Explorando los datos actuales de robos en el Metro CDMX

En este proyecto, comenzamos con la exploración y análisis de los datos disponibles sobre robos en el Metro de la Ciudad de México. Los datos actuales presentan limitaciones importantes, ya que no especifican con suficiente detalle el lugar exacto dentro de las estaciones donde ocurren los robos (tren, plataforma, pasajes subterráneos o área externa). Sin embargo, a partir de la información disponible, realizamos un primer análisis para entender la distribución general de los incidentes por estación y día de la semana.

Usando Python y bibliotecas como Pandas y Matplotlib, procesamos las bases de datos públicas y generamos visualizaciones clave. Por ejemplo, el gráfico de barras que mostramos a continuación indica que ciertas estaciones tienen un número significativamente mayor de robos reportados, lo que nos permite identificar focos críticos en la red.

Sin embargo, esta información solo refleja el total de robos sin detalles sobre la ubicación específica dentro de la estación, lo que limita la precisión para diseñar intervenciones efectivas.

Visualización destacada:

Gráfico con estaciones con cantidad re robos mas alto y bajo.



Comments

Post a Comment

Popular posts from this blog

Image
Análisis de la Distribución Horaria de Incidentes Análisis de la Distribución Horaria de Incidentes Introducción Se estudió la distribución de incidentes delictivos a lo largo del día, agrupando los datos por hora (0 a 23). El objetivo fue modelar esta variación temporal para entender patrones periódicos que pudieran relacionarse con horarios de mayor riesgo. Visualización Inicial Se obtuvo un histograma de conteos por hora \( y_i \) para cada hora \( x_i \in \{0,1,\ldots,23\} \), mostrando una clara periodicidad diaria: \[ (x_i, y_i), \quad i=0, \ldots, 23 \] Evaluación del Modelo Se usaron las siguientes métricas para evaluar la bondad de ajuste: Coeficiente de determinación \( R^2 \): \[ R^2 = 1 - \frac{\sum_{i=0}^{23} (y_i - \hat{y}_i)^2}{\sum_{i=0}^{23} (y_i - \bar{y})^2} \] Raíz del error cuadrático medio (RMSE): \[ RMSE = \sqrt{\frac{1}{24} \sum_{i=0}^{23} (y_i - \hat{y}_i)^2} \] Modelado con Ajuste Polinomial Primero se intentó un ...
Read more

De la tabla al mapa — visualización de datos con Python y Plotly

Image
Con los datos ya clasificados, el siguiente paso fue darles forma visual. Este post describe cómo creamos un mapa interactivo con Plotly. Pasos técnicos: Agrupamos los incidentes por estación y tipo. Asignamos coordenadas geográficas a cada estación (diccionario georreferenciado). Usamos Plotly Express para generar un scatter_mapbox interactivo: import plotly.express as px fig = px.scatter_mapbox(df_geo, lat="lat", lon="lon", color="tipo_incidente", size="conteo", hover_name="estacion", zoom=10, mapbox_style="carto-positron") fig.show() Disciplina aplicada con ejemplos: Álgebra lineal: las coordenadas de cada estación son puntos en R². Visualización de datos: usamos escalas de color y tamaño para representar densidad e impacto. Conclusión: Visualizar permite ver lo que las tablas no muestran. El mapa no solo localiza, sino que comunica.
Read more