-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathtransform.py
More file actions
180 lines (157 loc) · 6.72 KB
/
transform.py
File metadata and controls
180 lines (157 loc) · 6.72 KB
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
""" transform.py: Realiza el procesamiento de los datos"""
from logger import * # logging
import pandas as pd
# import numpy as np
def normalizar_datos(categoria: str, fullfilename: str) -> pd.DataFrame:
"""
Crea dataframe a partir del archivo fuente guardado
Elimina columnas no deseadas
Renombra columnas
Normalizar toda la información de Museos, Salas de Cine y Bibliotecas Populares,
para crear una única tabla que contenga:
cod_localidad
id_provincia
id_departamento
categoría
provincia
localidad
nombre
domicilio
código postal
número de teléfono
mail
web
* tengo que mantener 'fuente'
:param categoria: categoria del archivo de datos
:param fullfilename: path y filename de donde recuperar el archivo
:return: pd.DataFrame: DataFrame producto de la normalizacion
"""
df = pd.read_csv(fullfilename, encoding='UTF-8')
logging.info(f"Dataframe {categoria} -> creado")
# logging.info(f"df.shape antes={df.shape}")
# logging.info(f"df.columns antes={df.columns}")
if categoria == 'museos':
df.drop(['piso',
'cod_area',
'latitud',
'longitud',
'tipo_latitud_longitud',
'tipo_gestion',
'departamento',
'año_actualizacion'],
axis=1, inplace=True)
df.rename(columns={'cod_loc': 'cod_localidad',
'categoria': 'categoría',
'cp': 'código postal',
'telefono': 'número de teléfono'},
inplace=True)
elif categoria == 'salas_de_cine':
df.drop(['departamento',
'piso',
'latitud',
'longitud',
'tipo_latitud_longitud',
'sector',
'tipo_de_gestion',
'año_actualizacion',
'butacas',
'pantallas',
'espacio_incaa'],
axis=1, inplace=True)
df.rename(columns={'categoria': 'categoría',
'direccion': 'domicilio',
'cp': 'código postal'},
inplace=True)
elif categoria == 'bibliotecas_populares':
df.drop(['Observacion',
'Subcategoria',
'Departamento',
'Piso',
'Cod_tel',
'Información adicional',
'Latitud',
'Longitud',
'TipoLatitudLongitud',
'Tipo_gestion',
'año_inicio',
'Año_actualizacion'],
axis=1, inplace=True)
df.rename(columns={'Cod_Loc': 'cod_localidad',
'IdProvincia': 'id_provincia',
'IdDepartamento': 'id_departamento',
'Categoría': 'categoría',
'Provincia': 'provincia',
'Localidad': 'localidad',
'Nombre': 'nombre',
'Domicilio': 'domicilio',
'CP': 'código postal',
'Teléfono': 'número de teléfono',
'Mail': 'mail',
'Web': 'web',
'Fuente': 'fuente'},
inplace=True)
logging.info(f"Dataframe {categoria} -> normalizado")
# logging.info(f"df.shape despues={df.shape}")
# logging.info(f"df.columns despues={df.columns}")
return df #df normalizado
def registros_por_categoria(df: pd.DataFrame) -> pd.DataFrame:
"""
Procesa los datos conjuntos para poder generar una tabla con la siguiente información:
Cantidad de registros totales por categoría
:param df: dataframe normalizado
:return: df: dataframe con registros por categoria
"""
# Cantidad de registros totales por categoría
df = df.groupby(by='categoría', as_index=False).size()
df.rename(columns={'size': 'cantidad'}, inplace=True)
logging.info(f"Dataframe: totales por categoría -> creado")
return df
def registros_por_fuente(df: pd.DataFrame) -> pd.DataFrame:
"""
Procesa los datos conjuntos para poder generar una tabla con la siguiente información:
Cantidad de registros totales por fuente
:param df: dataframe normalizado
:return: df: dataframe con registros por fuente
"""
# Cantidad de registros totales por fuente
df = df.groupby(by='fuente', as_index=False).size()
df.rename(columns={'size': 'cantidad'}, inplace=True)
logging.info(f"Dataframe: totales por fuente -> creado")
return df
def registros_por_provincia_y_categoria(df: pd.DataFrame) -> pd.DataFrame:
"""
Procesa los datos conjuntos para poder generar una tabla con la siguiente información:
Cantidad de registros por provincia y categoría
:param df: dataframe normalizado
:return: df: dataframe con registros por provincia y categoria
"""
# Cantidad de registros totales por provincia y categoría
df = df.groupby(by=['provincia', 'categoría'], as_index=False).size()
df.rename(columns={'size': 'cantidad'}, inplace=True)
logging.info(f"Dataframe: totales por provincia y categoria -> creado")
return df
def procesar_datos_cines(fullfilename: str) -> pd.DataFrame:
"""
Procesa la información de cines para poder crear una tabla que contenga:
Provincia
Cantidad de pantallas
Cantidad de butacas
Cantidad de espacios INCAA
:param fullfilename: del archivo de datos de cines
:return: df: dataframe con registros de cines por provincia
"""
df = pd.read_csv(fullfilename, encoding='UTF-8', usecols=['provincia',
'pantallas',
'butacas',
'espacio_incaa'])
logging.info(f"Dataframe: cines -> creado")
df['espacio_incaa'].replace(to_replace='Si', value=True, inplace=True)
df['espacio_incaa'].replace(to_replace='No', value=False, inplace=True)
df.rename(columns={'provincia':'Provincia',
'pantallas':'Pantallas',
'butacas':'Butacas',
'espacio_incaa':'Espacios INCAA'},
inplace=True)
df = df.groupby(['Provincia'], as_index=False).sum()
logging.info(f"Dataframe: cines: Provincia Pantallas Butacas Espacios INCAA -> creado")
return df