TraInv_Python
Luis_Speratti
2026-05-26
Tema: Evolución de artículos importados bajo el rubro vehículos durante el año 2025
Objetivo:Analizar los datos sobre la evolución de la importación de vehículos registrados en aduanas durante el año 2025, identificando tendencias y variaciones que influyen en el comportamiento del mercado automotor.
Selección de la Base de Datos:
Los microdatos de importaciones y exportaciones de Aduanas Paraguay.
Descripción Básica de la Base de Datos: Esta base contiene todos los registros de los artículos importados y exportados durante el año 2025.
Origen de la Base de Datos
Carga de la Base de Datos
Las variables principales que contiene:
Cantidad de artículos importados
Rubro del artículo
Técnica a utilizar Se verificará con la Estadística Descriptiva el nivel y evolución de la cantidad de artículos importados bajo el rubro de vehículos
Hipótesis a verificar: En el mes de diciembre se importa más vehículos que cualquier otro mes del año.
Gestión de Datos:
Descarga la fuente
Cargas de las librerías necesarias Para Python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
print("Librerías cargadas correctamente")## Librerías cargadas correctamenteImportar achivo .csv fuente de datos 2025
Ruta de la carpeta
ruta = “D:/fuentes_datos/”
Cargar archivos
# Cargar archivos
enero = pd.read_csv("D:/Fuente de datos/2025_ENERO.csv")
febrero = pd.read_csv("D:/Fuente de datos/2025_FEBRERO.csv")
marzo = pd.read_csv("D:/Fuente de datos/2025_MARZO.csv")
abril = pd.read_csv("D:/Fuente de datos/2025_ABRIL.csv")
mayo = pd.read_csv("D:/Fuente de datos/2025_MAYO.csv")
junio = pd.read_csv("D:/Fuente de datos/2025_JUNIO.csv")## <string>:1: DtypeWarning: Columns (0: MARCA ITEM, 1: DESC SUBITEM, 2: MARCA SUBITEM) have mixed types. Specify dtype option on import or set low_memory=False.julio = pd.read_csv("D:/Fuente de datos/2025_JULIO.csv")
agosto = pd.read_csv("D:/Fuente de datos/2025_AGOSTO.csv")
septiembre = pd.read_csv("D:/Fuente de datos/2025_SEPTIEMBRE.csv")
octubre = pd.read_csv("D:/Fuente de datos/2025_OCTUBRE.csv")
noviembre = pd.read_csv("D:/Fuente de datos/2025_NOVIEMBRE.csv")
diciembre = pd.read_csv("D:/Fuente de datos/2025_DICIEMBRE.csv")Agregar en columna
enero["MES"] = "Enero"
febrero["MES"] = "Febrero"
marzo["MES"] = "Marzo"
abril["MES"] = "Abril"
mayo["MES"] = "Mayo"
junio["MES"] = "Junio"
julio["MES"] = "Julio"
agosto["MES"] = "Agosto"
septiembre["MES"] = "Septiembre"
octubre["MES"] = "Octubre"
noviembre["MES"] = "Noviembre"
diciembre["MES"] = "Diciembre"Unir todos los meses en una sola base de datos
datos = pd.concat([
enero, febrero, marzo, abril, mayo, junio,
julio, agosto, septiembre, octubre, noviembre, diciembre
], ignore_index=True)
print(datos.shape)## (5054024, 47)Revisar las variables disponibles (columnas)
print(datos.columns)## Index(['DESPACHO CIFRADO', 'OPERACION', 'DESTINACION', 'REGIMEN',
## 'OFICIALIZACION', 'CANCELACION', 'AÑO', 'MES', 'ADUANA', 'COTIZACION',
## 'MEDIO TRANSPORTE', 'CANAL', 'ITEM', 'PAIS ORIGEN',
## 'PAIS PROCEDENCIA/DESTINO', 'USO', 'UNIDAD MEDIDA ESTADISTICA',
## 'CANTIDAD ESTADISTICA', 'KILO NETO', 'KILO BRUTO', 'FOB DOLAR',
## 'FLETE DOLAR', 'SEGURO DOLAR', 'IMPONIBLE DOLAR', 'IMPONIBLE GS',
## 'AJUSTE A INCLUIR', 'AJUSTE A DEDUCIR', 'POSICION ', 'RUBRO',
## 'DESC CAPITULO', 'DESC PARTIDA', 'DESC POSICION', 'MERCADERIA',
## 'MARCA ITEM', 'ACUERDO', 'NUMERO SUBITEM', 'CANTIDAD SUBITEM',
## 'PRECION UNITARIO SUBITEM', 'DESC SUBITEM', 'MARCA SUBITEM', 'DERECHO',
## 'ISC', 'SERVICIO', 'RENTA', 'IVA', 'OTROS', 'TOTAL'],
## dtype='str')Filtrar datos
vehiculos = datos[datos["RUBRO"].str.contains(
"VEHICULO",
case=False,
na=False
)]Ver columnas
for col in datos.columns:
print(col)## DESPACHO CIFRADO
## OPERACION
## DESTINACION
## REGIMEN
## OFICIALIZACION
## CANCELACION
## AÑO
## MES
## ADUANA
## COTIZACION
## MEDIO TRANSPORTE
## CANAL
## ITEM
## PAIS ORIGEN
## PAIS PROCEDENCIA/DESTINO
## USO
## UNIDAD MEDIDA ESTADISTICA
## CANTIDAD ESTADISTICA
## KILO NETO
## KILO BRUTO
## FOB DOLAR
## FLETE DOLAR
## SEGURO DOLAR
## IMPONIBLE DOLAR
## IMPONIBLE GS
## AJUSTE A INCLUIR
## AJUSTE A DEDUCIR
## POSICION
## RUBRO
## DESC CAPITULO
## DESC PARTIDA
## DESC POSICION
## MERCADERIA
## MARCA ITEM
## ACUERDO
## NUMERO SUBITEM
## CANTIDAD SUBITEM
## PRECION UNITARIO SUBITEM
## DESC SUBITEM
## MARCA SUBITEM
## DERECHO
## ISC
## SERVICIO
## RENTA
## IVA
## OTROS
## TOTALCantidad de filas
print(datos.head())## DESPACHO CIFRADO OPERACION DESTINACION ... IVA OTROS TOTAL
## 0 25DA000000015728 IMPORTACION IC04 ... 3268801,0 130752,0 3562180,0
## 1 25DA000000015728 IMPORTACION IC04 ... 3268801,0 130752,0 3562180,0
## 2 25DA000000015728 IMPORTACION IC04 ... 350845,0 14034,0 382334,0
## 3 25DA000000015728 IMPORTACION IC04 ... 79338,0 3174,0 86459,0
## 4 25DA000000015729 IMPORTACION IC04 ... 117104,0 4684,0 127614,0
##
## [5 rows x 47 columns]Exploración de columnas RUBROS
print(datos["RUBRO"].unique())## <StringArray>
## [ 'BIENES DE CAPITAL',
## 'REPUESTOS (AUTOPARTE)',
## 'MANUFACTURAS DE FUNDICION DE HIERRO',
## 'PLASTICOS Y SUS MANUFACTURAS',
## 'CAUCHO Y SUS MANUFACTURAS',
## 'MANUFACTURAS DIVERSAS DE METAL COMUN (HERRAMIENTAS, CUBIERTOS, GUARNICIONES Y OTROS)',
## 'ELECTRONICA',
## 'CALDERAS, MAQUINAS, APARATOS Y ARTEFACTOS MECANICOS; PARTES DE ESTAS MAQUINAS O APARATOS, REACTORES NUCLEARES',
## 'PIELES Y CUEROS, Y SUS MANUFACTURAS',
## 'CAPITULO 85 MAQUINAS, APARATOS Y MATERIAL ELECTRICO Y SUS PARTES; APARATOS DE GRABACION O DE REPROD',
## 'PRODUCTOS CERAMICOS',
## 'PRODUCTOS QUIMICOS',
## 'MADERA',
## 'RESIDUOS Y DESPERDICIOS DE LA INDUSTRIA ALIMENTICIO Y ALIMENTOS PREPARADOS PAR ANIMALES',
## 'COLORANTES Y PINTURAS',
## 'ACEITES ESENCIALES, PERFUMES Y COSMETICOS',
## 'PREPARACIONES ALIMENTICIAS DIVERSAS',
## 'CARNES Y DERIVADOS',
## 'ABONOS',
## 'VEHICULOS',
## 'PAPEL Y CARTON',
## 'AGROQUIMICOS',
## 'AZUCARES Y ARTICULOS DE CONFITERIA',
## 'FUNDICION DE HIERRO Y ACERO',
## 'MANUFACTURAS DE PIEDRAS, YESO, CEMENTO Y AMIANTO',
## 'CAPITULO 96 MANUFACTURAS DIVERSAS',
## 'CEREALES (TRIGO, ARROZ, MAIZ Y SORGO)',
## 'COMBUSTIBLES Y DEMAS PRODUCTOS DERIVADOS DEL PETROLEO',
## 'MUEBLES',
## 'JABONES Y PREPARACIONES PARA EL LAVADO',
## 'FRUTAS Y FRUTOS COMESTIBLES',
## 'BEBIDAS',
## 'CARBON VEGETAL',
## 'PREPARACIONES ALIMENTICIAS A BASE DE CEREALES, HARINA, ALMIDON, LECHE Y PRODUCTOS DE PASTELERIA',
## 'VIDRIOS Y SUS MANUFACTURAS',
## 'INFORMATICA Y TELECOMUNICACIONES',
## 'CAPITULO 91 APARATOS DE RELOJERIA Y SUS PARTES.',
## 'PRODUCTOS MINERALES (CEMENTOS, CAL, SAL Y OTROS)',
## 'CAPITULO 76 En este Capitulo se entiende pora.)Barras b.)Perfiles c)Alambre d.) Chapas, hojas y t',
## 'HORTALIZAS, RAICES Y TUBERCULOS ALIMENTICIOS',
## ' INSTRUMENTOS Y APARATOS DE OPTICA, DEFOTOGRAFIA O DE CINEMATOGRAFIA, DE MEDIDA, DE CONTROL O DE PRECISION; INSTRUMENTOS Y APARATOS MEDICOQUIRURGICOS; PARTES Y ACCESORIOS DE ESTOSINSTRUMENTOS O APARATOS',
## 'MANUFACTURAS DE TEJIDOS ( PRENDAS Y COMPLEMENTOS DE VESTIR)',
## 'MATERIAS TEXTILES (TEJIDOS)',
## 'CAPITULO 35 MATERIAS ALBUMINOIDEAS; PRODUCTOS A BASE DE ALMIDON O DE FECULA MODIFICADOS; COLAS; ENZ',
## 'CAPITULO 90 INSTRUMENTOS Y APARATOS DE OPTICA, DEFOTOGRAFIA O DE CINEMATOGRAFIA, DE MEDIDA, DE CON',
## 'CALZADOS Y SUS PARTES',
## 'CAPITULO 65 TOCADOS Y SUS PARTES',
## 'JUGUETES',
## 'SEMILLAS DE FRUTOS OLEAGINOSAS (POROTO Y GIRASOL)',
## 'ANIMALES VIVOS',
## 'GRASAS Y ACEITES DE ORIGEN ANIMAL Y VEGETAL',
## 'CAPITULO 67 PLUMAS Y PLUMON PREPARADOS Y ARTICULOS DE PLUMAS O DE PLUMON; FLORES, ARTIFICIALES; MAN',
## 'BISUTERIA',
## 'PRODUCTOS DE ORIGEN ANIMAL Y SUS DERIVADOS',
## 'PREPARACIONES DE HORTALIZAS Y FRUTAS, Y DEMAS PREPARACIONES ALIMENTICIAS',
## 'PRODUCTOS DE MOLINERIA (ALMIDON Y HARINAS)',
## 'PRODUCTOS FARMACEUTICOS Y MEDICAMENTOS',
## 'SOJA',
## 'POLVORAS Y EXPLOSIVOS',
## 'CACAO Y SUS PREPARACIONES',
## 'ALUMINIO Y SUS MANUFACTURAS',
## 'CAPITULO 13GOMAS, RESINAS Y DEMAS JUGOS Y EXTRACTOS VEGETALES',
## 'PARAGUAS, SOMBRILLAS Y QUITASOLES',
## 'CAPITULO 89 BARCOS Y DEMAS ARTEFACTOS FLOTANTES',
## 'LACTEOS Y DERIVADOS',
## 'CAFE, YERBA MATE Y ESPECIES',
## 'METALES PRECIOSOS Y SUS MANUFACTURAS',
## 'CAPITULO 92 INSTRUMENTOS DE MUSICA; PARTES Y ACCESORIOS DEESTOS INSTRUMENTOS',
## 'CAPITULO 78PLOMO Y MANUFACTURAS DE PLOMO',
## 'CAPITULO 6PLANTAS VIVAS Y PRODUCTOS DE LA FLORICULTURA',
## 'CAPITULO 47 PASTA DE MADERA O DE OTRAS MATERIAS FIBROSAS CELULOSICAS ,DESPERDICIOS Y DESECHOS DE PA',
## 'NT',
## 'CAPITULO 26 MINERALES, ESCORIAS Y CENIZAS',
## 'PESCADOS Y DERIVADOS',
## 'TABACOS Y CIGARRILLOS',
## 'CAPITULO 79 CINC Y MANUFACTURAS DE CINC',
## 'PRODUCTOS FOTOGRAFICOS Y CINEMATOGRAFICOS',
## 'PREPARACIONES DE PESCADOS, CRUSTACEOS O MOLUSCOS Y DEMAS INVERTEBRADOS ACUATICOS',
## 'CAPITULO 84 MAQUINAS, APARATOS, ARTEFACTOS MECANICOS, Y SUS PARTES',
## 'CAPITULO 97OBJETOS DE ARTE O DE COLECCION Y ANTIGUEDADES',
## 'CAPITULO 46 MANUFACTURAS DE ESPARTERIA O DE CESTERIA',
## 'CAPITULO 38 PRODUCTOS DIVERSOS DE LAS INDUSTRIAS QUIMICAS',
## 'CAPITULO 80ESTA?O Y MANUFACTURAS DE ESTA?O',
## 'REACTORES NUCLEARES, CALDERAS, MAQUINAS, APARATOS Y ARTEFACTOS MECANICOS; PARTES DE ESTAS MAQUINAS O APARATOS',
## 'CAPITULO 75 NIQUEL Y MANUFACTURAS DE NIQUEL',
## 'CAPITULO 29 PRODUCTOS QUIMICOS ORGANICOS',
## 'ARMAS Y SUS PARTES, Y MUNICIONES',
## 'CAPITULO 81LOS DEMAS METALES COMUNES; CERMETS;MANUFACTURAS DE ESTAS MATERIAS.',
## 'CAPITULO 28 PRODUCTOS QUIMICOS INORGANICOS; COMPUESTOS INORGANICOS U ORGANICOS DE METAL PRECIOSO, DE ELEMENTOS RADIACTIVOS, DE METALES DE LAS TIERRAS RARAS O DE ISOTOPOS',
## 'CAPITULO 88 AERONAVES, VEHICULOS ESPACIALES, Y SUS PARTES',
## 'CAPITULO 45CORCHO Y MANUFACTURAS DE CORCHO',
## 'CAPITULO 14 MATERIAS TREZABLES Y DEMAS PRODUCTOS DE ORIGENVEGETAL, NO EXPRESADOS NI COMPRENDIDOS EN',
## ' MAQUINAS, APARATOS Y MATERIAL ELECTRICO Y SUS PARTES; APARATOS DE GRABACION O DE REPRODUCCION DEL SONIDO, APARATOS DE GRABACION O DE REPRODUCCION DE IMAGENES Y DE SONIDOS DE TELEVISION, Y LAS PARTES Y ACCESORIOS DE ESTOSAPARATOS.',
## 'CAPITULO 55 FIBRAS SINTETICAS O ARTIFICIALES DISCONTINUAS',
## 'CAPITULO 97 OBJETOS DE ARTE O DE COLECCION Y ANTIGUEDADES',
## 'CAPITULO 88AERONAVES, VEHICULOS ESPACIALES Y SUS PARTES',
## nan]
## Length: 97, dtype: strVehículos
vehiculos = datos[datos["RUBRO"] == "VEHICULOS"]print(datos.columns.tolist())## ['DESPACHO CIFRADO', 'OPERACION', 'DESTINACION', 'REGIMEN', 'OFICIALIZACION', 'CANCELACION', 'AÑO', 'MES', 'ADUANA', 'COTIZACION', 'MEDIO TRANSPORTE', 'CANAL', 'ITEM', 'PAIS ORIGEN', 'PAIS PROCEDENCIA/DESTINO', 'USO', 'UNIDAD MEDIDA ESTADISTICA', 'CANTIDAD ESTADISTICA', 'KILO NETO', 'KILO BRUTO', 'FOB DOLAR', 'FLETE DOLAR', 'SEGURO DOLAR', 'IMPONIBLE DOLAR', 'IMPONIBLE GS', 'AJUSTE A INCLUIR', 'AJUSTE A DEDUCIR', 'POSICION ', 'RUBRO', 'DESC CAPITULO', 'DESC PARTIDA', 'DESC POSICION', 'MERCADERIA', 'MARCA ITEM', 'ACUERDO', 'NUMERO SUBITEM', 'CANTIDAD SUBITEM', 'PRECION UNITARIO SUBITEM', 'DESC SUBITEM', 'MARCA SUBITEM', 'DERECHO', 'ISC', 'SERVICIO', 'RENTA', 'IVA', 'OTROS', 'TOTAL']Tabla
print(vehiculos[["UNIDAD MEDIDA ESTADISTICA", "CANTIDAD ESTADISTICA"]].head(20))## UNIDAD MEDIDA ESTADISTICA CANTIDAD ESTADISTICA
## 180 UNIDAD 1,0
## 602 UNIDAD 1,0
## 603 UNIDAD 1,0
## 604 UNIDAD 1,0
## 605 UNIDAD 1,0
## 606 UNIDAD 1,0
## 776 UNIDAD 500,0
## 777 UNIDAD 15,0
## 793 UNIDAD 1,0
## 794 UNIDAD 1,0
## 795 UNIDAD 1,0
## 796 UNIDAD 1,0
## 797 UNIDAD 1,0
## 798 UNIDAD 1,0
## 800 UNIDAD 1,0
## 801 UNIDAD 1,0
## 802 UNIDAD 1,0
## 807 UNIDAD 1,0
## 808 UNIDAD 1,0
## 809 UNIDAD 1,0print(vehiculos["MERCADERIA"].head(50))## 180 UN AUTOMOVIL USADO MARCA BMW MODELO 520D A¿O 2011
## 602 01 VEHICULO USADO TIPO STATION WAGON DE LA MA...
## 603 01 VEHICULO USADO TIPO STATION WAGON DE LA MAR...
## 604 01 VEHICULO USADO TIPO AUTOMOVIL DE LA MARCA T...
## 605 01 VEHICULO USADO TIPO AUTOMOVIL DE LA MARCA T...
## 606 01 VEHICULO USADO TIPO AUTOMOVIL DE LA MARCA T...
## 776 500) UNIDADES DE SCOOTERS
## 777 15) UNIDADES DE ASIETOS PARA SCOOTER
## 793 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 794 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 795 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 796 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 797 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 GR...
## 798 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 GR...
## 800 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 801 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 802 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 807 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 808 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 809 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 810 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 811 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 812 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 814 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 SRV...
## 815 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 SRV...
## 816 UNA UNIDAD DE STATION WAGON USADO, MARCA TOYOT...
## 817 UNA UNIDAD DE CAMIONETA DOBLE CABINA USADA MAR...
## 818 UNA UNIDAD DE STATION WAGON USADO, MARCA HYUND...
## 819 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 820 UNA UNIDAD DE STATION WAGON USADO, MARCA HYUND...
## 821 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 822 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 823 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 824 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 825 UNA UNIDAD DE STATION WAGON USADO, MARCA HYUND...
## 827 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 828 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 829 CAMIONETA DE LA MARCA TOYOTA HILUX D/C 4X4 2.4...
## 1458 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 1459 UNA UNIDAD DE AUTOMOVIL USADO, MARCA TOYOTA MO...
## 1460 UNA UNIDAD DE AUTOMOVIL USADO, MARCA TOYOTA MO...
## 1461 UNA UNIDAD DE STATION WAGON USADO, MARCA TOYOT...
## 1462 UNA UNIDAD DE AUTOMOVIL USADO, MARCA TOYOTA MO...
## 1463 UNA UNIDAD DE STATION WAGON USADO, MARCA TOYOT...
## 1464 UNA UNIDAD DE AUTOMOVIL USADO, MARCA TOYOTA MO...
## 1465 UNA UNIDAD DE AUTOMOVIL USADO, MARCA TOYOTA MO...
## 1466 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 1467 UNA UNIDAD DE STATION WAGON USADO, MARCA KIA M...
## 1468 UNA UNIDAD DE STATION WAGON USADO, MARCA TOYOT...
## 1469 UNA UNIDAD DE STATION WAGON USADO, MARCA TOYOT...
## Name: MERCADERIA, dtype: strvehiculos_completos = vehiculos[
vehiculos["MERCADERIA"].str.contains(
"AUTOMOVIL|VEHICULO|CAMIONETA|STATION WAGON|CAMION|MOTOCICLETA|SCOOTER",
case=False,
na=False
)
]vehiculos_completos = vehiculos[
vehiculos["MERCADERIA"].str.contains(
"AUTOMOVIL|VEHICULO|CAMIONETA|STATION WAGON|CAMION|MOTOCICLETA|SCOOTER",
case=False,
na=False
)
]vehiculos_completos = vehiculos_completos[
~vehiculos_completos["MERCADERIA"].str.contains(
"ASIENTO|REPUESTO|ACCESORIO|PARTE|PIEZA",
case=False,
na=False
)
]tabla_vehiculos = (
vehiculos_completos.groupby("MES")
.size()
.reset_index(name="Cantidad_Vehiculos")
)
print(tabla_vehiculos)## MES Cantidad_Vehiculos
## 0 Abril 15111
## 1 Agosto 10965
## 2 Diciembre 28446
## 3 Enero 16092
## 4 Febrero 6178
## 5 Julio 11178
## 6 Junio 7221
## 7 Marzo 12870
## 8 Mayo 17898
## 9 Noviembre 27601
## 10 Octubre 32699
## 11 Septiembre 10821tabla_vehiculos = (
vehiculos_completos.groupby("MES")["CANTIDAD ESTADISTICA"]
.sum()
.reset_index(name="Cantidad_Vehiculos")
)
print(tabla_vehiculos)## MES Cantidad_Vehiculos
## 0 Abril 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...
## 1 Agosto 1,01,01,01,01,01,01,01,01,01,01,03,01,01,01,01...
## 2 Diciembre 201,0201,0201,0201,0201,0201,0201,0201,0201,02...
## 3 Enero 1,01,01,01,01,01,0500,015,01,01,01,01,01,01,01...
## 4 Febrero 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...
## 5 Julio 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...
## 6 Junio 1,01,01,01,01,01,01,01,01,01,01,0448,0448,0448...
## 7 Marzo 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...
## 8 Mayo 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...
## 9 Noviembre 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...
## 10 Octubre 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...
## 11 Septiembre 1,01,01,01,01,01,01,01,01,01,01,01,01,01,01,01...tabla_vehiculos = (
vehiculos_completos.groupby("MES")
.size()
.reset_index(name="Cantidad_Vehiculos")
)
print(tabla_vehiculos)## MES Cantidad_Vehiculos
## 0 Abril 15111
## 1 Agosto 10965
## 2 Diciembre 28446
## 3 Enero 16092
## 4 Febrero 6178
## 5 Julio 11178
## 6 Junio 7221
## 7 Marzo 12870
## 8 Mayo 17898
## 9 Noviembre 27601
## 10 Octubre 32699
## 11 Septiembre 10821Gráficos
import matplotlib.pyplot as plt
# Ordenar meses
orden_meses = [
"Enero", "Febrero", "Marzo", "Abril",
"Mayo", "Junio", "Julio", "Agosto",
"Septiembre", "Octubre", "Noviembre", "Diciembre"
]
tabla_vehiculos["MES"] = pd.Categorical(
tabla_vehiculos["MES"],
categories=orden_meses,
ordered=True
)
tabla_vehiculos = tabla_vehiculos.sort_values("MES")
# Gráfico
plt.figure(figsize=(12,6))
plt.bar(tabla_vehiculos["MES"], tabla_vehiculos["Cantidad_Vehiculos"])
plt.title("Cantidad de vehículos importados por mes - Año 2025")
plt.xlabel("Mes")
plt.ylabel("Cantidad de vehículos")
plt.xticks(rotation=45)## ([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], [Text(0, 0, 'Enero'), Text(1, 0, 'Febrero'), Text(2, 0, 'Marzo'), Text(3, 0, 'Abril'), Text(4, 0, 'Mayo'), Text(5, 0, 'Junio'), Text(6, 0, 'Julio'), Text(7, 0, 'Agosto'), Text(8, 0, 'Septiembre'), Text(9, 0, 'Octubre'), Text(10, 0, 'Noviembre'), Text(11, 0, 'Diciembre')])# Mostrar valores encima de cada barra
for i, v in enumerate(tabla_vehiculos["Cantidad_Vehiculos"]):
plt.text(i, v, str(v), ha="center", va="bottom")
plt.tight_layout()
plt.show()
### Gráfico lineal
import matplotlib.pyplot as plt
# Ordenar los meses
orden_meses = [
"Enero", "Febrero", "Marzo", "Abril",
"Mayo", "Junio", "Julio", "Agosto",
"Septiembre", "Octubre", "Noviembre", "Diciembre"
]
tabla_vehiculos["MES"] = pd.Categorical(
tabla_vehiculos["MES"],
categories=orden_meses,
ordered=True
)
tabla_vehiculos = tabla_vehiculos.sort_values("MES")
# Gráfico lineal
plt.figure(figsize=(12,6))
plt.plot(
tabla_vehiculos["MES"],
tabla_vehiculos["Cantidad_Vehiculos"],
marker="o"
)
plt.title("Evolución mensual de vehículos importados - Año 2025")
plt.xlabel("Mes")
plt.ylabel("Cantidad de vehículos")
# Mostrar valor en cada punto
for x, y in zip(
tabla_vehiculos["MES"],
tabla_vehiculos["Cantidad_Vehiculos"]
):
plt.annotate(
str(y),
(x, y),
textcoords="offset points",
xytext=(0,5),
ha="center"
)
plt.grid(True)
plt.xticks(rotation=45)## ([0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11], [Text(0, 0, 'Enero'), Text(1, 0, 'Febrero'), Text(2, 0, 'Marzo'), Text(3, 0, 'Abril'), Text(4, 0, 'Mayo'), Text(5, 0, 'Junio'), Text(6, 0, 'Julio'), Text(7, 0, 'Agosto'), Text(8, 0, 'Septiembre'), Text(9, 0, 'Octubre'), Text(10, 0, 'Noviembre'), Text(11, 0, 'Diciembre')])plt.tight_layout()
plt.show()
Conclusión
El análisis de la evolución mensual de las importaciones de vehículos durante el año 2025 muestra una tendencia creciente hacia el cierre del año. Aunque diciembre registró un volumen elevado de importaciones, el máximo anual se observó en octubre con 32.699 vehículos. Por lo tanto, la evidencia empírica no confirma la hipótesis inicial de que diciembre sería el mes con mayor cantidad de vehículos importados. Sin embargo, los resultados indican que el último trimestre concentró los mayores niveles de importación, reflejando una expansión significativa del mercado automotor en ese período.
El notable incremento de las importaciones de vehículos observado durante el último trimestre de 2025 podría estar asociado a factores comerciales y económicos. Entre ellos se destacan la preparación de las empresas para la mayor demanda de fin de año, la reposición de inventarios para el período siguiente y las expectativas sobre posibles variaciones en los costos de importación. Asimismo, una mejora en las condiciones del mercado automotor y una mayor disponibilidad de vehículos en el mercado internacional pudieron haber contribuido al aumento registrado. Estas circunstancias habrían favorecido que octubre, noviembre y diciembre concentraran los mayores volúmenes de importación del año.