Datos#
Definición de Variables#
Las variables predictoras consideradas para este estudio son:
Área del municipio
Población total
Densidad poblacional
Humedad relativa media anual
Temperatura media anual
Altitud media
La variable objetivo es continua y corresponde a la Tasa o Razón de Letalidad (CFR, por sus siglas en inglés Case Fatality Rate), como indicador de la mortalidad causada por el COVID-19. Este índice se calcula como el número de muertes conocidas dividido entre el número total de casos confirmados, expresado en porcentaje (Chaparro_2021).
\[CFR = \dfrac{\text{No. de muertes por la enfermedad}}{\text{No. de muertes por la enfermedad + No. de casos recuperados de la enfermedad}} \times 100\]
Para este estudio, se considerará que ocurre un evento cuando el CFR supere el umbral del 3%. Por lo tanto, un evento se registra si CFR > 3.
Catálogo de Variables#
Nombre |
Definición |
Tipo de dato |
|---|---|---|
codigo_municipio |
Código DANE del Municipio |
String |
nombre_municipio |
Nombre del Municipio |
String |
codigo_subregion |
Código administrativo para las subregiones del Departamento |
String |
nombre_subregion |
Nombre de la Subregion |
String |
area_municipio |
Area del Municipio |
Float |
altitud |
Altitud promedio |
Int64 |
temperatura |
Temperatura promedio anual |
Float |
humedad_relativa |
Humedad Relativa promedio anual |
Float |
poblacion |
Total de habitantes |
Int64 |
densidad |
No. habitantes por Km2 |
Float |
muertes_covid19 |
No. de muertos a causa del COVID-19 |
Int64 |
recuperados_covid19 |
No. personas recuperadas por COVID-19 |
Float |
cfr |
Razon de letalidad |
Float |
geometry |
Geometría del Objeto (Point - Poligono) |
Object |
Fuente de Datos#
La información demográfica y de casos positivos de personas con COVID-19, proviene del Instituto Nacional de Salud Colombia y los datos de población de los municipios de Antioquia provienen del DANE, ambos datasets están publicados en el portal Datos Abiertos Colombia. Los mapas y georeferenciación de los municipios son obtenidos del geoportal del DANE y Gobernación de Antioquia. La información meteorológica de temperatura, humedad y altitud fueron obtenidos desde Google Earth Engine.
INS - Instituto Nacional de Salud Colombia. https://www.ins.gov.co
DANE - Departamento Administrativo Nacional de Estadística. https://geoportal.dane.gov.co/
Datos Abiertos Colombia. https://www.datos.gov.co/
Secretaría Seccional de Salud y Protección Social | Antioquia. https://dssa.gov.co/
Geoportal de la Gobernación de Antioquia. https://geodatos-gobantioquia.opendata.arcgis.com/
Google Earth Engine. https://earthengine.google.com/
Carga de Datos#
# + tags=["hide-output"]
%pip install geopandas
%pip install plotly
%pip install matplotlib-map-utils
import warnings
warnings.filterwarnings('ignore')
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import geopandas as gpd
from matplotlib_map_utils.core.north_arrow import NorthArrow, north_arrow
from matplotlib_map_utils.core.scale_bar import ScaleBar, scale_bar
import plotly.express as px
import plotly.graph_objects as go
pd.set_option('display.max_columns', None)
gdf = gpd.read_file("https://github.com/algarciach/AnalisisGeoespacial/raw/main/Covid19_model/Data/covid19_municipios_antioquia.gpkg")
gdf.info()
<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 15 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 codigo_municipio 125 non-null object
1 nombre_municipio 125 non-null object
2 codigo_subregion 125 non-null object
3 nombre_subregion 125 non-null object
4 area_municipio 125 non-null float64
5 altitud 125 non-null float64
6 temperatura 125 non-null float64
7 humedad_relativa 125 non-null float64
8 poblacion 125 non-null int64
9 urbanizacion 125 non-null float64
10 densidad 125 non-null float64
11 muertes_covid19 125 non-null int64
12 recuperados_covid19 125 non-null int64
13 cfr 125 non-null float64
14 geometry 125 non-null geometry
dtypes: float64(7), geometry(1), int64(3), object(4)
memory usage: 14.8+ KB
gdf.head()
| codigo_municipio | nombre_municipio | codigo_subregion | nombre_subregion | area_municipio | altitud | temperatura | humedad_relativa | poblacion | urbanizacion | densidad | muertes_covid19 | recuperados_covid19 | cfr | geometry | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 05001 | MEDELLIN | 01 | VALLE DE ABURRA | 374.834005 | 2059.003077 | 18.203481 | 80.582299 | 2616335 | 0.984199 | 6979.983054 | 10353 | 537645 | 1.889240 | POLYGON ((-75.66974 6.3736, -75.66965 6.3736, ... |
| 1 | 05002 | ABEJORRAL | 07 | ORIENTE | 507.141095 | 1947.128522 | 17.845754 | 80.265871 | 21468 | 0.430781 | 42.331415 | 24 | 579 | 3.980100 | POLYGON ((-75.46938 5.94575, -75.46897 5.94571... |
| 2 | 05004 | ABRIAQUI | 06 | OCCIDENTE | 296.894050 | 2371.335448 | 15.912880 | 85.717115 | 2855 | 0.349912 | 9.616225 | 1 | 78 | 1.265823 | POLYGON ((-76.08351 6.7505, -76.08325 6.75048,... |
| 3 | 05021 | ALEJANDRIA | 07 | ORIENTE | 128.932153 | 1545.100614 | 20.538783 | 80.036523 | 4955 | 0.591726 | 38.431065 | 6 | 175 | 3.314917 | POLYGON ((-75.0332 6.41586, -75.03313 6.41585,... |
| 4 | 05030 | AMAGA | 08 | SUROESTE | 84.132477 | 1513.740970 | 21.093243 | 78.477931 | 32412 | 0.522152 | 385.249562 | 54 | 1440 | 3.614458 | POLYGON ((-75.67587 6.08561, -75.6754 6.08491,... |
fig, ax = plt.subplots(figsize=(10, 10))
gdf.plot(column='codigo_subregion', ax=ax)
north_arrow(ax, location="upper right", rotation={"crs": "EPSG:4326", "reference": "center"}, scale=0.3, shadow=False)
scale_bar(ax, location="lower left", style="ticks", bar={"projection": 4326})
ScaleBar.set_size(size="sm")
plt.axis('off')
plt.title('Mapa de Antioquia por Subregiones')
plt.show()
Preprocesamiento de Datos#
import unicodedata
def normalize(text):
nfkd = unicodedata.normalize('NFKD', text)
return ''.join([c for c in nfkd if not unicodedata.combining(c)]).upper()
DEM#
La información de Altitud media de los municipios de Antioquia fue obtenida del dataset NASA SRTM Digital Elevation 30m disponible en Google Earth Engine a través del siguiente script:
// Load zones Polygons
var zones = ee.FeatureCollection("users/algarciach/geo_mpios_antioquia");
// Load SRTM DEM dataset (30m resolution)
var dataset = ee.Image("USGS/SRTMGL1_003");
// Calculate mean DEM elevation by zones
var dem_mean = dataset.reduceRegions({
collection: zones,
reducer: ee.Reducer.mean().setOutputs(['altitud']),
scale: 30,
});
// Export results as GeoJSON
Export.table.toDrive({
collection: dem_mean,
description: 'dem_mpios_antioquia',
fileFormat: 'GeoJSON'
});
dem_mpios_antioquia = gpd.read_file('../Covid19_model/Data/Processed/dem_mpios_antioquia.geojson')
dem_mpios_antioquia.info()
<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 id 125 non-null object
1 altitud 125 non-null float64
2 area_munic 125 non-null float64
3 codigo_mun 125 non-null object
4 nombre_mun 125 non-null object
5 shape_Area 125 non-null float64
6 shape_Leng 125 non-null float64
7 geometry 125 non-null geometry
dtypes: float64(4), geometry(1), object(3)
memory usage: 7.9+ KB
Temperature & Relative Humity#
La información de Temperatura media anual de los municipios de Antioquia fue obtenida de los datasets WorldClim BIO Variables V1 y la Humedad Relativa media anual fue estimada a partir de los datasets ERA5-Land Monthly - ECMWF Climate Reanalys, ambos disponibles en Google Earth Engine.
// Load zones polygons
var zones = ee.FeatureCollection("users/algarciach/geo_mpios_antioquia");
// Load WorldClim V1 BIO1 (Annual Mean Temperature * 10)
var worldclim = ee.Image('WORLDCLIM/V1/BIO')
.select('bio01') // BIO1
.divide(10) // Convert to °C
.rename('temperatura');
// Load ERA5-Land Monthly data for 2020
var era5 = ee.ImageCollection('ECMWF/ERA5_LAND/MONTHLY')
.filterDate('2020-01-01', '2020-12-31');
// Compute mean temperature and dewpoint (°C)
var temp = era5.select('temperature_2m').mean().subtract(273.15);
var dewpoint = era5.select('dewpoint_temperature_2m').mean().subtract(273.15);
// Constants for Clausius–Clapeyron
var a = 17.625;
var b = 243.04;
// Saturation vapor pressure (es) from temperature
var es = temp.expression(
'6.112 * exp((a * T) / (b + T))',
{T: temp, a: a, b: b}
);
// Actual vapor pressure (ea) from dewpoint
var ea = dewpoint.expression(
'6.112 * exp((a * Td) / (b + Td))',
{Td: dewpoint, a: a, b: b}
);
// Calculate RH (%), clipped between 0 and 100
var rh = ea.divide(es).multiply(100).max(0).min(100).rename('humedad_relative');
// Combine WorldClim temp and ERA5 RH
var combined = worldclim.addBands(rh);
// Reduce by zones (mean values)
var stats = combined.reduceRegions({
collection: zones,
reducer: ee.Reducer.mean(),
scale: 1000, // ERA5 native scale approx
});
print(stats)
// Export results as GeoJSON to Google Drive
Export.table.toDrive({
collection: stats,
description: 'trh_mpios_antioquia',
fileFormat: 'GeoJSON'
});
trh_mpios_antioquia = gpd.read_file('../Covid19_model/Data/Processed/trh_mpios_antioquia.geojson')
trh_mpios_antioquia.info()
<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 9 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 id 125 non-null object
1 area_munic 125 non-null float64
2 codigo_mun 125 non-null object
3 humedad_relative 125 non-null float64
4 nombre_mun 125 non-null object
5 shape_Area 125 non-null float64
6 shape_Leng 125 non-null float64
7 temperatura 125 non-null float64
8 geometry 125 non-null geometry
dtypes: float64(5), geometry(1), object(3)
memory usage: 8.9+ KB
dem_mpios_antioquia = dem_mpios_antioquia.rename(columns={'codigo_mun': 'codigo_municipio'})
trh_mpios_antioquia = trh_mpios_antioquia.rename(columns={'humedad_relative': 'humedad_relativa', 'codigo_mun': 'codigo_municipio'})
Datos Demográficos#
poblacion_mpios_antioquia = pd.read_csv('../Covid19_model/Data/Sources/poblacion_antioquia_2024.csv')
poblacion_mpios_antioquia.info()
---------------------------------------------------------------------------
FileNotFoundError Traceback (most recent call last)
Cell In[11], line 1
----> 1 poblacion_mpios_antioquia = pd.read_csv('../Covid19_model/Data/Sources/poblacion_antioquia_2024.csv')
2 poblacion_mpios_antioquia.info()
File /opt/hostedtoolcache/Python/3.11.13/x64/lib/python3.11/site-packages/pandas/io/parsers/readers.py:1026, in read_csv(filepath_or_buffer, sep, delimiter, header, names, index_col, usecols, dtype, engine, converters, true_values, false_values, skipinitialspace, skiprows, skipfooter, nrows, na_values, keep_default_na, na_filter, verbose, skip_blank_lines, parse_dates, infer_datetime_format, keep_date_col, date_parser, date_format, dayfirst, cache_dates, iterator, chunksize, compression, thousands, decimal, lineterminator, quotechar, quoting, doublequote, escapechar, comment, encoding, encoding_errors, dialect, on_bad_lines, delim_whitespace, low_memory, memory_map, float_precision, storage_options, dtype_backend)
1013 kwds_defaults = _refine_defaults_read(
1014 dialect,
1015 delimiter,
(...) 1022 dtype_backend=dtype_backend,
1023 )
1024 kwds.update(kwds_defaults)
-> 1026 return _read(filepath_or_buffer, kwds)
File /opt/hostedtoolcache/Python/3.11.13/x64/lib/python3.11/site-packages/pandas/io/parsers/readers.py:620, in _read(filepath_or_buffer, kwds)
617 _validate_names(kwds.get("names", None))
619 # Create the parser.
--> 620 parser = TextFileReader(filepath_or_buffer, **kwds)
622 if chunksize or iterator:
623 return parser
File /opt/hostedtoolcache/Python/3.11.13/x64/lib/python3.11/site-packages/pandas/io/parsers/readers.py:1620, in TextFileReader.__init__(self, f, engine, **kwds)
1617 self.options["has_index_names"] = kwds["has_index_names"]
1619 self.handles: IOHandles | None = None
-> 1620 self._engine = self._make_engine(f, self.engine)
File /opt/hostedtoolcache/Python/3.11.13/x64/lib/python3.11/site-packages/pandas/io/parsers/readers.py:1880, in TextFileReader._make_engine(self, f, engine)
1878 if "b" not in mode:
1879 mode += "b"
-> 1880 self.handles = get_handle(
1881 f,
1882 mode,
1883 encoding=self.options.get("encoding", None),
1884 compression=self.options.get("compression", None),
1885 memory_map=self.options.get("memory_map", False),
1886 is_text=is_text,
1887 errors=self.options.get("encoding_errors", "strict"),
1888 storage_options=self.options.get("storage_options", None),
1889 )
1890 assert self.handles is not None
1891 f = self.handles.handle
File /opt/hostedtoolcache/Python/3.11.13/x64/lib/python3.11/site-packages/pandas/io/common.py:873, in get_handle(path_or_buf, mode, encoding, compression, memory_map, is_text, errors, storage_options)
868 elif isinstance(handle, str):
869 # Check whether the filename is to be opened in binary mode.
870 # Binary mode does not support 'encoding' and 'newline'.
871 if ioargs.encoding and "b" not in ioargs.mode:
872 # Encoding
--> 873 handle = open(
874 handle,
875 ioargs.mode,
876 encoding=ioargs.encoding,
877 errors=errors,
878 newline="",
879 )
880 else:
881 # Binary mode
882 handle = open(handle, ioargs.mode)
FileNotFoundError: [Errno 2] No such file or directory: '../Covid19_model/Data/Sources/poblacion_antioquia_2024.csv'
poblacion_mpios_antioquia['codigo_municipio'] = poblacion_mpios_antioquia['codigo_municipio'].astype(str).str.zfill(5)
poblacion_mpios_antioquia['codigo_subregion'] = poblacion_mpios_antioquia['codigo_subregion'].astype(str).str.zfill(2)
poblacion_mpios_antioquia.info()
poblacion_mpios_antioquia.head()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 8 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 codigo_municipio 125 non-null object
1 nombre_municipio 125 non-null object
2 nombre_subregion 125 non-null object
3 codigo_subregion 125 non-null object
4 poblacion 125 non-null int64
5 urbana 125 non-null int64
6 hombres 125 non-null int64
7 mujeres 125 non-null int64
dtypes: int64(4), object(4)
memory usage: 7.9+ KB
| codigo_municipio | nombre_municipio | nombre_subregion | codigo_subregion | poblacion | urbana | hombres | mujeres | |
|---|---|---|---|---|---|---|---|---|
| 0 | 05142 | CARACOLI | MAGDALENA MEDIO | 03 | 4824 | 3100 | 2417 | 2407 |
| 1 | 05425 | MACEO | MAGDALENA MEDIO | 03 | 8707 | 3754 | 4299 | 4408 |
| 2 | 05579 | PUERTO BERRIO | MAGDALENA MEDIO | 03 | 42203 | 36749 | 21122 | 21081 |
| 3 | 05585 | PUERTO NARE | MAGDALENA MEDIO | 03 | 15232 | 5668 | 7563 | 7669 |
| 4 | 05591 | PUERTO TRIUNFO | MAGDALENA MEDIO | 03 | 19554 | 4265 | 10696 | 8858 |
poblacion_mpios_antioquia = poblacion_mpios_antioquia.merge(
dem_mpios_antioquia[['codigo_municipio', 'altitud']],
on='codigo_municipio',
how='left'
)
poblacion_mpios_antioquia = poblacion_mpios_antioquia.merge(
trh_mpios_antioquia[['codigo_municipio', 'temperatura', 'humedad_relativa']],
on='codigo_municipio',
how='left'
)
poblacion_mpios_antioquia.info()
poblacion_mpios_antioquia.head(20)
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 11 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 codigo_municipio 125 non-null object
1 nombre_municipio 125 non-null object
2 nombre_subregion 125 non-null object
3 codigo_subregion 125 non-null object
4 poblacion 125 non-null int64
5 urbana 125 non-null int64
6 hombres 125 non-null int64
7 mujeres 125 non-null int64
8 altitud 125 non-null float64
9 temperatura 125 non-null float64
10 humedad_relativa 125 non-null float64
dtypes: float64(3), int64(4), object(4)
memory usage: 10.9+ KB
| codigo_municipio | nombre_municipio | nombre_subregion | codigo_subregion | poblacion | urbana | hombres | mujeres | altitud | temperatura | humedad_relativa | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 05142 | CARACOLI | MAGDALENA MEDIO | 03 | 4824 | 3100 | 2417 | 2407 | 624.071779 | 25.104725 | 74.246953 |
| 1 | 05425 | MACEO | MAGDALENA MEDIO | 03 | 8707 | 3754 | 4299 | 4408 | 801.129901 | 24.064321 | 75.486478 |
| 2 | 05579 | PUERTO BERRIO | MAGDALENA MEDIO | 03 | 42203 | 36749 | 21122 | 21081 | 302.977808 | 26.774666 | 68.166473 |
| 3 | 05585 | PUERTO NARE | MAGDALENA MEDIO | 03 | 15232 | 5668 | 7563 | 7669 | 308.099489 | 26.793396 | 68.317391 |
| 4 | 05591 | PUERTO TRIUNFO | MAGDALENA MEDIO | 03 | 19554 | 4265 | 10696 | 8858 | 222.031621 | 27.299693 | 63.247296 |
| 5 | 05893 | YONDO | MAGDALENA MEDIO | 03 | 20727 | 11505 | 10601 | 10126 | 100.100005 | 28.162071 | 77.437891 |
| 6 | 05120 | CACERES | BAJO CAUCA | 02 | 31160 | 7512 | 16275 | 14885 | 195.446369 | 27.318936 | 79.260224 |
| 7 | 05154 | CAUCASIA | BAJO CAUCA | 02 | 97803 | 87577 | 47630 | 50173 | 66.545031 | 28.252375 | 79.681802 |
| 8 | 05250 | EL BAGRE | BAJO CAUCA | 02 | 56306 | 37976 | 27563 | 28743 | 319.953193 | 27.260740 | 82.583046 |
| 9 | 05495 | NECHI | BAJO CAUCA | 02 | 27901 | 15582 | 14426 | 13475 | 96.851039 | 28.129927 | 81.476302 |
| 10 | 05790 | TARAZA | BAJO CAUCA | 02 | 29082 | 15143 | 14354 | 14728 | 494.880668 | 25.225125 | 81.998193 |
| 11 | 05895 | ZARAGOZA | BAJO CAUCA | 02 | 26207 | 13248 | 12959 | 13248 | 160.802895 | 28.059689 | 79.529422 |
| 12 | 05045 | APARTADO | URABA | 09 | 131422 | 111893 | 63795 | 67627 | 285.078216 | 25.433774 | 86.372459 |
| 13 | 05051 | ARBOLETES | URABA | 09 | 32192 | 12417 | 16015 | 16177 | 93.569203 | 26.380416 | 83.501483 |
| 14 | 05147 | CAREPA | URABA | 09 | 52184 | 38934 | 25854 | 26330 | 156.375257 | 26.130814 | 86.172635 |
| 15 | 05172 | CHIGORODO | URABA | 09 | 62235 | 53310 | 29833 | 32402 | 159.246260 | 26.328408 | 86.430314 |
| 16 | 05475 | MURINDO | URABA | 09 | 5300 | 2109 | 2686 | 2614 | 201.025719 | 26.695252 | 87.751184 |
| 17 | 05480 | MUTATA | URABA | 09 | 15035 | 6390 | 7611 | 7424 | 530.529721 | 24.765298 | 87.876939 |
| 18 | 05490 | NECOCLI | URABA | 09 | 45530 | 14391 | 22432 | 23098 | 67.026486 | 26.220963 | 83.841781 |
| 19 | 05659 | SAN JUAN DE URABA | URABA | 09 | 21707 | 8333 | 10667 | 11040 | 57.921900 | 26.447830 | 84.156679 |
poblacion_mpios_antioquia.to_csv('../Covid19_model/Data/Processed/poblacion_mpios_antioquia.csv', index=False, encoding='utf-8')
Datos Covid19#
# Filtrar por casos de COVID-19 en Antioquia
covid19_colombia = pd.read_csv('../Covid19_model/Data/Sources/Casos_positivos_de_COVID-19_en_Colombia._20250404.csv')
covid19_antioquia = covid19_colombia.query("`Nombre departamento` == 'ANTIOQUIA'").copy()
covid19_antioquia.info()
<class 'pandas.core.frame.DataFrame'>
Index: 955271 entries, 14 to 6390951
Data columns (total 23 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 fecha reporte web 955271 non-null object
1 ID de caso 955271 non-null int64
2 Fecha de notificación 955271 non-null object
3 Código DIVIPOLA departamento 955271 non-null int64
4 Nombre departamento 955271 non-null object
5 Código DIVIPOLA municipio 955271 non-null int64
6 Nombre municipio 955271 non-null object
7 Edad 955271 non-null int64
8 Unidad de medida de edad 955271 non-null int64
9 Sexo 955271 non-null object
10 Tipo de contagio 955271 non-null object
11 Ubicación del caso 950658 non-null object
12 Estado 950658 non-null object
13 Código ISO del país 850 non-null float64
14 Nombre del país 850 non-null object
15 Recuperado 951161 non-null object
16 Fecha de inicio de síntomas 953785 non-null object
17 Fecha de muerte 23330 non-null object
18 Fecha de diagnóstico 954937 non-null object
19 Fecha de recuperación 932156 non-null object
20 Tipo de recuperación 932147 non-null object
21 Pertenencia étnica 955106 non-null float64
22 Nombre del grupo étnico 2886 non-null object
dtypes: float64(2), int64(5), object(16)
memory usage: 174.9+ MB
covid19_antioquia = covid19_antioquia.rename(columns={
"fecha reporte web": "fecha_reporte",
"Código DIVIPOLA municipio": "codigo_municipio",
"Recuperado": "estado",
"Edad": "edad",
"Sexo": "sexo",
})
covid19_antioquia["fecha_reporte"] = pd.to_datetime(covid19_antioquia["fecha_reporte"])
covid19_antioquia["codigo_municipio"] = covid19_antioquia["codigo_municipio"].astype(str).str.zfill(5)
covid19_antioquia["muertes_covid19"] = covid19_antioquia["estado"].apply(lambda x: 1 if x == "Fallecido" else 0)
covid19_antioquia["recuperados_covid19"] = covid19_antioquia["estado"].apply(lambda x: 1 if x == "Recuperado" else 0)
covid19_antioquia = covid19_antioquia[["fecha_reporte", "codigo_municipio", "edad", "sexo", "muertes_covid19", "recuperados_covid19"]]
covid19_antioquia.info()
covid19_antioquia.head()
<class 'pandas.core.frame.DataFrame'>
Index: 955271 entries, 14 to 6390951
Data columns (total 6 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 fecha_reporte 955271 non-null datetime64[ns]
1 codigo_municipio 955271 non-null object
2 edad 955271 non-null int64
3 sexo 955271 non-null object
4 muertes_covid19 955271 non-null int64
5 recuperados_covid19 955271 non-null int64
dtypes: datetime64[ns](1), int64(3), object(2)
memory usage: 51.0+ MB
| fecha_reporte | codigo_municipio | edad | sexo | muertes_covid19 | recuperados_covid19 | |
|---|---|---|---|---|---|---|
| 14 | 2020-11-08 | 05266 | 37 | F | 0 | 1 |
| 18 | 2020-11-08 | 05266 | 37 | F | 0 | 1 |
| 22 | 2020-11-08 | 05360 | 36 | F | 0 | 1 |
| 31 | 2020-11-08 | 05266 | 63 | F | 0 | 1 |
| 55 | 2020-08-05 | 05001 | 52 | M | 0 | 1 |
fecha_inicio = covid19_antioquia['fecha_reporte'].min()
fecha_fin = covid19_antioquia['fecha_reporte'].max()
print("Fecha inicial:", fecha_inicio)
print("Fecha final:", fecha_fin)
Fecha inicial: 2020-03-09 00:00:00
Fecha final: 2024-01-17 00:00:00
fecha_corte = pd.to_datetime("2023-12-31")
covid19_antioquia = covid19_antioquia[covid19_antioquia['fecha_reporte'] <= fecha_corte]
covid19_antioquia.to_csv('../Covid19_model/Data/Processed/covid19_antioquia.csv', index=False, encoding='utf-8')
# Filtrar por casos de COVID-19 por municipio
covid19_mpios_antioquia = covid19_antioquia.groupby(['codigo_municipio']).agg({
'muertes_covid19': 'sum',
'recuperados_covid19': 'sum'
}).reset_index()
covid19_mpios_antioquia.info()
covid19_mpios_antioquia.head()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 3 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 codigo_municipio 125 non-null object
1 muertes_covid19 125 non-null int64
2 recuperados_covid19 125 non-null int64
dtypes: int64(2), object(1)
memory usage: 3.1+ KB
| codigo_municipio | muertes_covid19 | recuperados_covid19 | |
|---|---|---|---|
| 0 | 05001 | 10353 | 537645 |
| 1 | 05002 | 24 | 579 |
| 2 | 05004 | 1 | 78 |
| 3 | 05021 | 6 | 175 |
| 4 | 05030 | 54 | 1440 |
Datos Geográficos#
geo_colombia = gpd.read_file('../Covid19_model/Data/Sources/MGN2024_MPIO_POLITICO/MGN_ADM_MPIO_GRAFICO.shp')
geo_municipios_antioquia = geo_colombia.query("dpto_ccdgo == '05'").copy()
print(geo_municipios_antioquia.crs)
geo_municipios_antioquia.info()
EPSG:4326
<class 'geopandas.geodataframe.GeoDataFrame'>
Index: 125 entries, 0 to 124
Data columns (total 12 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 dpto_ccdgo 125 non-null object
1 mpio_ccdgo 125 non-null object
2 mpio_cdpmp 125 non-null object
3 dpto_cnmbr 125 non-null object
4 mpio_cnmbr 125 non-null object
5 mpio_crslc 125 non-null object
6 mpio_tipo 125 non-null object
7 mpio_narea 125 non-null float64
8 mpio_nano 125 non-null int32
9 shape_Leng 125 non-null float64
10 shape_Area 125 non-null float64
11 geometry 125 non-null geometry
dtypes: float64(3), geometry(1), int32(1), object(7)
memory usage: 12.2+ KB
municipios_antioquia = geo_municipios_antioquia.rename(columns={"mpio_cdpmp": "codigo_municipio",
"mpio_cnmbr": "nombre_municipio", "mpio_narea": "area_municipio"})
municipios_antioquia["nombre_municipio"] = municipios_antioquia["nombre_municipio"].apply(normalize)
municipios_antioquia["codigo_municipio"] = municipios_antioquia["codigo_municipio"].astype(str).str.zfill(5)
municipios_antioquia = municipios_antioquia.merge(poblacion_mpios_antioquia[["codigo_subregion", "nombre_subregion", "codigo_municipio"]], on="codigo_municipio", how="left")
municipios_antioquia = municipios_antioquia[["codigo_municipio", "nombre_municipio", "codigo_subregion","nombre_subregion","area_municipio", "geometry"]]
print(municipios_antioquia.crs)
municipios_antioquia.head()
EPSG:4326
| codigo_municipio | nombre_municipio | codigo_subregion | nombre_subregion | area_municipio | geometry | |
|---|---|---|---|---|---|---|
| 0 | 05001 | MEDELLIN | 01 | VALLE DE ABURRA | 374.834005 | POLYGON ((-75.66974 6.3736, -75.66965 6.3736, ... |
| 1 | 05002 | ABEJORRAL | 07 | ORIENTE | 507.141095 | POLYGON ((-75.46938 5.94575, -75.46897 5.94571... |
| 2 | 05004 | ABRIAQUI | 06 | OCCIDENTE | 296.894050 | POLYGON ((-76.08351 6.7505, -76.08325 6.75048,... |
| 3 | 05021 | ALEJANDRIA | 07 | ORIENTE | 128.932153 | POLYGON ((-75.0332 6.41586, -75.03313 6.41585,... |
| 4 | 05030 | AMAGA | 08 | SUROESTE | 84.132477 | POLYGON ((-75.67587 6.08561, -75.6754 6.08491,... |
municipios_antioquia.to_file("../Covid19_model/Data/Processed/areas_municipios_antioquia.geojson", driver="GeoJSON")
# Agrupar municipios por subregiones
subregiones_antioquia = municipios_antioquia.dissolve(by="codigo_subregion", as_index=False).reset_index()
subregiones_antioquia = subregiones_antioquia.rename(columns={"codigo_subregion": "codigo_subregion",
"nombre_subregion": "nombre_subregion",
"geometry": "geometry"})
subregiones_antioquia["codigo_subregion"] = subregiones_antioquia["codigo_subregion"].astype(str).str.zfill(2)
subregiones_antioquia = subregiones_antioquia[["codigo_subregion", "nombre_subregion", "geometry"]]
print(subregiones_antioquia.crs)
print(subregiones_antioquia.info())
print(subregiones_antioquia.head())
EPSG:4326
<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 9 entries, 0 to 8
Data columns (total 3 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 codigo_subregion 9 non-null object
1 nombre_subregion 9 non-null object
2 geometry 9 non-null geometry
dtypes: geometry(1), object(2)
memory usage: 348.0+ bytes
None
codigo_subregion nombre_subregion \
0 01 VALLE DE ABURRA
1 02 BAJO CAUCA
2 03 MAGDALENA MEDIO
3 04 NORDESTE
4 05 NORTE
geometry
0 POLYGON ((-75.57241 6.09957, -75.57319 6.09909...
1 POLYGON ((-75.16579 7.35527, -75.16599 7.35485...
2 POLYGON ((-74.57163 6.03452, -74.57021 6.02705...
3 POLYGON ((-74.8388 6.51013, -74.83874 6.51016,...
4 POLYGON ((-75.48834 6.43038, -75.48941 6.43067...
subregiones_antioquia.to_file("../Covid19_model/Data/Processed/areas_subregiones_antioquia.geojson", driver="GeoJSON")
municipios_antioquia.plot(figsize=(10, 10), edgecolor='grey', facecolor='none')
plt.axis('off')
plt.title('Areas de Antioquia por Municipios')
plt.show()
subregiones_antioquia.plot(figsize=(10, 10), edgecolor='black', facecolor='none')
plt.axis('off')
plt.title('Areas de Antioquia por Subregiones')
plt.show()
Unir datos Demográficos y Covid19 con Geográficos#
covid19_municipios_antioquia = municipios_antioquia.merge(
poblacion_mpios_antioquia[['codigo_municipio', "poblacion", "urbana", "altitud", "temperatura", "humedad_relativa"]],
on='codigo_municipio',
how='left'
)
covid19_municipios_antioquia = covid19_municipios_antioquia.merge(
covid19_mpios_antioquia,
on='codigo_municipio',
how='left'
)
covid19_municipios_antioquia["urbanizacion"] = (covid19_municipios_antioquia["urbana"] / covid19_municipios_antioquia["poblacion"])
covid19_municipios_antioquia["densidad"] = covid19_municipios_antioquia["poblacion"] / covid19_municipios_antioquia["area_municipio"]
covid19_municipios_antioquia["cfr"] = (covid19_municipios_antioquia["muertes_covid19"] / (covid19_municipios_antioquia["muertes_covid19"] + covid19_municipios_antioquia["recuperados_covid19"])) * 100
covid19_municipios_antioquia = covid19_municipios_antioquia[["codigo_municipio", "nombre_municipio", "codigo_subregion", "nombre_subregion", "area_municipio", "altitud", "temperatura", "humedad_relativa", "poblacion", "urbanizacion", "densidad", "muertes_covid19", "recuperados_covid19", "cfr", "geometry"]]
covid19_municipios_antioquia.info()
covid19_municipios_antioquia.head()
<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 15 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 codigo_municipio 125 non-null object
1 nombre_municipio 125 non-null object
2 codigo_subregion 125 non-null object
3 nombre_subregion 125 non-null object
4 area_municipio 125 non-null float64
5 altitud 125 non-null float64
6 temperatura 125 non-null float64
7 humedad_relativa 125 non-null float64
8 poblacion 125 non-null int64
9 urbanizacion 125 non-null float64
10 densidad 125 non-null float64
11 muertes_covid19 125 non-null int64
12 recuperados_covid19 125 non-null int64
13 cfr 125 non-null float64
14 geometry 125 non-null geometry
dtypes: float64(7), geometry(1), int64(3), object(4)
memory usage: 14.8+ KB
| codigo_municipio | nombre_municipio | codigo_subregion | nombre_subregion | area_municipio | altitud | temperatura | humedad_relativa | poblacion | urbanizacion | densidad | muertes_covid19 | recuperados_covid19 | cfr | geometry | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 05001 | MEDELLIN | 01 | VALLE DE ABURRA | 374.834005 | 2059.003077 | 18.203481 | 80.582299 | 2616335 | 0.984199 | 6979.983054 | 10353 | 537645 | 1.889240 | POLYGON ((-75.66974 6.3736, -75.66965 6.3736, ... |
| 1 | 05002 | ABEJORRAL | 07 | ORIENTE | 507.141095 | 1947.128522 | 17.845754 | 80.265871 | 21468 | 0.430781 | 42.331415 | 24 | 579 | 3.980100 | POLYGON ((-75.46938 5.94575, -75.46897 5.94571... |
| 2 | 05004 | ABRIAQUI | 06 | OCCIDENTE | 296.894050 | 2371.335448 | 15.912880 | 85.717115 | 2855 | 0.349912 | 9.616225 | 1 | 78 | 1.265823 | POLYGON ((-76.08351 6.7505, -76.08325 6.75048,... |
| 3 | 05021 | ALEJANDRIA | 07 | ORIENTE | 128.932153 | 1545.100614 | 20.538783 | 80.036523 | 4955 | 0.591726 | 38.431065 | 6 | 175 | 3.314917 | POLYGON ((-75.0332 6.41586, -75.03313 6.41585,... |
| 4 | 05030 | AMAGA | 08 | SUROESTE | 84.132477 | 1513.740970 | 21.093243 | 78.477931 | 32412 | 0.522152 | 385.249562 | 54 | 1440 | 3.614458 | POLYGON ((-75.67587 6.08561, -75.6754 6.08491,... |
covid19_municipios_antioquia.to_file("../Covid19_model/Data/covid19_municipios_antioquia.gpkg", driver='GPKG', layer='covid19_municipios_antioquia')
covid19_municipios_antioquia = gpd.read_file("../Covid19_model/Data/covid19_municipios_antioquia.gpkg")
print(covid19_municipios_antioquia.crs)
covid19_municipios_antioquia.info()
covid19_municipios_antioquia.head(10)
fig, ax = plt.subplots(figsize=(10, 10))
covid19_municipios_antioquia.plot(column="cfr", cmap="coolwarm", legend=True, ax=ax, edgecolor='white')
plt.axis('off')
plt.title("Tasa de letalidad por COVID-19 en Antioquia por municipio")
EPSG:4326
<class 'geopandas.geodataframe.GeoDataFrame'>
RangeIndex: 125 entries, 0 to 124
Data columns (total 15 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 codigo_municipio 125 non-null object
1 nombre_municipio 125 non-null object
2 codigo_subregion 125 non-null object
3 nombre_subregion 125 non-null object
4 area_municipio 125 non-null float64
5 altitud 125 non-null float64
6 temperatura 125 non-null float64
7 humedad_relativa 125 non-null float64
8 poblacion 125 non-null int64
9 urbanizacion 125 non-null float64
10 densidad 125 non-null float64
11 muertes_covid19 125 non-null int64
12 recuperados_covid19 125 non-null int64
13 cfr 125 non-null float64
14 geometry 125 non-null geometry
dtypes: float64(7), geometry(1), int64(3), object(4)
memory usage: 14.8+ KB
Text(0.5, 1.0, 'Tasa de letalidad por COVID-19 en Antioquia por municipio')
