-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathscript_limpieza_memm.py
351 lines (291 loc) · 20.7 KB
/
script_limpieza_memm.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
"""
Universidad de Sonora
Maestría en Ciencia de Datos
Asignatura: Ingeniería de Características
Docente: Doctor Julio Waissman Vilanova
Alumno: María Elena Martínez Manzanares
Fecha: 25 de noviembre del 2022
Descripción: En el siguiente script de python es parte del proyecto final del curso de Ingeniería de
características. El objeto del proyecto es, por medio de datos, describir que le ocurre a un inmigrante
ilegal cruzando la frontera Sonora Arizona cuando es capturado o encontrado por oficiales estadounidenses.
Los datos se originan de dos fuentes, el Arizona OpenGIS Initiative for Deceased Migrants y la SEGOB.
El script baja los archivos de la fuente, armoniza las variables y da tratamiento a los datos perdidos.
El script concluye con la generación de un solo archivo csv donde se incluye toda esta información.
La documentación y archivos que componene la totalidad del proyecto se encuentra disponible en el
siguiente repositorio de GitHub: bit.ly/PF_IngCaract_Manzanares .
Este proyecto tiene una página de GitHub que usted puede revisar para más información disponible
en la siguiente liga: https://bit.ly/MigrantsArizonaSonora_Manzanares .
Observación.
La armonización de las variables puede ser un proceso tardado dependiendo de su equipo.
"""
import pandas as pd
import numpy as np
import datetime
import urllib.request
import os
from zipfile import ZipFile
import wget
#Si desea cambiar donde se descargaran los datos, modificar la siguiente variable.
subdir = "./"
#---------------Descarga de datos desde su fuente-------------------#
print("#---------------Descarga de datos desde su fuente-------------------#")
#URL datos de la SEGOB
SEGOB_2021='http://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BDatos/DevMexEUU/DwnldBD.php?f=BDSIOMR_PUB_2021_UPMRIP.csv'
SEGOB_2020='http://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BDatos/DevMexEUU/DwnldBD.php?f=BDSIOMR_PUB_2020_UPMRIP.csv'
SEGOB_2019='http://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BDatos/DevMexEUU/DwnldBD.php?f=BDSIOMR_PUB_2019_UPMRIP.csv'
SEGOB_2018='http://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BDatos/DevMexEUU/DwnldBD.php?f=BDSIOMR_PUB_2018_UPMRIP.csv'
SEGOB_2017='http://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BDatos/DevMexEUU/DwnldBD.php?f=BDSIOMR_PUB_2017_UPMRIP.csv'
SEGOB_2016='http://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BDatos/DevMexEUU/DwnldBD.php?f=BDSIOMR_PUB_2016_UPMRIP.csv'
Catalogos_SEGOB='http://portales.segob.gob.mx/work/models/PoliticaMigratoria/CEM/Estadisticas/BDatos/DevMexEUU/CatRepatriados_2021.xls'
#Ubicacion para datos de la SEGOB
SEGOB_2021_archivo='BDSIOMR_PUB_2021_UPMRIP.csv'
SEGOB_2020_archivo='BDSIOMR_PUB_2020_UPMRIP.csv'
SEGOB_2019_archivo='BDSIOMR_PUB_2019_UPMRIP.csv'
SEGOB_2018_archivo='BDSIOMR_PUB_2018_UPMRIP.csv'
SEGOB_2017_archivo='BDSIOMR_PUB_2017_UPMRIP.csv'
SEGOB_2016_archivo='BDSIOMR_PUB_2016_UPMRIP.csv'
Catalogos_SEGOB_archivo="Catalogo_SEGOB.xls"
#URL datos del Arizona OpenGIS Initiative for Deceased Migrants
ARIZONA_DM='https://humaneborders.info/app/getTableByMultipleSearch.asp?sex=&cod=&county=&corridors=&sm=&years=&name=&detail=full&format=csv'
#Ubicacion para datos del DM
ARIZONA_DM_archivo='DM.csv'
SEGOB = { SEGOB_2021:SEGOB_2021_archivo, SEGOB_2020:SEGOB_2020_archivo,
SEGOB_2019:SEGOB_2019_archivo, SEGOB_2018:SEGOB_2018_archivo,
SEGOB_2017:SEGOB_2017_archivo, SEGOB_2016:SEGOB_2016_archivo,
Catalogos_SEGOB: Catalogos_SEGOB_archivo}
ARIZONA = { ARIZONA_DM:ARIZONA_DM_archivo }
for url, archivo in SEGOB.items():
if not os.path.exists(archivo):
if not os.path.exists(subdir):
os.makedirs(subdir)
urllib.request.urlretrieve(url, subdir + archivo)
print("Descarga de SEGOB terminada.")
for url, archivo in ARIZONA.items():
if not os.path.exists(archivo):
if not os.path.exists(subdir):
os.makedirs(subdir)
urllib.request.urlretrieve(url, subdir + archivo)
print("Descarga de Arizona OpenGIS Initiative for Deceased Migrants.")
#---------------Log de la descarga-------------------#
print("#---------------Creando LOG de la descarga-------------------#")
with open(subdir + "info.txt", 'w') as f:
f.write("Archivos con datos de migrantes localizados en frontera Sonora-Arizona. \n")
info = """
Los datos fueron descargados de los portales de la SEGOB y el Arizona OpenGIS Initiative for Deceased Migrants.
El Arizona OpenGIS Initiative for Deceased Migrants presentan datos relacionados de muertes de migrantes tratando
de cruzar la frontera Sonora-Estados Unidos y los datos provistos por la SEGOB presentan información de repatriados
desde Estados Unidos a México.
"""
f.write(info + '\n')
f.write("Descargado el " + datetime.datetime.now().strftime("%Y-%m-%d %H:%M:%S") + "\n")
f.write("|-------------------------Metadatos de la descarga de la SEGOB-------------------------|"+'\n')
for url, archivo in SEGOB.items():
f.write("Desde: " + url + "\n")
f.write("Nombre: " + archivo + "\n")
f.write("|-------------Metadatos de la descarga del Arizona OpenGIS Initiative for Deceased Migrants------------|"+'\n')
for url, archivo in ARIZONA.items():
f.write("Desde: " + url + "\n")
f.write("Nombre: " + archivo + "\n")
#---------------Integración de datos de cada fuente en dos fuentes (1 de Arizona y 1 SEGOB)-------------------#
print("#---------------Integración de datos de cada fuente en dos fuentes (1 de Arizona y 1 SEGOB)-------------------#")
arizona=pd.read_csv("data//"+ARIZONA_DM_archivo)
arizona_columns=['Name',
'Sex',
'Age',
'Reporting Date',
'Cause of Death',
'OME Determined COD',
'Body Condition',
'Post Mortem Interval',
'County']
ARIZONA_tidy=arizona[arizona_columns].copy()
ARIZONA_tidy['Reporting Date'] = ARIZONA_tidy['Reporting Date'].astype('datetime64[ns]')
ARIZONA_tidy['Age'] = ARIZONA_tidy['Age'].astype('Int64')
SEGOB1=pd.read_csv("data//BDSIOMR_PUB_2016_UPMRIP.csv")
#Registros que estan relacionados con Sonora o la frontera con Sonora.
SEGOB1=SEGOB1[ (SEGOB1["DEL"]==26) | #Entidad federativa donde se ubica el punto de repatriación (Sonora)
(SEGOB1["EDO_DET"]==4) ] #Estado de la Unión Americana donde la persona repatriada declaró haber sido detenido. (Arizona)
SEGOB2=pd.read_csv("data//BDSIOMR_PUB_2017_UPMRIP.csv")
#Registros que estan relacionados con Sonora o la frontera con Sonora.
SEGOB2=SEGOB2[ (SEGOB2["DEL"]==26) | #Entidad federativa donde se ubica el punto de repatriación (Sonora)
(SEGOB2["EDO_DET"]==4) ] #Estado de la Unión Americana donde la persona repatriada declaró haber sido detenido. (Arizona)
SEGOB3=pd.read_csv("data//BDSIOMR_PUB_2018_UPMRIP.csv")
#Registros que estan relacionados con Sonora o la frontera con Sonora.
SEGOB3=SEGOB3[ (SEGOB3["DEL"]==26) | #Entidad federativa donde se ubica el punto de repatriación (Sonora)
(SEGOB3["EDO_DET"]==4) ] #Estado de la Unión Americana donde la persona repatriada declaró haber sido detenido. (Arizona)
SEGOB4=pd.read_csv("data//BDSIOMR_PUB_2019_UPMRIP.csv")
#Registros que estan relacionados con Sonora o la frontera con Sonora.
SEGOB4=SEGOB4[ (SEGOB4["DEL"]==26) | #Entidad federativa donde se ubica el punto de repatriación (Sonora)
(SEGOB4["EDO_DET"]==4) ] #Estado de la Unión Americana donde la persona repatriada declaró haber sido detenido. (Arizona)
SEGOB5=pd.read_csv("data//BDSIOMR_PUB_2020_UPMRIP.csv")
#Registros que estan relacionados con Sonora o la frontera con Sonora.
SEGOB5=SEGOB5[ (SEGOB4["DEL"]==26) | #Entidad federativa donde se ubica el punto de repatriación (Sonora)
(SEGOB5["EDO_DET"]==4) ] #Estado de la Unión Americana donde la persona repatriada declaró haber sido detenido. (Arizona)
SEGOB6=pd.read_csv("data//BDSIOMR_PUB_2021_UPMRIP.csv")
#Registros que estan relacionados con Sonora o la frontera con Sonora.
SEGOB6=SEGOB6[ (SEGOB6["DEL"]==26) | #Entidad federativa donde se ubica el punto de repatriación (Sonora)
(SEGOB6["EDO_DET"]==4) ] #Estado de la Unión Americana donde la persona repatriada declaró haber sido detenido. (Arizona)
SEGOB_tidy=pd.concat([SEGOB1, SEGOB2, SEGOB3, SEGOB4, SEGOB5, SEGOB6])
SEGOB_tidy.drop(["IER","PUNT_REP"],axis=1,inplace=True)
SEGOB_tidy['FEC_REP'] = SEGOB_tidy['FEC_REP'].astype('datetime64[ns]')
#Leemos primer catalogo
variables = pd.read_excel("data//"+Catalogos_SEGOB_archivo, index_col=0, sheet_name='Variables')
variables.reset_index(drop=True, inplace=True)
#La siguiente linea de código es para quitar el multiindex que tiene la tabla con los catalogos.
variables["Nombre de la variable"]=variables["Nombre de la variable"].fillna(method='ffill')
#-------------------Decodificacion de datos de la SEGOB------------------------#
print("#-------------------Decodificacion de datos de la SEGOB------------------------#")
#Con un ciclo for realizaremos el left merge. Esto lo podemos hacer con todas las columnas que hay que parsear con excepción de "MUN_DES" y "MUN_NAC"
#que tienen sus propios catalogos y realizaremos el merge aparte.
caracteristicas=SEGOB_tidy.columns.tolist()
caracteristicas.remove('MUN_DES')
caracteristicas.remove('MUN_NAC')
#Realizaremos el merge sobre una copia de la tidy data
SEGOB_tidy_V2=SEGOB_tidy.copy()
for caracteristica in caracteristicas:
right=variables[variables["Nombre de la variable"]==caracteristica]
right.rename(columns={ "Valor" : caracteristica, 'Etiqueta' : caracteristica +'_parsed' }, inplace=True)
right.drop(["Observaciones","Nombre de la variable"], axis=1, inplace=True)
SEGOB_tidy_V2 = pd.merge(SEGOB_tidy_V2, right, how='left', on=caracteristica)
#Nos falta catalogo "MUN_NAC" y "MUN_DES". Hacemos este último tratamiento a continuación.
mun_nac = pd.read_excel("data//"+Catalogos_SEGOB_archivo, index_col=0, sheet_name='MUN_NAC')
mun_nac.reset_index(drop=True, inplace=True)
mun_des = pd.read_excel("data//"+Catalogos_SEGOB_archivo, index_col=0, sheet_name='MUN_DES')
mun_des.reset_index(drop=True, inplace=True)
for caracteristica in "MUN_NAC", "MUN_DES":
if(caracteristica == "MUN_NAC"):
right=mun_nac.copy()
else:
right=mun_des.copy()
right.drop([caracteristica], axis=1, inplace=True)
right.rename(columns={ "Valor" : caracteristica, 'Etiqueta' : caracteristica +'_parsed' }, inplace=True)
SEGOB_tidy_V2 = pd.merge(SEGOB_tidy_V2, right, how='left', on=caracteristica)
#--------------------Manejo de valores perdidos-----------------#
print("#--------------------Manejo de valores perdidos-----------------#")
ARIZONA_tidy["Sex"].fillna("undetermined", inplace = True)
ARIZONA_tidy["Age"].fillna(-1, inplace = True)
ARIZONA_tidy["Cause of Death"].fillna("undetermined", inplace = True)
ARIZONA_tidy["OME Determined COD"].fillna("undetermined", inplace = True)
ARIZONA_tidy["Body Condition"].fillna("undetermined", inplace = True)
ARIZONA_tidy["Post Mortem Interval"].fillna("undetermined", inplace = True)
SEGOB_tidy_V3 = SEGOB_tidy_V2[['DEL_parsed', 'FEC_REP', 'CLASIF_REP_parsed', 'SEXO_parsed', 'EDA', 'EN_NAC_parsed',
'NIV_ESC_parsed', 'ACOM_REP_parsed', 'PERM_EU_parsed', 'EDO_DET_parsed',
'AUT_DEP_parsed', 'EN_DES_parsed', 'CAN_AL_parsed', 'CAN_COM_parsed',
'CAN_DIF_parsed', 'CAN_HOS_parsed', 'CAN_STRA_parsed',
'CAN_SEGPOP_parsed', 'CAN_OFAM_parsed', 'AGUA_AL_parsed',
'DESC_BUS_parsed', 'APO_AUX_parsed', 'APO_LLAM_parsed',
'APO_MAT_parsed', 'APO_TRAS_parsed', 'APO_VES_parsed',
'APO_ACT_NAC_parsed', 'APO_TRASF_parsed', 'APO_CURP_parsed',
'APO_ASF_parsed', 'APO_AME_parsed', 'APO_REC_PERT_parsed',
'APO_AT_MEDICA_parsed']].copy()
SEGOB_tidy_V3.drop(['APO_TRASF_parsed'], axis=1, inplace=True)
SEGOB_tidy_V3[SEGOB_tidy_V3.isna().any(axis=1)].sort_values(by=['FEC_REP'])
SEGOB_tidy_V3["APO_CURP_parsed"].fillna("Sin determinar", inplace = True)
SEGOB_tidy_V3["APO_ASF_parsed"].fillna("Sin determinar", inplace = True)
SEGOB_tidy_V3["APO_AME_parsed"].fillna("Sin determinar", inplace = True)
SEGOB_tidy_V3["APO_REC_PERT_parsed"].fillna("Sin determinar", inplace = True)
SEGOB_tidy_V3["APO_AT_MEDICA_parsed"].fillna("Sin determinar", inplace = True)
#------------------------Armonización de variables-------------------------#
print("#------------------------Armonización de variables-------------------------#")
ARIZONA_tidy=ARIZONA_tidy[(ARIZONA_tidy["Reporting Date"]>="2016-01-01") & (ARIZONA_tidy["Reporting Date"]<="2021-12-31")]
harmonized_data = pd.DataFrame(columns = ["VIVO", "NOMBRE", "SEXO", "EDAD", "FECHA",
'DEL', 'CLASIF_REP', 'EN_NAC',
'NIV_ESC', 'ACOM_REP', 'PERM_EU', 'EDO_DET',
'AUT_DEP', 'EN_DES', 'CAN_AL', 'CAN_COM',
'CAN_DIF', 'CAN_HOS', 'CAN_STRA',
'CAN_SEGPOP', 'CAN_OFAM', 'AGUA_AL',
'DESC_BUS', 'APO_AUX', 'APO_LLAM',
'APO_MAT', 'APO_TRAS', 'APO_VES',
'APO_ACT_NAC', 'APO_CURP','APO_ASF',
'APO_AME', 'APO_REC_PERT',
'APO_AT_MEDICA', "CAUSA_MUERTE","OME_CAUSA_MUERTE",
"CONDICION_CUERPO","INTERVALO_POST_MORTEM","COUNTY"])
for registro in range(SEGOB_tidy_V3.shape[0]):
harmonized_data = pd.concat([harmonized_data, pd.DataFrame.
from_records([{"VIVO":"Si",
"NOMBRE":"No aplica",
"SEXO": SEGOB_tidy_V3["SEXO_parsed"].iloc[registro],
"EDAD": SEGOB_tidy_V3["EDA"].iloc[registro],
"FECHA": SEGOB_tidy_V3["FEC_REP"].iloc[registro],
'DEL':SEGOB_tidy_V3["DEL_parsed"].iloc[registro],
'CLASIF_REP': SEGOB_tidy_V3["CLASIF_REP_parsed"].iloc[registro],
'EN_NAC': SEGOB_tidy_V3["EN_NAC_parsed"].iloc[registro],
'NIV_ESC': SEGOB_tidy_V3["NIV_ESC_parsed"].iloc[registro],
'ACOM_REP': SEGOB_tidy_V3["ACOM_REP_parsed"].iloc[registro],
'PERM_EU': SEGOB_tidy_V3["PERM_EU_parsed"].iloc[registro],
'EDO_DET': SEGOB_tidy_V3["EDO_DET_parsed"].iloc[registro],
'AUT_DEP': SEGOB_tidy_V3["AUT_DEP_parsed"].iloc[registro],
'EN_DES': SEGOB_tidy_V3["EN_DES_parsed"].iloc[registro],
'CAN_AL': SEGOB_tidy_V3["CAN_AL_parsed"].iloc[registro],
'CAN_COM': SEGOB_tidy_V3["CAN_COM_parsed"].iloc[registro],
'CAN_DIF': SEGOB_tidy_V3["CAN_DIF_parsed"].iloc[registro],
'CAN_HOS': SEGOB_tidy_V3["CAN_HOS_parsed"].iloc[registro],
'CAN_STRA': SEGOB_tidy_V3["CAN_STRA_parsed"].iloc[registro],
'CAN_SEGPOP': SEGOB_tidy_V3["CAN_SEGPOP_parsed"].iloc[registro],
'CAN_OFAM': SEGOB_tidy_V3["CAN_OFAM_parsed"].iloc[registro],
'AGUA_AL': SEGOB_tidy_V3["AGUA_AL_parsed"].iloc[registro],
'DESC_BUS': SEGOB_tidy_V3["DESC_BUS_parsed"].iloc[registro],
'APO_AUX': SEGOB_tidy_V3["APO_AUX_parsed"].iloc[registro],
'APO_LLAM': SEGOB_tidy_V3["APO_LLAM_parsed"].iloc[registro],
'APO_MAT': SEGOB_tidy_V3["APO_MAT_parsed"].iloc[registro],
'APO_TRAS': SEGOB_tidy_V3["APO_TRAS_parsed"].iloc[registro],
'APO_VES': SEGOB_tidy_V3["APO_VES_parsed"].iloc[registro],
'APO_ACT_NAC': SEGOB_tidy_V3["APO_ACT_NAC_parsed"].iloc[registro],
'APO_CURP': SEGOB_tidy_V3["APO_CURP_parsed"].iloc[registro],
'APO_ASF': SEGOB_tidy_V3["APO_ASF_parsed"].iloc[registro],
'APO_AME': SEGOB_tidy_V3["APO_AME_parsed"].iloc[registro],
'APO_REC_PERT': SEGOB_tidy_V3["APO_REC_PERT_parsed"].iloc[registro],
'APO_AT_MEDICA': SEGOB_tidy_V3["APO_AT_MEDICA_parsed"].iloc[registro],
"CAUSA_MUERTE":"No aplica",
"OME_CAUSA_MUERTE":"No aplica",
"CONDICION_CUERPO":"No aplica",
"INTERVALO_POST_MORTEM":"No aplica",
"COUNTY":"No aplica"}])], ignore_index=True)
for registro in range(ARIZONA_tidy.shape[0]):
#Esto lo hago porque quiero la tabla en la medida de lo posible en español.
if(ARIZONA_tidy["Name"].iloc[registro]=="male"):
sexo="Hombre"
else:
sexo="Mujer"
harmonized_data = pd.concat([harmonized_data, pd.DataFrame.
from_records([{"VIVO":"No",
"NOMBRE":ARIZONA_tidy["Name"].iloc[registro],
"SEXO":sexo,
"EDAD":ARIZONA_tidy["Age"].iloc[registro],
"FECHA":ARIZONA_tidy["Reporting Date"].iloc[registro],
'DEL':"No aplica",
'CLASIF_REP':"No aplica",
'EN_NAC':"No aplica",
'NIV_ESC':"No aplica",
'ACOM_REP':"No aplica",
'PERM_EU':"No aplica",
'EDO_DET':"No aplica",
'AUT_DEP':"No aplica",
'EN_DES':"No aplica",
'CAN_AL':"No aplica",
'CAN_COM':"No aplica",
'CAN_DIF':"No aplica",
'CAN_HOS':"No aplica",
'CAN_STRA':"No aplica",
'CAN_SEGPOP':"No aplica",
'CAN_OFAM':"No aplica",
'AGUA_AL':"No aplica",
'DESC_BUS':"No aplica",
'APO_AUX':"No aplica",
'APO_LLAM':"No aplica",
'APO_MAT':"No aplica",
'APO_TRAS':"No aplica",
'APO_VES':"No aplica",
'APO_ACT_NAC':"No aplica",
'APO_CURP':"No aplica",
'APO_ASF':"No aplica",
'APO_AME':"No aplica",
'APO_REC_PERT':"No aplica",
'APO_AT_MEDICA':"No aplica",
"CAUSA_MUERTE":ARIZONA_tidy["Cause of Death"].iloc[registro],
"OME_CAUSA_MUERTE":ARIZONA_tidy["OME Determined COD"].iloc[registro],
"CONDICION_CUERPO":ARIZONA_tidy['Body Condition'].iloc[registro],
"INTERVALO_POST_MORTEM":ARIZONA_tidy['Post Mortem Interval'].iloc[registro],
"COUNTY":ARIZONA_tidy['County'].iloc[registro]}])], ignore_index=True)
print("#-----------------------Proceso terminado, se crea archivo csv-----------------------#")
harmonized_data.to_csv("migrantsdata.csv")