contains("⚬")]
# 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 el total para el subtítulo.
subtitulo = f"Nacional: {df['total'].sum():,.0f} dólares"
# Asignamos la población a cada municipio.
df["pop"] = df.index.map(pop)
# Rellenamos con 0 a los municipios no identificados.
df = df.fillna(0)
# Calculamos el valor per cápita.
df["capita"] = df["total"] / df["pop"]
# Ordenamos por el total de mayor a menor.
df = df.sort_values("total", ascending=False)
# Quitamos los valores infinitos.
df = df[df["capita"] != np.inf]
# Seleccionamos las primeras 30 filas.
df = df.head(30)
# Para el rank resetearemos el índice y le sumaremos 1, para que sea del 1 al 30 en vez del 0 al 29.
df.reset_index(inplace=True)
df.index += 1
# Acortamos el nombre del municipio más largo de México.
df["index"] = df["index"].replace(
"Dolores Hidalgo Cuna de la Independencia Nal., Guanajuato",
"Dolores Hidalgo, Guanajuato",
)
fig = go.Figure()
# Vamos a crear una tabla con 4 columnas.
fig.add_trace(
go.Table(
columnwidth=[50, 200, 110, 80],
header=dict(
values=[
"<b>Pos.</b>",
"<b>Municipio, Entidad</b>",
"<b>Remesas en dólares ↓</b>",
"<b>Per cápita</b>",
],
font_color="#FFFFFF",
line_width=0.75,
fill_color="#f4511e",
align="center",
height=28,
),
cells=dict(
values=[df.index, df["index"], df["total"], df["capita"]],
line_width=0.75,
fill_color="#182c25",
height=28,
format=["", "", ",.0f", ",.2f"],
prefix=["", "", "$", "$"],
align=["center", "left", "left", "center", "center"],
),
)
)
fig.update_layout(
showlegend=False,
width=840,
height=1050,
font_family="Lato",
font_color="#FFFFFF",
font_size=16,
margin_t=110,
margin_l=40,
margin_r=40,
margin_b=0,
title_x=0.5,
title_y=0.95,
title_font_size=26,
title_text=f"Los 30 municipios de México con mayores ingresos por remesas<br><b>totales</b> durante {PERIODO_TIEMPO} de {año}",
paper_bgcolor="#1e453e",
annotations=[
dict(
x=0.015,
y=0.015,
xanchor="left",
yanchor="top",
text=f"Fuente: Banxico ({FECHA_FUENTE})",
),
dict(
x=0.58,
y=0.015,
xanchor="center",
yanchor="top",
text=subtitulo,
),
dict(
x=1.01, y=0.015, xanchor="right", yanchor="top", text="🧁 @lapanquecita"
),
],
)
fig.write_image("./tabla_absolutos.png")
def fill_entidad(x):
"""
En el dataset de municipios los registros que empiezan con un círculo son las entidades.
Si el registro es una entidad la regresamos limpia, de lo contrario regresamos un valor nulo.
"""
if "●" in x:
return x.replace("●", "").strip()
else:
return None
def fill_cve(x):
"""
Vamos a crear un valor 'cve' igual al del dataset de población.
Para esto limpiamos el nombre del municipio y lo juntamos con la entidad.
"""
return x["Municipio"].replace("⚬", "").strip() + ", " + x["Entidad"]
def plot_tendencias(primer_año, ultimo_año):
"""
Esta función crea una cuadrícula de sparklines con los municipios 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 municipio.
df = pd.read_csv("./data/remesas_municipio.csv")
# La estructura de este dataset es jerárquica.
# Tenemos que hacer algunas modificaciones para asignar la entdad a cada municipio.
df["Entidad"] = df["Municipio"].apply(fill_entidad)
df.ffill(inplace=True)
df.index = df.apply(fill_cve, axis=1)
# Quitamos los registros que no sean municipios.
df = df[df["Municipio"].str.contains("⚬")]
# Vamos a sumar los totales de remesas por año.
# Para esto crearemos un ciclo del 2013 al 2024.
for year in range(2014, 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]
# Quitamos los municipios que hayan tenido menos de
# 100 millones de dólares durante el último año.
# Esto es con el propósito de encontrar los outliers más interesantes.
df = df[df[ultimo_año] >= 100]
# 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 y saber cual fue el valor máximo.
primer_valor = temp_df.iloc[0]
ultimo_valor = temp_df.iloc[-1]
valor_maximo = temp_df.max()
# Solo el primer y último registro llevarán un texto con sus valores.
textos = ["" for _ in range(len(temp_df))]
textos[0] = f"<b>{primer_valor:,.1f}</b>"
textos[-1] = f"<b>{ultimo_valor:,.1f}</b>"
# Posicionar los textos es un poco complicado ya que se pueden salir fácilmente
# de la gráfica, con el siguiente código detectamos estos escenarios y ajustamos la posición.
text_pos = ["middle center" for _ in range(len(temp_df))]
# Este código ajusta el primer texto.
if primer_valor == valor_maximo:
text_pos[0] = "middle right"
else:
text_pos[0] = "top center"
# Este código ajusta el último texto.
if ultimo_valor == valor_maximo:
text_pos[-1] = "middle left"
else:
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
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="#b2ff59",
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=140,
margin_l=110,
margin_r=40,
margin_b=100,
title_text=f"Los 15 municipios 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="#b2ff59",
font_size=18,
bordercolor="#b2ff59",
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=1.04,
yanchor="top",
yref="paper",
font_size=22,
text=f"(solo se tomaron en cuenta los municipios con al menos 100 mdd por ingresos de remesas durante el {ultimo_año})",
)
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("./municipios_tendencia.png")
if __name__ == "__main__":
plot_map(2023)
plot_capita(2023)
plot_absolutos(2023)
plot_tendencias(2014, 2023)