Una vez que obtengamos la base de datos GIS final, podr\u00e1s conocer la cantidad de edificaciones por departamento y municipios (en metros cuadrados y en cantidades), y cruzar con otras bases de datos.<\/p>\n\n\n\n

C\u00f3digo<\/h2><\/div><\/div><\/div>\n\n\n\n

El siguiente c\u00f3digo fue escrito y ejecutado en un Jupyter Notebook, con Python versi\u00f3n 3.9.12.<\/em><\/p>\n\n\n\n

El c\u00f3digo mostrado a continuaci\u00f3n est\u00e1 acompa\u00f1ado por comentarios explicando los procesos a realizar. Este c\u00f3digo est\u00e1 listo para que lo copies y pegues en tu Jupyter Notebook y pod\u00e1s seguir el proceso.<\/p>\n\n\n\n

El c\u00f3digo lo dividiremos en tres etapas:<\/p>\n\n\n\n

Etapa 1: Importaci\u00f3n de librer\u00edas, base de datos a utilizar y transformaci\u00f3n de variables.<\/p>\n\n\n\n

Etapa 2: Importaci\u00f3n de pol\u00edgonos de los municipios y transformaci\u00f3n de variables.<\/p>\n\n\n\n

Etapa 3: Uni\u00f3n de DataFrames.<\/p>\n\n\n\n

Etapa 1: Importaci\u00f3n de librer\u00edas, base de datos a utilizar y transformaci\u00f3n de variables.<\/strong><\/h3><\/div><\/div><\/div>\n\n\n\n
# Importando las librer\u00edas a utilizar\n\npip install geopandas\nimport pandas as pd\nimport numpy as np\nimport matplotlib.pyplot as plt\nimport geopandas as gpd\nfrom shapely.geometry import Point\nfrom shapely import wkt\nfrom shapely import wkb\nfrom shapely.wkt import loads\nimport shapely.wkt\nimport binascii\n<\/code><\/pre>\n\n\n\n# Importando los dos archivo CSV correspondientes a los dos poligonos que ubican a Nicaragua y convirti\u00e9ndolos a dataframes de Python. Estos son los dos cuadrantes de la imagen 1. \n\ndf0 = pd.read_csv('8f7_buildings.csv')\n\ndf1 = pd.read_csv('8f1_buildings.csv')<\/code><\/pre>\n\n\n\n# Uniendo los dos datraframes\n\ndf = pd.concat([df0, df1]).reset_index(drop=True)\ndf.head()<\/code><\/pre>\n\n\n\n# Convirtiendo la columna de geometr\u00eda de strings a objeto Polygon\n\ndf['geometry'] = df['geometry'].apply(shapely.wkt.loads)\n\n# Convirtiendo el dataframe \"df\" a un GeoDataFrame\n\ngdf = gpd.GeoDataFrame(df, geometry='geometry')<\/code><\/pre>\n\n\n\n# Obteniendo el pol\u00edgono de Nicaragua\n\n# Importando librer\u00eda que permite obtener datos geogr\u00e1ficos de OpenStreetMap (OSM), y para este caso obtener las fronteras administrativas de Nicaragua.\n\nimport osmnx as ox\n\n# Usando osmnx para obtener el pol\u00edgono de Nicaragua.\n\nnicaragua = ox.geocode_to_gdf('Nicaragua')\n\n# GeoDataFrame cuenta con una sola fila, entonces seleccionamos el primer pol\u00edgono.\n\npolygon = nicaragua['geometry'][0]<\/code><\/pre>\n\n\n\n# Filtramos los datos para obtener solo la informaci\u00f3n de Nicaragua. Esto puede tomar entre 2 a 4 horas dependiendo de la capacidad de tu computadora. \n\ngdf_nic = gdf[gdf.geometry.within(polygon)]\ngdf_nic<\/code><\/pre>\n\n\n\n<\/figure>\n\n\n\n# Guardando el dataframe de Nicaragua en formato CSV.\n\ngdf_nic.to_csv('gdf_nic.csv')\n<\/code><\/pre>\n\n\n\n# Graficando para tener una visualizaci\u00f3n espacial de los datos. Esto lo hacemos para saber como se distribuyen espacialmente las edificaciones.\n\nplt.figure(figsize=(10, 6))\nplt.scatter(gdf_nic['longitude'], gdf_nic['latitude'])\nplt.xlabel('Longitud')\nplt.ylabel('Latitud')\nplt.title('Visualizaci\u00f3n de datos geoespaciales')\nplt.grid(True)\nplt.show()\n<\/code><\/pre>\n\n\n\n<\/figure>\n\n\n\nEtapa 2: Importaci\u00f3n de pol\u00edgonos de los municipios y transformaci\u00f3n de variables.<\/h3><\/div><\/div><\/div>\n\n\n\n# Importando la base de datos para extraer los pol\u00edgonos de los municipios. Esta base de datos te la hemos compartido al inicio de este tutorial.\n\nmuni = pd.read_csv('municipios_nic.csv')\n<\/code><\/pre>\n\n\n\n# Transformaci\u00f3n de la variables \"the_geom\" (WKB (Well-Known Binary)) a formato shapely.geometry.\n\nmuni['the_geom'] = muni['the_geom'].apply(lambda x: wkb.loads(binascii.unhexlify(x)))\n\n# Convirtiendo el dataframe muni a formato GeoDataFrame\n\ngdf_muni = gpd.GeoDataFrame(muni, geometry='the_geom')\n<\/code><\/pre>\n\n\n\n# Verificando que gdf_nic sean GeoDataFrame para poder unirlos. Esto lo podr\u00edamos omitir, pero siempre es importante verificar.\n\nif isinstance(gdf_nic, gpd.GeoDataFrame):\n print(\"df es un GeoDataFrame\")\nelse:\n print(\"df no es un GeoDataFrame\")\n<\/code><\/pre>\n\n\n\n# Verificando que gdf_muni sean GeoDataFrame\n\nif isinstance(gdf_muni, gpd.GeoDataFrame):\n print(\"df es un GeoDataFrame\")\nelse:\n print(\"df no es un GeoDataFrame\")\n<\/code><\/pre>\n\n\n\nEtapa 3: Uni\u00f3n de DataFrames.<\/h3><\/div><\/div><\/div>\n\n\n\n# Uni\u00f3n de gdf_nic y gdf_muni\n\n# Cambiando el nombre de la variable \"the_geom\" a \"geometry\" en gdf_muni.\n\ngdf_muni = gdf_muni.rename(columns={'the_geom': 'geometry'})\n\n# Definiendo la variables \"geometry\" como la columna de geometr\u00eda activa.\n\ngdf_muni = gdf_muni.set_geometry('geometry')\n\n# Uniendo las bases de datos realizando un spatial join.\n\ngdf_nic_muni = gpd.sjoin(gdf_nic, gdf_muni, how=\"left\", op='intersects')\n\n# La base de datos cuenta con 2,973,301 edificaciones identificadas para Nicaragua.\n\ngdf_nic_muni\n<\/code><\/pre>\n\n\n\n<\/figure>\n\n\n\n# Guardando el GeoDataFrame de edificaciones de Nicaragua a nivel de municipios en formato CSV. Pod\u00e9s descargar esta base de datos al inicio de este tutorial.\n\ngdf_nic_muni.to_csv('gdf_nic_muni.csv')\n<\/code><\/pre>\n\n\n\nHasta aqu\u00ed ya hemos creado la base de datos de edificaci\u00f3n para Nicaragua a nivel de municipios. Ahora toca hacer un an\u00e1lisis exploratorio de los datos para identificar valores at\u00edpicos, nulos, inconsistencias entre otros. A continuaci\u00f3n mostramos el c\u00f3digo que nos permite identificar los valores nulos.<\/p>\n\n\n\n # Identificaci\u00f3n de registros\/edificaciones que cuentan con valores nulos.\n\ngdf_nic_muni[gdf_nic_muni['index_right'].isna()]\n<\/code><\/pre>\n\n\n\n<\/figure>\n\n\n\nIdentificamos 8,018 registros con valores nulos. Estos datos corresponden a registros que no encontraron correspondencia con los pol\u00edgonos de los municipios. Para corregir estos valores nulos podemos ir a cada ubicaci\u00f3n e identificar el municipio correspondiente, este proceso puede que sea muy tardado. En nuestro caso eliminaremos los registros que contengan valores nulos y todos aquellos que tengan puntuaci\u00f3n de confianza (confidence) menor a 0.7, luego mostraremos el ranking de los municipio con mayor \u201cinfraestructura\u201d en Nicaragua. Para este ejemplo, entenderemos el \u00e1rea de las edificaciones como una variable proxy a la infraestructura del municipio.<\/p>\n\n\n\n # Eliminando registros\/edificaciones que contengan valores nulos en cualquiera de las columnas\n\ngdf_nic_muni = gdf_nic_muni.dropna()\n\n# Obteniendo solo los registros\/edificaciones con puntaje menor a 0.7.\n\ngdf_nic_muni_07 = gdf_nic_muni[gdf_nic_muni['confidence'] >= 0.7]\n\n# Obteniendo dataframe de los municipios por \u00e1rea de edificaciones en metros cuadrados.\n\ngdf_nic_muni_07_agrupado=gdf_nic_muni_07[['municipio','area_in_meters']].groupby('municipio').sum()\n\ngdf_nic_muni_07_sorted=gdf_nic_muni_07_agrupado.sort_values('area_in_meters', ascending=False)\n\ngdf_nic_muni_07_sorted\n<\/code><\/pre>\n\n\n\n<\/figure>\n\n\n\nComo podemos observar los tres municipios con mayor infraestructura (\u00e1rea de edificaciones) es Managua, Le\u00f3n y Esteli, por otro lado los que cuentan con menor infraestructura son El Castillo, San Juan del Norte y Desembocadura del Rio Grande.<\/p>\n\n\n\n Sin embargo, para hacer un ranking m\u00e1s justos seria necesario comparar el \u00e1rea de edificaciones y el \u00e1rea del municipio. Esto lo hacemos en el siguiente c\u00f3digo: <\/p>\n\n\n\n # Convirtiendo hectarias y metros cuadrados a kilometros cuadrados.\n\ngdf_nic_muni_07_agrupado['area_in_km2_muni'] = gdf_nic_muni_07_agrupado['area_ha']\/100\n\ngdf_nic_muni_07_agrupado['area_in_km2_edi'] = gdf_nic_muni_07_agrupado['area_in_meters']\/1000000\n\n# Encontrando la relaci\u00f3n entre el \u00e1rea de edificaci\u00f3n y el \u00e1rea del municipio.\n\ngdf_nic_muni_07_agrupado['relacion_edi_muni'] = gdf_nic_muni_07_agrupado['area_in_km2_edi']\/gdf_nic_muni_07_agrupado['area_in_km2_muni']\n\ngdf_nic_muni_07_agrupado['m2_de_edi_por_1km_de_muni'] = gdf_nic_muni_07_agrupado['relacion_edi_muni']*1000000\n\n# Ordenando por la variable \"m2_de_edi_por_1km_de_muni\". Esta variables lo que muestra el \u00e1rea de edificaci\u00f3n en metros cuadrados por cada 1 kilometros cuadrado de \u00e1rea en el municipio.\n\ngdf_nic_muni_07_agrupado_sorted = gdf_nic_muni_07_agrupado.sort_values(by='m2_de_edi_por_1km_de_muni', ascending=False)\ngdf_nic_muni_07_agrupado_sorted<\/code><\/pre>\n\n\n\n<\/figure>\n\n\n\nCon este resultado el ranking cambia completamente, y podemos decir que el municipio de Dolores, cuenta con la mayor relaci\u00f3n \u00e1rea de edificaci\u00f3n y \u00e1rea del municipio. Para este municipio por cada kilometro cuadrado de \u00e1rea hay apr\u00f3ximadamente 30 metros cuadrados de edificaci\u00f3n. Los municipios con menor relaci\u00f3n son Puerto Cabezas, Prinzapolka y Waspan.<\/p>\n\n\n\n Hasta aqu\u00ed llegamos con este tutorial, y como te estar\u00e1s imaginando, las aplicaciones con esta base de datos son much\u00edsimas, algunos de los posibles usos pueden ser la identificaci\u00f3n de los centros urbanos, conteo de viviendas en zonas rurales, edificaciones cerca de zonas de riesgo, entre otros. <\/p>\n\n\n\n \n\n\n\n<\/figure>\n<\/body>","protected":false},"excerpt":{"rendered":"En este blog te mostraremos algunos de los usos que pod\u00e9s darles a las bases de datos Open Buildings de Google. En concreto trabajaremos con las bases de datos para Nicaragua, obteniendo como resultado final una base de datos de edificaciones a nivel de departamentos y municipios (ciudades). En este blog usaremos las edificaciones como […]<\/p>\n","protected":false},"author":8,"featured_media":1030,"comment_status":"closed","ping_status":"open","sticky":true,"template":"","format":"standard","meta":{"_eb_attr":"","om_disable_all_campaigns":false,"footnotes":""},"categories":[6,9],"tags":[],"class_list":["post-975","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-analisis-de-datos","category-tutoriales"],"acf":[],"_links":{"self":[{"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/posts\/975","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/comments?post=975"}],"version-history":[{"count":34,"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/posts\/975\/revisions"}],"predecessor-version":[{"id":1034,"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/posts\/975\/revisions\/1034"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/media\/1030"}],"wp:attachment":[{"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/media?parent=975"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/categories?post=975"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/redpandalab.org\/en\/wp-json\/wp\/v2\/tags?post=975"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}