Jupyter Notebook en acción

Gracias a Martín Nadal conocí esta capacidad de Jupyter de conectar con una API y trabajar el tratamiento de datos con Pandas, una forma de consumir y analizar en tiempo real el contenido de la API.

Accidentes en tráfico en Zaragoza

¿Qué vamos a hacer?

• obtener los datos
• transformar el campo coordenadas
• construir un tabla con motivo del accidente, latitud y longitud

Origen de datos

https://www.zaragoza.es/sede/servicio/catalogo/1500#API

Se observa que:

• El delimitador es el ;
• Tiene dos parámetros, rows y start

Empieza el juego

Para ello primero instalamos Pandas y Folium:

pip install pandas folium

Requirement already satisfied: pandas in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (2.0.1)
Requirement already satisfied: folium in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (0.14.0)
Requirement already satisfied: python-dateutil>=2.8.2 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from pandas) (2.8.2)
Requirement already satisfied: pytz>=2020.1 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from pandas) (2023.3)
Requirement already satisfied: tzdata>=2022.1 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from pandas) (2023.3)
Requirement already satisfied: numpy>=1.21.0 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from pandas) (1.24.3)
Requirement already satisfied: branca>=0.6.0 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from folium) (0.6.0)
Requirement already satisfied: jinja2>=2.9 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from folium) (3.1.2)
Requirement already satisfied: requests in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from folium) (2.31.0)
Requirement already satisfied: MarkupSafe>=2.0 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from jinja2>=2.9->folium) (2.1.2)
Requirement already satisfied: six>=1.5 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from python-dateutil>=2.8.2->pandas) (1.16.0)
Requirement already satisfied: charset-normalizer<4,>=2 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from requests->folium) (3.2.0)
Requirement already satisfied: idna<4,>=2.5 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from requests->folium) (3.4)
Requirement already satisfied: urllib3<3,>=1.21.1 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from requests->folium) (2.0.4)
Requirement already satisfied: certifi>=2017.4.17 in /home/flow/.local/pipx/venvs/jupyter/lib/python3.11/site-packages (from requests->folium) (2023.7.22)

[notice] A new release of pip is available: 23.1 -> 23.2.1
[notice] To update, run: /home/flow/.local/pipx/venvs/jupyter/bin/python -m pip install --upgrade pip
Note: you may need to restart the kernel to use updated packages.

Luego importamos Pandas y Folium:

import pandas as pd
import folium

Crear variable

Las variables se asignan con el símbolo “=” y se redactará entrecomillado, ya que se trata de una cadena de caracteres.

url = 'https://www.zaragoza.es/sede/servicio/transporte/accidentalidad-trafico/accidente.csv?rows=100'

Para saber cual es el valor de esta variable, en caso de querer conocerlo, tendremos que introducir el termino “miurl” y este tendrá que marcar un resultado igual a la url propuesta.

url

'https://www.zaragoza.es/sede/servicio/transporte/accidentalidad-trafico/accidente.csv?rows=100'

Si colocamos “miurl” dentro de un parentesis precedido por el comando “type”, mostrará que se trata de una cadena de caracteres.

type(url)

str

A lo cual responde que es de tipo str, de string o cadena de caracteres, texto.

Empieza la magia de Pandas

Crear dataframe

La abreviatura que se emplea para los dataframe es “dl”. Existe una función “read_csv()” que lee el formato “csv”. Dentro del paréntesis indicaremos el valor de lo que queremos que lea, en este caso la url.

df = pd.read_csv(url,delimiter=';')
df

Aquí tenemos todos los datos pero mejor si lo evitamos, son 27000 accidentes y puede ir lento.

df = pd.read_csv('http://muimota.net/ojoaldato/accidentes.csv')
df

Viendo estos datos a Martín le interesó explorar la columna reason y saber qué valores únicos había:

df['reason'].unique()

array(['PERDIDA del control por FALTA de ATENCIÓN',
       'DISTANCIA DE SEGURIDAD, no mantener',
       'CEDA EL PASO, no respetar prioridad de paso',
       'PERDIDA del control por VELOCIDAD INADECUADA',
       'Caída de ocupante en Transporte Público',
       'PEATÓN cruza calz SIN PREFER. fuera de paso',
       'INVADIR otro carril en el mismo sentido de circulación',
       'PEATÓN cruza calz SIN PREFER. en PASO CON semáforo',
       'PUERTA abierta incorrectamente', 'MARCHA ATRÁS',
       'SEMÁFORO, no respetar prioridad de paso', 'OTRAS CAUSAS',
       'PEATÓN cruza calz CON PREFER. en PASO  CON semáforo',
       'PEATÓN cruza calz CON PREFER. en PASO  SIN semáforo',
       'PEATÓN cruza calz CON PREFER. en PASO SIN semáforo',
       'INCORPORARSE sin las debidas precauciones',
       'GIROS: no respetar señal ó no ceñirse a la dirección',
       'PEATÓN cruza calz CON PREFER. en PASO CON semáforo',
       'Infracción Penal (con denuncia)',
       'PEATÓN atropellado sobre la acera ó refugio',
       'PEATÓN cruza calz SIN PREFER. en PASO  CON semáforo',
       'STOP, no respetar prioridad de paso',
       'SIN PODER DETERMINAR,  faltan datos',
       'INVADIR otro carril en sentido contrario a la circulación',
       'PREFERENCIA EN GLORIETA, no respetar',
       'PEATÓN cruza calz CON PREFER. fuera de PASO (esquina)',
       'DIRECCIÓN CONTRARIA, circular en',
       'SIN PODER DETERMINAR, faltan datos',
       'ESTACIONADO INCORRECTAMENTE',
       'PREFERENCIA A LA  DERECHA, no respetar',
       'PREFERENCIA A LA DERECHA, no respetar',
       'ADELANTAMIENTO incorrecto', 'Daños propiedad', 'Otras causas',
       'INCORPORARSE un BUS URBANO a la circulac. desde parada señaliz.',
       'CAIDA DE PEATÓN EN AUTOBUS', 'Daños (Propiedad)', nan,
       'INCORPORARSE sin las debidas precauciones)',
       'PEATÓN cruza calz  fuera de PASO (esquina)',
       'Infracción Penal (sin denuncia)'], dtype=object)

Ademá, se propuso ver si podía utilizar el valor de la columna geometry:

df['geometry']

0        -0.8818527060979306,41.649027473051156
1        -0.8645810716721081,41.661585829868585
2         -0.887776415002892,41.666992622958105
3         -0.8825260453930127,41.62957498750602
4           -0.908314757720389,41.6562121210704
                          ...                  
27495     -0.9337782877014544,41.63888841722081
27496    -0.9067375759951974,41.644789184898926
27497     -0.8907497377774148,41.64811436227578
27498    -0.8908180267513072,41.676074625860785
27499    -0.9245669583272559,41.645615385662296
Name: geometry, Length: 27500, dtype: object

Resulta que era un objeto de tipo cadena, que contenía las dos coordenadas y, además, que estaban invertidas en el orden. Había que convertirlo. Primero las longitudes y luego las latitudes:

longitudes = []
for coordenadasStr in df['geometry']:
    pointStr = coordenadasStr.split(',')
    longitudes += [float(pointStr[0])]

latitudes = []
for coordenadasStr in df['geometry']:
    pointStr = coordenadasStr.split(',')
    latitudes += [float(pointStr[1])]

Con esto crea un dataframe concreto:

coordenadas = pd.DataFrame({'long':longitudes,'lat':latitudes})
coordenadas

Y se crea otro dataframe de la unión de la columna type y del dataframe coordenadas:

accidentes = pd.concat([df['type'],coordenadas],axis=1)
accidentes

Crea el mapa con Folium

mapa = folium.Map(location=[41.64,-0.88])
mapa

De la misma forma que se crea un marcador child se crea un bucle para añadir todos los marcadores con las correspondientes coordenadas y textos:

for indice, fila in accidentes.iterrows():
    marcador = folium.Marker([fila['lat'],fila['long']],\
                             popup=fila['type'])
    mapa.add_child(marcador)
mapa