TRABAJO FINAL / CIENCIA DE DATOS PARA CIUDADES I y II
Denise Peña y Dolores Giribone
8/21/2018
Introduccion
Para el presente trabajo nos proponemos observar como toman lugar los procesos de desplazamiento y gentrificacion en la Ciudad de Buenos Aires.
La gentrificacion es un proceso de sustitucion de poblacion de menor nivel socioeconomico por nuevos habitantes de clases medias y altas, usualmente por factores de reconversion urbana. Un dato para resaltar es que estos desplazamientos pueden producirse de forma directa, por ejemplo con compras de las propiedades con nuevos valores de mercado, por la no renovacion de alquiler a inquilinos de bajos recursos o por desalojos forzosos en propiedades ocupadas de forma ilegal. Tambien, el desplazamiento puede suceder de forma indirecta, gracias al aumento en el precio de los alquileres, por nuevos impuestos inmobiliarios o aumentos en productos de consumo cotidiano, entre otros.
Para poder analizar estos procesos en la Ciudad de Buenos Aires, partiremos de la base de datos de Properati sobre los valores de propiedades en venta, para analizar la informacion alli dispuesta. En un segundo paso, analizaremos la base de datos del Sistema Unico de Atencion Ciudadana (SUACI), obtenida de la pagina de datos del Gobierno de la Ciudad https://data.buenosaires.gob.ar/. Tomando esta informacion, analizaremos la relacion que existe entre el valor del m2 en los barrios de la ciudad y los reclamos generados por la web de Gestion Colaborativa del GCBA https://gestioncolaborativa.buenosaires.gob.ar/prestaciones, parametro que consideramos como referencia de areas postergadas o desarrolladas.
A ver que nos dice Properati
El primer paso a realizar sera cargar los paquetes tidyverse, ggplot2 y sf, herramientas que utilizaremos a lo largo del trabajo, tal como se muestra a continuacion:
library (tidyverse)## ── Attaching packages ───────────────────────────────────────────────────────────────────────────────────────────────────────────────── tidyverse 1.2.1 ──## ✔ ggplot2 3.0.0 ✔ purrr 0.2.5
## ✔ tibble 1.4.2 ✔ dplyr 0.7.6
## ✔ tidyr 0.8.1 ✔ stringr 1.3.1
## ✔ readr 1.1.1 ✔ forcats 0.3.0## Warning: package 'dplyr' was built under R version 3.5.1## ── Conflicts ──────────────────────────────────────────────────────────────────────────────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag() masks stats::lag()library(sf)## Linking to GEOS 3.6.1, GDAL 2.1.3, proj.4 4.9.3library(ggplot2)library(lubridate)##
## Attaching package: 'lubridate'## The following object is masked from 'package:base':
##
## datelibrary(ggmap)Luego procederemos a cargar la base de datos central del trabajo, el dataset de propiedades en venta en Argentina de Properati Data, sitio de busquedas de inmuebles de Latinoamerica, con propiedades en Argentina, COlombia, Perú y Uruguay:
properati_data<-read_csv("properati-AR-2018-02-01-properties-sell.csv")## Parsed with column specification:
## cols(
## .default = col_character(),
## created_on = col_date(format = ""),
## geonames_id = col_integer(),
## lat = col_double(),
## lon = col_double(),
## price = col_double(),
## price_aprox_local_currency = col_double(),
## price_aprox_usd = col_double(),
## surface_total_in_m2 = col_integer(),
## surface_covered_in_m2 = col_integer(),
## price_usd_per_m2 = col_double(),
## price_per_m2 = col_double(),
## floor = col_integer(),
## rooms = col_integer(),
## expenses = col_integer()
## )## See spec(...) for full column specifications.Conozcamos un poco de que se trata el dataset provisto por Properati antes de avanzar. Averiguaremos con que atributos y caracteristicas contamos para ponernos a trabajar.
summary(properati_data)## id created_on operation
## Length:179663 Min. :2012-09-19 Length:179663
## Class :character 1st Qu.:2017-06-05 Class :character
## Mode :character Median :2017-09-19 Mode :character
## Mean :2017-06-30
## 3rd Qu.:2017-11-16
## Max. :2018-02-01
##
## property_type place_name place_with_parent_names
## Length:179663 Length:179663 Length:179663
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## country_name state_name geonames_id
## Length:179663 Length:179663 Min. :3427208
## Class :character Class :character 1st Qu.:3429979
## Mode :character Mode :character Median :3432039
## Mean :3568924
## 3rd Qu.:3436508
## Max. :6948895
## NA's :36774
## lat-lon lat lon price
## Length:179663 Min. :-54.83 Min. :-72.93 Min. : 6000
## Class :character 1st Qu.:-34.74 1st Qu.:-58.84 1st Qu.: 110000
## Mode :character Median :-34.60 Median :-58.52 Median : 190000
## Mean :-34.65 Mean :-59.42 Mean : 428452
## 3rd Qu.:-34.41 3rd Qu.:-58.39 3rd Qu.: 390000
## Max. :-22.51 Max. :-40.15 Max. :111111112
## NA's :26776 NA's :26776 NA's :27303
## currency price_aprox_local_currency price_aprox_usd
## Length:179663 Min. : 82754 Min. : 4215
## Class :character 1st Qu.: 1845690 1st Qu.: 94000
## Mode :character Median : 3141600 Median : 160000
## Mean : 5264892 Mean : 268138
## 3rd Qu.: 5851230 3rd Qu.: 298000
## Max. :913919813 Max. :46545445
## NA's :27303 NA's :27303
## surface_total_in_m2 surface_covered_in_m2 price_usd_per_m2
## Min. : 0.0 Min. : -70.0 Min. : 0.4
## 1st Qu.: 56.0 1st Qu.: 50.0 1st Qu.: 955.6
## Median : 117.0 Median : 92.0 Median : 1641.8
## Mean : 352.6 Mean : 184.3 Mean : 1979.8
## 3rd Qu.: 284.0 3rd Qu.: 188.0 3rd Qu.: 2352.9
## Max. :200000.0 Max. :1031000.0 Max. :1541688.2
## NA's :49181 NA's :32298 NA's :65182
## price_per_m2 floor rooms expenses
## Min. : 1 Min. : 1.00 Min. : 1.0 Min. : 1
## 1st Qu.: 1419 1st Qu.: 1.00 1st Qu.: 2.0 1st Qu.: 1000
## Median : 2017 Median : 2.00 Median : 3.0 Median : 2200
## Mean : 6052 Mean : 7.53 Mean : 3.2 Mean : 5890
## 3rd Qu.: 3054 3rd Qu.: 6.00 3rd Qu.: 4.0 3rd Qu.: 4600
## Max. :5800000 Max. :2989.00 Max. :38.0 Max. :10001500
## NA's :50252 NA's :165864 NA's :67151 NA's :164882
## properati_url description title
## Length:179663 Length:179663 Length:179663
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## image_thumbnail
## Length:179663
## Class :character
## Mode :character
##
##
##
## names(properati_data)## [1] "id" "created_on"
## [3] "operation" "property_type"
## [5] "place_name" "place_with_parent_names"
## [7] "country_name" "state_name"
## [9] "geonames_id" "lat-lon"
## [11] "lat" "lon"
## [13] "price" "currency"
## [15] "price_aprox_local_currency" "price_aprox_usd"
## [17] "surface_total_in_m2" "surface_covered_in_m2"
## [19] "price_usd_per_m2" "price_per_m2"
## [21] "floor" "rooms"
## [23] "expenses" "properati_url"
## [25] "description" "title"
## [27] "image_thumbnail"dim(properati_data)## [1] 179663 27Como observamos en sus dimensiones, el dataset contiene 179.663 observaciones distribuidas en 27 variables. Haremos un primer filtro de la informacion, dado que para entender la relacion entre las propiedades en venta, el tipo de propietario y el barrio en que se encuentra, no necesitamos todas las variables.
Seleccionamos entonces las variables que consideramos interesantes para un primer analisis.
properati_data_filter1<-select(properati_data, 2, 3, 4, 5, 8, 11, 12, 17, 19)properati_data_filter1## # A tibble: 179,663 x 9
## created_on operation property_type place_name state_name lat lon
## <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 2017-03-01 sell house Merlo Bs.As. G.B.… -34.7 -58.7
## 2 2016-09-20 sell house Pinamar Buenos Aire… -37.1 -56.9
## 3 2016-03-16 sell house Pinamar Buenos Aire… -37.1 -56.8
## 4 2017-09-22 sell house Palermo Vi… Capital Fed… -34.6 -58.4
## 5 2016-09-29 sell apartment Rosario Santa Fe -33.0 -60.6
## 6 2017-06-17 sell apartment Rosario Santa Fe -33.0 -60.6
## 7 2016-09-21 sell house Castelar Bs.As. G.B.… -34.7 -58.7
## 8 2016-09-29 sell apartment Rosario Santa Fe -33.0 -60.7
## 9 2015-03-26 sell house Córdoba Córdoba -31.3 -64.3
## 10 2015-03-05 sell house Rosario Santa Fe NA NA
## # ... with 179,653 more rows, and 2 more variables:
## # surface_total_in_m2 <int>, price_usd_per_m2 <dbl>names(properati_data_filter1)## [1] "created_on" "operation" "property_type"
## [4] "place_name" "state_name" "lat"
## [7] "lon" "surface_total_in_m2" "price_usd_per_m2"Por el momento nos quedaremos con estas 9 variables y pasaremos a explicar cada una de ellas:
- created_on: corresponde al dia en que fue publicado el inmueble. Figura en año-mes-dia.
- operation: indica el tipo de operacion realizada, en esta caso, son todas ventas.
- property_type: categoriza el tipo de inmueble vendido en “apartment” “house” “PH” y “store” (iv)place_name:
- state_name: indica la ubicacion del inmueble en cuestion. Los datos son de todo el pais; nosotros estaremos utilizando unicamente el area de la Ciudad de Buenos Aires.
- lat: punto de latitud del dato.
- lon: punto de longitud del dato.
- surface_total_in_m2: superficie total del inmueble en metros cuadrados.
- price_usd_per_m2: precio en dolares americanos por metro cuadrado.
A continuacion aplicaremos un segundo filtro para determinar si el inmueble en cuestion es Residencial o Comercial. Para ello, aplicaremos case_when que se encargara de leer los valores apartment, house, PH, como Residencial y store como Comercial. Hecho esto podremos saber el porcentaje que representa cada categoria en el data set. La proliferacion de inmuebles comerciales, en algunos casos, da cuenta de procesos de revitalizacion del barrio.
properati_data_filter1 <- properati_data_filter1 %>%
mutate(property_type = case_when(property_type == "apartment" ~ "Residencial",
property_type == "house" ~ "Residencial",
property_type == "store" ~ "Comercial"))
table(properati_data_filter1$property_type)##
## Comercial Residencial
## 7640 163713Ahora bien, ya sabemos que contamos con los datos de venta para inmuebles Residenciales y Comerciales, pero seguimos tomando todos los datos del pais y nosotros queremos los de la Ciudad de Buenos Aires. Por lo tanto, desglosaremos la columna state_name para averiguar con que ubicaciones contamos.
properati_data_filter1%>%
count(state_name)## # A tibble: 28 x 2
## state_name n
## <chr> <int>
## 1 Bs.As. G.B.A. Zona Norte 39515
## 2 Bs.As. G.B.A. Zona Oeste 21902
## 3 Bs.As. G.B.A. Zona Sur 17759
## 4 Buenos Aires Costa Atlántica 22664
## 5 Buenos Aires Interior 4949
## 6 Capital Federal 36008
## 7 Catamarca 128
## 8 Chaco 115
## 9 Chubut 449
## 10 Córdoba 16226
## # ... with 18 more rowsPor lo visto, podriamos trabajar con provincias, las distintas zonas del Gran Buenos Aires y la Ciudad de Buenos Aires. Seleccionemos entonces, de acuerdo a nuestro analisis propuesto, los datos pertenecientes a Capital Federal:
properati_data_filter1<- properati_data_filter1 %>%
filter(state_name=="Capital Federal")properati_data_filter1## # A tibble: 36,008 x 9
## created_on operation property_type place_name state_name lat lon
## <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 2017-09-22 sell Residencial Palermo Vie… Capital Fe… -34.6 -58.4
## 2 2017-07-08 sell Residencial Recoleta Capital Fe… NA NA
## 3 2012-12-08 sell Residencial Mataderos Capital Fe… -34.7 -58.5
## 4 2013-05-05 sell Residencial Barracas Capital Fe… -34.7 -58.4
## 5 2013-05-24 sell Residencial Paternal Capital Fe… -34.6 -58.5
## 6 2013-05-24 sell Residencial Barracas Capital Fe… -34.6 -58.4
## 7 2013-05-24 sell Residencial Congreso Capital Fe… -34.6 -58.4
## 8 2013-05-27 sell Residencial Villa Real Capital Fe… -34.6 -58.5
## 9 2013-07-03 sell Residencial Villa Urqui… Capital Fe… NA NA
## 10 2013-07-19 sell Comercial Monserrat Capital Fe… -34.6 -58.4
## # ... with 35,998 more rows, and 2 more variables:
## # surface_total_in_m2 <int>, price_usd_per_m2 <dbl>Como podemos observar en la tabla, de las 179663 observaciones iniciales el dataset se redujo a 36008 observaciones luego de aplicar el filtro de Capital Federal. Queda en evidencia que existen numerosos valores faltantes del precio por m2 y la superficie total del inmueble, por lo que decidimos prescindir de ellos utilizando la funcion in.na. De mantenerlos, los siguientes analisis correrian el riesgo de devolver resultados indefinidos.
properati_data_filter1 %>% filter(surface_total_in_m2 != "", !is.na(surface_total_in_m2), price_usd_per_m2 != "", !is.na(price_usd_per_m2))## # A tibble: 29,377 x 9
## created_on operation property_type place_name state_name lat lon
## <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 2017-09-22 sell Residencial Palermo Vie… Capital Fe… -34.6 -58.4
## 2 2012-12-08 sell Residencial Mataderos Capital Fe… -34.7 -58.5
## 3 2013-05-05 sell Residencial Barracas Capital Fe… -34.7 -58.4
## 4 2013-05-24 sell Residencial Paternal Capital Fe… -34.6 -58.5
## 5 2013-05-24 sell Residencial Barracas Capital Fe… -34.6 -58.4
## 6 2013-05-24 sell Residencial Congreso Capital Fe… -34.6 -58.4
## 7 2013-05-27 sell Residencial Villa Real Capital Fe… -34.6 -58.5
## 8 2013-07-03 sell Residencial Villa Urqui… Capital Fe… NA NA
## 9 2013-07-19 sell Comercial Monserrat Capital Fe… -34.6 -58.4
## 10 2013-11-11 sell Residencial Villa Urqui… Capital Fe… -34.6 -58.5
## # ... with 29,367 more rows, and 2 more variables:
## # surface_total_in_m2 <int>, price_usd_per_m2 <dbl>Hagamos un primer grafico para ver la composicion de los datos de superficie y precio por m2. Un histograma nos permitira detectar posibles valores extremos (outliers), los cuales podrian generar una distorsion en los resultados de los analisis.
ggplot(properati_data_filter1) +
geom_histogram(aes(x = price_usd_per_m2))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 6631 rows containing non-finite values (stat_bin).
Como podemos ver, el histograma no solo no sigue una districucion normal, sino que, por el contrario, tienen un sesgo a la derecha siguiendo una distribucion con asimetria positiva. Esto quiere decir que, aunque la media tenga una tendencia al cero, algunas variables (outliers) tienen un comportamiento anormal lo que puede conducir a interpretaciones engañosas del modelo.
Para poder generar la normalidad de los errores mostrados en el histograma previo, es necesario comprobar si una transformacion de las variables no-normales, con la utilizacion de logaritmos, reducen la dispersion original de la serie.
Para esto, continuamos aplicandole logaritmo al precio:
properati_data_filter2 <- mutate(properati_data_filter1, price_usd_per_m2_log=log10(price_usd_per_m2))ggplot(properati_data_filter2) +
geom_histogram(aes(x = price_usd_per_m2_log))## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.## Warning: Removed 6631 rows containing non-finite values (stat_bin).
Perfecto! Ya lo tenemos, podemos ver como los datos se normalizaron y el histograma tiende a una distribucion normal.
Ahora, para continuar, compararemos esta variable con los valores de surface_total_in_m2, para estudiar si existe una relacion entre ambos.
Para esto, ordenemos los valores segun surface_total_in_m2 de mayor a menor, y luego por **price_usd_per_m2*. De esta manera, veremos donde se encuentran los inmuebles para grandes y los mas caros.
head(arrange(properati_data_filter2,desc(surface_total_in_m2)))## # A tibble: 6 x 10
## created_on operation property_type place_name state_name lat lon
## <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 2017-04-27 sell Residencial San Telmo Capital Fe… -34.6 -58.4
## 2 2018-01-18 sell Residencial Parque Chaca… Capital Fe… -34.6 -58.4
## 3 2017-12-17 sell <NA> Parque Avell… Capital Fe… -34.7 -58.5
## 4 2018-01-29 sell Residencial Belgrano Capital Fe… -34.6 -58.5
## 5 2017-11-04 sell Residencial Palermo Holl… Capital Fe… NA NA
## 6 2017-07-19 sell Comercial Villa Soldati Capital Fe… -34.7 -58.4
## # ... with 3 more variables: surface_total_in_m2 <int>,
## # price_usd_per_m2 <dbl>, price_usd_per_m2_log <dbl>head(arrange(properati_data_filter2,desc(price_usd_per_m2)))## # A tibble: 6 x 10
## created_on operation property_type place_name state_name lat lon
## <date> <chr> <chr> <chr> <chr> <dbl> <dbl>
## 1 2017-04-28 sell Residencial Boedo Capital Fed… -34.6 -58.4
## 2 2017-04-28 sell Residencial Boedo Capital Fed… NA NA
## 3 2018-01-31 sell Residencial Flores Capital Fed… -34.6 -58.5
## 4 2017-04-28 sell Residencial Boedo Capital Fed… NA NA
## 5 2017-04-28 sell Residencial Boedo Capital Fed… NA NA
## 6 2017-11-25 sell Residencial Villa Urqui… Capital Fed… -34.6 -58.5
## # ... with 3 more variables: surface_total_in_m2 <int>,
## # price_usd_per_m2 <dbl>, price_usd_per_m2_log <dbl>A continuacion, vemos los tipos de propiedad y las cantidades de cada una que toma una columna (utilizamos $ para vincularlas) una vez filtrados.
table(properati_data_filter1$property_type)##
## Comercial Residencial
## 2266 31458Antes de continuar, para evitar la anotacion cientifica utilizamos scipen.
options(scipen = 999)Utilizando la funcion pipe vemos la relacion entre las variables.
relacion_usd_m2 <- properati_data_filter2 %>%
group_by (surface_total_in_m2) %>%
summarise (por_miles_m2 = sum(price_usd_per_m2/1000))
relacion_usd_m2## # A tibble: 768 x 2
## surface_total_in_m2 por_miles_m2
## <int> <dbl>
## 1 0 NA
## 2 10 210.
## 3 11 NA
## 4 12 125.
## 5 13 91.5
## 6 14 28.4
## 7 15 NA
## 8 16 34.8
## 9 17 NA
## 10 18 92.9
## # ... with 758 more rowsA continuacion realizaremos algunos scatterplots para visualizar la relacion entre estas dos variables. Para graficar esta informacion decidimos realizar un ggplot, con geom_point, dibujando un punto por cada tipo de propiedad en relacion segun su superficie (eje x) y el precio por m2 (eje y).
ggplot (properati_data_filter2) +
geom_point (aes (x=surface_total_in_m2, y = price_usd_per_m2, color =factor (property_type)))## Warning: Removed 6631 rows containing missing values (geom_point).
Probamos tambien realizar un histograma, pero como podremos ver mas adelante, no permite una clara visualizacion de las variables.
ggplot (properati_data_filter2) +
geom_bar (aes (x=surface_total_in_m2, weight=price_usd_per_m2))+
coord_flip()## Warning: Removed 5059 rows containing non-finite values (stat_count).
Ya que hay numerosas observaciones y no es clara la lectura del grafico, probamos entonces realizar un facet_wrap para ver con mayor claridad cada tipo de propiedad de forma separad y analizar su correlacion.
ggplot(properati_data_filter2) +
geom_point(aes(x = surface_total_in_m2, y = price_usd_per_m2, color =factor (property_type))) +
facet_wrap(~property_type) +
labs (title= "Tipo de propiedad y valor de m2", subtitle = "Ciudad de Buenos Aires", y= "Valor del m2 en dolares", x = "Superficie total en m2")## Warning: Removed 6631 rows containing missing values (geom_point).
Como podemos ver en una primera aproximacion, la mayoria de las observaciones median una superficie total de 10m2 a 500m2, y el precio medio por m2 ronda los USD2500.
A continuacion, analizaremos como se relaciona el paso del tiempo con el valor del m2 de un terreno en venta. Como la variable created_on es un texto, debemos transformarla para poder reconocerla como numerica.
properati_data_filter2 <- properati_data_filter2 %>%
mutate (created_on = ymd(created_on))muestra_de_fechas <- properati_data_filter2 %>%
sample_n(5) %>%
pull(created_on)
muestra_de_fechas## [1] "2017-12-21" "2018-01-31" "2018-01-09" "2017-04-13" "2017-12-28"Obtenemos una muestra de los a?os de publicacion de las propiedades en la pagina de Properati.
year(muestra_de_fechas)## [1] 2017 2018 2018 2017 2017Realizamos un scatterplot nuevamente para realizar un histograma de la fecha de creacion.
options(scipen = 20)
ggplot(properati_data_filter2) +
geom_bar(aes(year(created_on))) +
labs (title= "Año de publicacion de la propiedad en venta", subtitle = "Ciudad de Buenos Aires", y= "Cantidad de publicaciones", x = "A?o de publicacion")
Como podemos ver, el dataset esta conformado en su mayoria por observaciones publicadas en el a?o 2017 y 2018. A partir de esta informacion, compararemos esta informacion con el data set de SUACI.
Incorporando datasets de SUACI
En esta etapa, limpiaremos y analizaremos dos datasets del Sistema Unico de Atencion Ciudadana, uno del a?o 2018 y otro del a?o 2017, y los uniremos para podes trabajar con un unico dataset.
En primer lugar, cargamos el dataset del 2018.
reclamos_2018 <- read.csv("sistema-unico-de-atencion-ciudadana-2018.csv")Como mas adelante realizaremos un analisis de datos georreferenciados, obtenemos una muestra de la variable latitud para verificar que esten nominados correctamente.
reclamos_2018 %>%
sample_n(5) %>%
pull(lat)## [1] -34.63240 -34.55385 -34.60509 -34.59884 -34.59989Nuevamente, tranformamos la variable created_on para poder reconocerla como numerica, teniendo en cuenta que esta en formado ymd (a?o, mes, dia).
reclamos_2018 <- reclamos_2018 %>% mutate(fecha_ingreso = ymd(fecha_ingreso))El dataset cuenta con 860.544 observaciones, distribuidas en 19 variables.
dim(reclamos_2018)## [1] 860544 19Con la funci?n names podemos analizar las variables existentes.
names(reclamos_2018)## [1] "contacto" "periodo"
## [3] "categoria" "subcategoria"
## [5] "concepto" "tipo_prestacion"
## [7] "fecha_ingreso" "hora_ingreso"
## [9] "domicilio_cgpc" "domicilio_barrio"
## [11] "domicilio_calle" "domicilio_altura"
## [13] "domicilio_esquina_proxima" "lat"
## [15] "long" "canal"
## [17] "genero" "estado_del_contacto"
## [19] "fecha_cierre_contacto"Filtramos el dataframe para solamente quedarnos con las variables que necesitamos, priorizando las variables categoria, subcategoria y concepto.
reclamos_2018 <- select(reclamos_2018, 3, 4, 5, 6, 7, 10, 14, 15)names(reclamos_2018)## [1] "categoria" "subcategoria" "concepto"
## [4] "tipo_prestacion" "fecha_ingreso" "domicilio_barrio"
## [7] "lat" "long"Repetimos los pasos realizados con el dataset del 2018, en el del 2017. De esta forma, nos aseguramos que coincidan las condiciones de las variables y observaciones.
Agregamos y limpiamos los datos del dataset 2017
reclamos_2017 <- read.csv("sistema-unico-de-atencion-ciudadana-2017.csv", sep = ";")names(reclamos_2017)## [1] "CONTACTO" "PERIODO"
## [3] "CATEGORIA" "SUBCATEGORIA"
## [5] "CONCEPTO" "TIPO_PRESTACION"
## [7] "FECHA_INGRESO" "HORA_INGRESO"
## [9] "DOMICILIO_CGPC" "DOMICILIO_BARRIO"
## [11] "DOMICILIO_CALLE" "DOMICILIO_ALTURA"
## [13] "DOMICILIO_ESQUINA_PROXIMA" "LAT"
## [15] "LONG" "CANAL"
## [17] "GENERO" "ESTADO_DEL_CONTACTO"Tengamos en cuenta que en este dataset, la variable created_on esta en formato dmy (dia, mes, a?o).
reclamos_2017 <- reclamos_2017 %>% mutate(FECHA_INGRESO=dmy(FECHA_INGRESO))Comprobamos nuevamente que coincidan las variables georreferenciadas.
reclamos_2017 %>%
sample_n(5) %>%
pull(LAT)## [1] -34.65675 -34.65019 -34.55883 -34.58362 -34.66159Filtramos para que coincidan las columnas.
reclamos_2017 <- select(reclamos_2017, 3, 4, 5, 6, 7, 10, 14, 15)names(reclamos_2017)## [1] "CATEGORIA" "SUBCATEGORIA" "CONCEPTO"
## [4] "TIPO_PRESTACION" "FECHA_INGRESO" "DOMICILIO_BARRIO"
## [7] "LAT" "LONG"En este caso, es importante renombrar las columnas para que coincida con la nominacion del dataset del 2018, con la herramienta colnames.
colnames(reclamos_2017)<-c("categoria","subcategoria","concepto","tipo_prestacion","fecha_ingreso","domicilio_barrio","lat","long")Vinculando los datos!
Ahora si, una vez transformados los datos de cada dataframe, podemos cruzar las variables con la herramienta rbind, que permite combinar la informacion en las mismas columnas.
reclamos_2017_2018 <- rbind(reclamos_2017, reclamos_2018)El proximo paso ser? buscar un mapa de la ciudad para ver como se muestran los datos espacialmente. Para esto, utilizamos el siguiente dataset de radios censales, colaboracion de Antonio Vazquez Brust.
radios <- st_read("https://bitsandbricks.github.io/data/CABA_rc.geojson")## Reading layer `OGRGeoJSON' from data source `https://bitsandbricks.github.io/data/CABA_rc.geojson' using driver `GeoJSON'
## Simple feature collection with 3554 features and 8 fields
## geometry type: MULTIPOLYGON
## dimension: XY
## bbox: xmin: -58.53092 ymin: -34.70574 xmax: -58.33455 ymax: -34.528
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defssummary(radios)## RADIO_ID BARRIO COMUNA POBLACION
## 1_1_1 : 1 PALERMO : 295 1 : 329 Min. : 0.0
## 1_10_1 : 1 CABALLITO: 215 13 : 305 1st Qu.: 646.2
## 1_10_10: 1 RECOLETA : 198 14 : 295 Median : 786.0
## 1_10_11: 1 BALVANERA: 191 3 : 254 Mean : 813.2
## 1_10_12: 1 FLORES : 183 4 : 252 3rd Qu.: 928.0
## 1_10_13: 1 BELGRANO : 170 7 : 250 Max. :3945.0
## (Other):3548 (Other) :2302 (Other):1869
## VIVIENDAS HOGARES HOGARES_NBI AREA_KM2
## Min. : 0.0 Min. : 0.0 Min. : 0.00 Min. :0.004468
## 1st Qu.: 311.2 1st Qu.: 259.0 1st Qu.: 2.00 1st Qu.:0.018626
## Median : 377.0 Median : 310.0 Median : 6.00 Median :0.035548
## Mean : 401.4 Mean : 323.6 Mean : 19.35 Mean :0.057350
## 3rd Qu.: 462.0 3rd Qu.: 371.0 3rd Qu.: 23.00 3rd Qu.:0.062847
## Max. :1405.0 Max. :1093.0 Max. :403.00 Max. :3.804422
##
## geometry
## MULTIPOLYGON :3554
## epsg:4326 : 0
## +proj=long...: 0
##
##
##
## En el resumen podemos observar los radios censales, los cuales son una porcion del espacio geografico, una fraccion, que estan a su vez contenidas en los departamentos o partidos, el segundo nivel de divisi?n administrativa en Argentina.
Utilizamos la funcion names para ver sus componentes de forma simplificada.
names(radios)## [1] "RADIO_ID" "BARRIO" "COMUNA" "POBLACION" "VIVIENDAS"
## [6] "HOGARES" "HOGARES_NBI" "AREA_KM2" "geometry"barrios_form <- radios %>%
group_by(BARRIO) %>%
summarise(POBLACION = sum(POBLACION),
VIVIENDAS = sum(VIVIENDAS),
HOGARES = sum(HOGARES),
HOGARES_NBI = sum(HOGARES_NBI),
AREA_KM2 = sum(AREA_KM2))Realizamos un ggplot para poder ver la silueta de los radios censales.
ggplot() + geom_sf(data = barrios_form)
Renombramos la variable domicilio_barrio para que coincida con el dataset obtenido previamente reclamos_2017_2018.
names(barrios_form) <- c("domicilio_barrio","POBLACION","VIVIENDA","HOGARES","HOGARES_NBI","AREA_KM2","geometry")names(barrios_form)## [1] "domicilio_barrio" "POBLACION" "VIVIENDA"
## [4] "HOGARES" "HOGARES_NBI" "AREA_KM2"
## [7] "geometry"Ahora que nos coinciden los nombres de las variables en ambos dataset, podemos utilizar la operacion join para poder unirlos, y tener asi una unica base de datos georreferenciada.
reclamos_2017_2018_barrios_form <- barrios_form %>% left_join(reclamos_2017_2018)## Joining, by = "domicilio_barrio"## Warning: Column `domicilio_barrio` joining factors with different levels,
## coercing to character vectorPerfecto! ahora si, continuaremos con el analisis. A continuacion utilizamos la funcion unique para analizar los diferentes valores que toma la variable concepto.
unique(reclamos_2017_2018_barrios_form$concepto)## [1] VEHICULO MAL ESTACIONADO
## [2] REPARACION DE LUMINARIA APAGADA DURANTE LA NOCHE
## [3] RETIRO DE ESCOMBROS / RESTOS DE OBRA
## [4] REPARACION DE SEMAFORO
## [5] RETIRO DE RESTOS DE JARDINERIA DOMICILIARIA
## [6] LIMPIEZA/VACIADO DE CONTENEDOR
## [7] PERSONAL DE EMPRESA DE RECOLECCION REALIZA PEDIDO DE DADIVAS
## [8] SOLICITUD DE RETIRO DE BIENES DEL HOGAR EN DESUSO
## [9] RESTOS DE OBRA EN VEREDA QUE IMPIDEN EL PASO
## [10] REPARACION DE VEREDA
## [11] RETIRO DE RESIDUOS VOLUMINOSOS (MUEBLES Y ELECTRODOMESTICOS)
## [12] VEREDA SUCIA POR MASCOTAS
## [13] INSTALACION/REPARACION DE CESTO PAPELERO
## [14] FALTA DE CARTEL DE PERMISO/AVISO DE OBRA/CONSTRUCCION
## [15] REPARACION DE BACHE
## [16] PODA INTEGRAL / DESPEJE DE LUMINARIA
## [17] REUBICACION DE CONTENEDOR
## [18] VEHICULO OBSTRUYENDO GARAJE
## [19] FALTA DE RECOLECCION DE RESTOS DE PODA DE ARBOLADO PUBLICO
## [20] DESRATIZACION / SANEAMIENTO DE TERRENO BALDIO / CASA ABANDONADA
## [21] CRIADEROS DE MOSQUITOS
## [22] RUIDOS MOLESTOS Y VIBRACIONES
## [23] DESTAPE DE ALCANTARILLA / SUMIDERO
## [24] OCUPACION INDEBIDA POR LOCAL COMERCIAL
## [25] INSTALACION / REPARACION CARTEL INDICADOR DE NOMBRE DE CALLE
## [26] REPARACION / CONSTRUCCION DE CORDON
## [27] REPARACION DE LUMINARIA ENCENDIDA DURANTE EL DIA
## [28] INSTALACION/REPARACION DE CONTENEDOR
## [29] DESRATIZAR, DESINSECTAR Y DESINFECTAR EN VIA PUBLICA
## [30] OBSTRUCCION PEATONAL POR PUESTO DE DIARIO / FLORES
## [31] MEJORA DE BARRIDO
## [32] CONSTRUCCION SIN PERMISO
## [33] RETIRO DE ANIMALES MUERTOS EN VIA PUBLICA
## [34] INCUMPLIMIENTOS A LOS DERECHOS DEL CONSUMIDOR
## [35] EXTRACCION DE ARBOL
## [36] MAYOR PRESENCIA POLICIAL
## [37] MALA ATENCION AL PUBLICO
## [38] IRREGULARIDADES EN LA MANIPULACION DE ALIMENTOS
## [39] ANOMALIAS EN PUESTO DE DIARIOS
## [40] CALLE INUNDADA
## [41] CRUCES PELIGROSOS O CALLES CON INCONVENIENTES VIALES
## [42] CONSTRUCCION DE RAMPA DE ACCESIBILIDAD
## [43] CONSTRUCCION DE SUMIDERO
## [44] RECOLECCION DE RESIDUOS FUERA DEL CONTENEDOR
## [45] ESTABLECIMIENTO SIN HABILITACION CON VENTA / ELABORACION DE ALIMENTOS
## [46] PLANTACION DE ARBOL
## [47] FALTA DE HIGIENE EN LOCAL CON VENTA / ELABORACION DE ALIMENTOS
## [48] ALIMENTOS EN MALAS CONDICIONES
## [49] INCONVENIENTES CON ECOBICIS
## [50] PROBLEMAS CON INTERVENCIONES DE ARBOLADO
## [51] REPARACION DE BOCA DE REGISTRO PLUVIAL ROTA / FALTANTE
## [52] INSTALACION DE CAMPANA VERDE
## [53] MALOS OLORES / HUMOS / GASES TOXICOS
## [54] INCUMPLIMIENTO DE LA LEY ANTITABACO
## [55] OBRA/CONSTRUCCION SIN PROTECCION A EDIFICIOS LINDEROS/VIA PUBLICA
## [56] ESTABLECIMIENTO SIN HABILITACION
## [57] REPARACION DE POSTE DE CABLEADO CON RIESGO DE CAIDA
## [58] LIMPIEZA DE CALZADA EN TUNELES Y VIADUCTOS
## [59] REPARACION DE LUMINARIA POR ARTEFACTO ROTO / FALTANTE
## [60] ESTABLECIMIENTO QUE EXCEDE CAPACIDAD PERMITIDA
## [61] REMOCION DE VEHICULO / AUTO ABANDONADO
## [62] PROBLEMAS CON OBRAS DE BACHEO
## [63] INSTALACION DE SEÑAL DE TRANSITO
## [64] ARBOL CON ENFERMEDADES/PLAGAS
## [65] MAYOR ILUMINACION EN CALLE / PLAZA
## [66] INCONVENIENTES OCASIONADOS DURANTE LA CONSTRUCCION DE NUEVOS PASOS BAJO NIVEL
## [67] VACIADO DE CAMPANA VERDE
## [68] INCONVENIENTES OCASIONADOS POR OBRAS DE NIVELACION EN MICRO - MACRO CENTRO
## [69] TRASLADO DE PARADA DE COLECTIVOS
## [70] NIVELACION DE TAPA DE EMPRESA DE SERVICIOS PUBLICOS
## [71] CERRAMIENTO CLANDESTINO DE PATIO Y BALCON
## [72] REPARACION DE LOMO DE BURRO
## [73] REPARACION DE RAMPA DE ACCESIBILIDAD
## [74] INSTALACION DE PARADA DE COLECTIVOS
## [75] REPARACION DE PARADA DE COLECTIVOS
## [76] REPARACION DE CABLE DE ALUMBRADO CORTADO / CAIDO
## [77] LIMPIEZA/VACIADO DE CESTO PAPELERO
## [78] REPINTADO / REPARACION DE MARCA VIAL EN CALLE O CORDON
## [79] REPARACION DE REFUGIO DE COLECTIVO
## [80] REPARACION DE ELEMENTOS EN TUNELES / PUENTES
## [81] REMOCION DE VOLQUETE ABANDONADO O MAL DISPUESTO
## [82] INCONVENIENTES PARA EL ESTACIONAMIENTO DE BICICLETAS EN GARAJES
## [83] INSTALACIONES IRREGULARES O ANTIRREGLAMENTARIAS
## [84] IRREGULARIDADES EN EL MANTENIMIENTO Y SEGURIDAD DE ASCENSORES/ESCALERAS MECANICAS/MONTACARGAS
## [85] OCUPACION INDEBIDA POR MANTERO / VENDEDOR AMBULANTE
## [86] VENTA / EXHIBICION NO PERMITIDA DE BEBIDAS ALCOHOLICAS
## [87] DESOBSTRUCCION (VACTOR)
## [88] INCONVENIENTES EN BICISENDAS
## [89] MEJORA EN LOS PROCESOS DE TRAMITES
## [90] FALTA DE CAPACITACION DE LOS EMPLEADOS
## [91] LIMPIEZA E HIGIENIZACION DE ESPACIOS PUBLICOS POR ASENTAMIENTOS PRECARIOS
## [92] INSTALACION DE REFUGIO DE COLECTIVOS
## [93] ACCESO A LA INFORMACION PUBLICA
## [94] REPARACION DE TAPA FALTANTE / DETERIORADA EN COLUMNA DE ALUMBRADO
## [95] PANTALLA PUBLICITARIA EN VIA PUBLICA
## [96] PROBLEMAS CON PERSONAL POLICIAL
## [97] REPARACION DE CESTOS EN PARQUE / PLAZA
## [98] ACTIVIDAD DE BAILE EFECTUADA SIN PERMISO
## [99] LIMPIEZA DE CAMPANA VERDE
## [100] OBSTRUCCION PEATONAL POR ANCLAJES EN VEREDA
## [101] REPARACION DE RELOJ PUBLICO
## [102] HIGIENE DEFICIENTE EN ESTABLECIMIENTOS
## [103] LIMPIEZA / HIGIENIZACION DE ESPACIOS PUBLICOS POR ASENTAMIENTOS PRECARIOS
## [104] REUBICACION DE CESTO PAPELERO
## [105] IRREGULARIDADES EN LOS MEDIOS DE PREVENCION CONTRA INCENDIOS/ACCIDENTES
## [106] MARQUESINA / TOLDO / ANUNCIO PUBLICITARIO EN MAL ESTADO
## [107] PERSONAL DE EMPRESA DE RECOLECCION CON CONDUCTAS INDEBIDAS
## [108] FALTA DE HIGIENE EN BAÑOS
## [109] REPARACION DE CUNETA
## [110] REPARACION DE SEÑALES DE TRANSITO
## [111] DERRAME DE LIQUIDOS PELIGROSOS / INDUSTRIALES
## [112] RECITAL/SHOW EN VIVO SIN PERMISO
## [113] REPARACION DE CAMPANA VERDE
## [114] IRREGULARIDADES EN LA CALIDAD DE AGUA DE NATATORIOS
## [115] REPARACION DE PATIO DE JUEGOS EN PARQUE / PLAZA
## [116] RETIRO DE AFICHES Y/O PASACALLES
## [117] IRREGULARIDADES EN FERIA ITINERANTE DE ABASTECIMIENTO BARRIAL
## [118] REPARACION DE REJILLA DE SUMIDERO ROTA / FALTANTE
## [119] IRREGULARIDADES EN LA VENTA/ALMACENAMIENTO DE PIROTECNIA
## [120] CORTE Y LIMPIEZA DE CESPED EN PARQUE / PLAZA
## [121] ALTURA ANTIRREGLAMENTARIA EN OBRAS Y CONSTRUCCIONES
## [122] CASA / TERRENO ABANDONADO
## [123] FUNCIONAMIENTO/ MANTENIMIENTO DE MOLINETES - SUBTE
## [124] DEMORAS - SUBTE
## [125] FUNCIONAMIENTO/ MANTENIMIENTO DE ESCALERAS MECANICAS - SUBTE
## [126] FUNCIONAMIENTO/ MANTENIMIENTO DE COCHES - SUBTE
## [127] EMANACIONES / HUMO NEGRO PRODUCIDOS POR COLECTIVOS
## [128] ASCENSORES FUERA DE SERVICIO DURANTE TRAMITE
## [129] FALTA DE CONSERVACION DE FACHADA/BALCON
## [130] CAMIONES / CARROS RECUPERADORES QUE INTERRUMPEN EL TRANSITO
## [131] RADIACIONES NO IONIZANTES Y ANTENAS DE TELEFONIA CELULAR
## [132] ALMACENAMIENTO DE MATERIALES EN VIA PUBLICA
## [133] INCONVENIENTES CON EL PERSONAL - SUBTE
## [134] INCONVENIENTES CON EL SERVICIO EN CENTRO DE ATENCION AL PASAJERO / CENTROS SUBTEPASS - SUBTE
## [135] IRREGULARIDADES VINCULADAS AL REGIMEN DE ACEITES VEGETALES USADOS
## [136] REPARACION DE TOMA DE ENERGIA DE ALUMBRADO PUBLICO
## [137] FELICITACIONES - INSTALACIONES, SERVICIOS Y PERSONAL - SUBTE
## [138] IRREGULARIDADES EN LA MANIPULACION DE RESIDUOS PELIGROSOS
## [139] FALTA DE ELEMENTOS DE SEGURIDAD ESTRUCTURAL EN OBRA/CONSTRUCCION
## [140] TRASCENDENCIA DE CALOR DESDE INSTALACIONES FIJAS COMERCIALES / INDUSTRIALES HACIA INMUEBLES LINDEROS
## [141] INFRAESTRUCTURA DE ESTACIONES - SUBTE
## [142] IRREGULARIDADES EN EL MANTENIMIENTO DE TANQUES DE AGUA
## [143] FUNCIONAMIENTO/ MANTENIMIENTO DE ASCENSORES - SUBTE
## [144] CASA / TERRENO OCUPADO ILEGITIMAMENTE
## [145] DISTURBIOS - SUBTE
## [146] TAXIS: TARIFA MAL COBRADA
## [147] DEFICIENCIAS EN TAREAS DE GUARDIAN DE PLAZA
## [148] INCUMPLIMIENTO DE SEPARACION DE RESIDUOS EN ORIGEN
## [149] CAMION DE RECOLECCION QUE INCUMPLE NORMAS DE TRANSITO
## [150] INTERRUPCIONES - SUBTE
## [151] OCUPACION INDEBIDA DEL ESPACIO PUBLICO POR RECUPERADORES
## [152] ASENTAMIENTO DE RECUPERADORES URBANOS EN ESPACIO PUBLICO
## [153] DESAGOTE DE POZO CIEGO (ATMOSFERICO)
## [154] REPORTAR MALA ATENCION / INFORMACION EN TRAMITE DE LICENCIAS DE CONDUCIR
## [155] LIMPIEZA - SUBTE
## [156] LIMPIEZA DE ARTEFACTO DE ALUMBRADO
## [157] MEDIOS DE PAGO - SUBTE
## [158] OCUPACION INDEBIDA POR FERIAS
## [159] INCONVENIENTES CON MASCOTAS EN EL SUBTE
## [160] FELICITACION / AGRADECIMIENTO
## [161] FALTA U OBSTRUCCION DE SALIDAS DE EMERGENCIA
## [162] BAJA TARJETA EN TODO ESTAS VOS
## [163] TAXIS: IRREGULARIDADES EN CARTELERIA
## [164] MAPAS Y CARTELES DE ORIENTACION EN ESTACIONES Y/O ACCESOS - SUBTE
## [165] REPARACION DE CARTEL INDICADOR DE VELOCIDAD ONDA VERDE
## [166] FIJACION DE AFICHES EN LUGARES NO PERMITIDOS
## [167] WIFI - SUBTE
## [168] INSCRIPCION COMO MULTIPLICADOR VOLUNTARIO DE SALUD
## [169] REPARACION DE FUENTES EN PARQUE / PLAZA
## [170] INTOXICACION / ENFERMEDAD POR ALIMENTOS / BEBIDAS EN MAL ESTADO
## [171] DESEMPEÑO DE EFECTIVOS DE SEGURIDAD - SUBTE
## [172] INCUMPLIMIENTO DE CODIGO DE PLANEAMIENTO URBANO
## [173] PROBLEMAS CON SERVICIOS ASOCIADOS A TARJETA EN TODO ESTAS VOS
## [174] REGISTRO DE OBRAS Y CATASTRO
## [175] TAXIS: VERIFICACION DE HABILITACION
## [176] FALTA DE ACCESIBILIDAD / SANITARIOS PARA PERSONAS CON DISCAPACIDAD DURANTE TRAMITE
## [177] VEHICULO DE FANTASIA CONDUCIDO IMPRUDENTEMENTE
## [178] MEJORA DE CONDICIONES EDILICIAS EN SEDE DE TRAMITE DE LICENCIAS DE CONDUCIR
## [179] PASES Y ABONOS - SUBTE
## [180] TERMINALES DE AUTOCONSULTA -SUBTE
## [181] IRREGULARIDADES EN ESTABLECIMIENTOS DE TINTORERIAS / LAVADEROS INDUSTRIALES
## [182] SUPERMERCADO, HIPERMERCADO O AUTOSERVICIO QUE ENTREGA BOLSAS NO REUTILIZABLES
## [183] ALTAS - BAJAS TEMPERATURAS - SUBTE
## [184] INCONVENIENTES EN CURSO / EXAMEN EN TRAMITE DE LICENCIA DE CONDUCIR
## [185] RECOLECCION DE RESIDUOS SECOS EN GRAN GENERADOR
## [186] VEHICULO CON PATENTE TAPADA / ILEGIBLE / FALTANTE
## [187] ELEMENTOS PARA URGENCIAS Y/O EMERGENCIAS - SUBTE
## [188] FALTA DE RAMPAS DE ACCESO PARA PERSONAS CON DISCAPACIDAD MOTRIZ
## [189] INSTALACION DE REJAS EN PARQUE / PLAZA
## [190] REPARACION DE REJAS EN ESQUINA
## [191] ACCESOS CERRADOS - SUBTE
## [192] REPARACION DE BANCO EN PARQUE / PLAZA
## [193] ROBOS O ILICITOS - SUBTE
## [194] MEJORA DE CONDICIONES EDILICIAS
## [195] VEHÍCULO MAL ESTACIONADO
## [196] SOLICITUD DE PAGO VOLUNTARIO DE INFRACCIONES
## [197] SOLICITUD DE PARTIDAS
## [198] REPARACIÓN DE LUMINARIA APAGADA DURANTE LA NOCHE
## [199] REPARACIÓN DE VEREDA
## [200] RETIRO DE RESIDUOS VOLUMINOSOS (MUEBLES Y ELECTRODOMÉSTICOS)
## [201] REUBICACIÓN DE CONTENEDOR
## [202] INCONVENIENTES CON ECOBICI
## [203] INSTALACIÓN/REPARACIÓN DE CONTENEDOR
## [204] RECOLECCIÓN DE RESIDUOS FUERA DEL CONTENEDOR
## [205] DESRATIZAR, DESINSECTAR Y DESINFECTAR EN VÍA PÚBLICA
## [206] CONSULTA TÉCNICA SOBRE TRAMITES DE INSCRIPCIÓN EN EL REGISTRO DE ACTIVIDADES CATALOGADAS COMO POTENCIALMENTE CONTAMINANTES POR RUIDOS Y VIBRACIONES (RAC)
## [207] PODA DE ÁRBOL/DESPEJE DE LUMINARIA O SEMÁFORO
## [208] CRUCE PELIGROSO O CALLE CON INCONVENIENTES VIALES
## [209] REPARACIÓN DE SEÑAL DE TRÁNSITO
## [210] INSTALACIÓN DE CAMPANA VERDE
## [211] INSTALACIÓN DE PARADA DE COLECTIVO
## [212] OBRA/CONSTRUCCIÓN SIN PROTECCIÓN A EDIFICIOS LINDEROS/VÍA PÚBLICA
## [213] REPARACIÓN DE RAMPA DE ACCESIBILIDAD
## [214] REPARACIÓN DE BACHE
## [215] VEHÍCULO OBSTRUYENDO GARAJE
## [216] DUPLICADO LICENCIA CONDUCIR
## [217] FALTA DE ELEMENTOS DE SEGURIDAD ESTRUCTURAL EN OBRA/CONSTRUCCIÓN
## [218] REMOCIÓN DE VEHÍCULO / AUTO ABANDONADO
## [219] MAYOR ILUMINACIÓN EN CALLE / PLAZA
## [220] FALTA DE CONSERVACIÓN DE FACHADA/BALCÓN
## [221] ÁRBOL CON ENFERMEDADES/PLAGAS
## [222] REPARACIÓN DE PARADA DE COLECTIVO
## [223] ESTABLECIMIENTO SIN HABILITACIÓN
## [224] RETIRO DE RESTOS DE JARDINERÍA DOMICILIARIA
## [225] NIVELACIÓN DE TAPA DE EMPRESA DE SERVICIOS PÚBLICOS
## [226] MALOS OLORES / HUMOS / GASES TÓXICOS
## [227] OCUPACIÓN INDEBIDA POR LOCAL COMERCIAL
## [228] CONSTRUCCIÓN SIN PERMISO
## [229] REPARACIÓN DE LUMINARIA ENCENDIDA DURANTE EL DÍA
## [230] FALTA DE RECOLECCIÓN DE RESTOS DE PODA DE ARBOLADO PÚBLICO
## [231] OCUPACIÓN INDEBIDA POR MANTERO / VENDEDOR AMBULANTE
## [232] SOLICITUD DE PERMISO PARA LA CIRCULACION EN EL MICROCENTRO
## [233] FALTA DE HIGIENE EN LOCAL CON VENTA / ELABORACIÓN DE ALIMENTOS
## [234] ESTABLECIMIENTO SIN HABILITACIÓN CON VENTA / ELABORACIÓN DE ALIMENTOS
## [235] LIMPIEZA / HIGIENIZACIÓN DE ESPACIOS PÚBLICOS POR ASENTAMIENTOS PRECARIOS
## [236] PERSONAL DE EMPRESA DE RECOLECCIÓN REALIZA PEDIDO DE DÁDIVAS
## [237] INSTALACIÓN/REPARACIÓN DE CESTO PAPELERO
## [238] EXTRACCIÓN DE ÁRBOL
## [239] REPARACIÓN DE BOCA DE REGISTRO PLUVIAL ROTA / FALTANTE
## [240] DESRATIZACIÓN / SANEAMIENTO DE TERRENO BALDÍO / CASA ABANDONADA
## [241] CONSULTA DE ESTADO DE EXPEDIENTE ANTE LA AGENCIA DE PROTECCIÓN AMBIENTAL.
## [242] REPARACIÓN DE SEMÁFORO
## [243] TAXI: MAL FUNCIONAMIENTO DE LA APP BA TAXI
## [244] IRREGULARIDADES EN LA MANIPULACIÓN DE ALIMENTOS
## [245] IRREGULARIDADES EN EL MANTENIMIENTO Y SEGURIDAD DE ASCENSORES/ESCALERAS MECÁNICAS/MONTACARGAS
## [246] OBSTRUCCIÓN PEATONAL POR PUESTO DE DIARIO / FLORES
## [247] ASENTAMIENTO DE RECUPERADORES URBANOS EN ESPACIO PÚBLICO
## [248] ALMACENAMIENTO DE MATERIALES EN VÍA PÚBLICA
## [249] IRREGULARIDADES EN LA MANIPULACIÓN DE RESIDUOS PELIGROSOS
## [250] REPARACIÓN DE REJILLA DE SUMIDERO ROTA / FALTANTE
## [251] CASA / TERRENO OCUPADO ILEGÍTIMAMENTE
## [252] RECUPERADOR URBANO ACOPIANDO RESIDUOS EN ZONA NO PREVISTA
## [253] REPARACIÓN DE BICISENDA
## [254] RETIRO DE ANIMALES MUERTOS EN VÍA PÚBLICA
## [255] TAXI: IMPOSIBILIDAD DE PAGO A TRAVÉS DE LA APP BA TAXI
## [256] ACCESO A LA INFORMACIÓN PÚBLICA
## [257] PLANTACIÓN DE ÁRBOL
## [258] REPINTADO / REPARACIÓN DE MARCA VIAL EN CALLE O CORDÓN
## [259] IRREGULARIDADES EN LOS MEDIOS DE PREVENCIÓN CONTRA INCENDIOS/ACCIDENTES
## [260] FALTA DE CARTEL DE PERMISO/AVISO DE OBRA/CONSTRUCCIÓN
## [261] CUIDACOCHES (TRAPITOS)
## [262] REPARACIÓN / CONSTRUCCIÓN DE CORDÓN
## [263] FELICITACIÓN / AGRADECIMIENTO
## [264] REPARACIÓN DE LUMINARIA POR ARTEFACTO ROTO / FALTANTE
## [265] REPARACIÓN DE ELEMENTOS EN TÚNELES / PUENTES
## [266] PERSONAL DE EMPRESA DE RECOLECCIÓN CON CONDUCTAS INDEBIDAS
## [267] REPARACIÓN DE TOMA DE ENERGÍA DE ALUMBRADO PÚBLICO
## [268] REPARACIÓN DE PATIO DE JUEGOS EN PARQUE / PLAZA
## [269] SOLICITUD DE TARJETA CONTROL PARA EL ESTACIONAMIENTO MOMENTANEO
## [270] REPARACIÓN DE CAMPANA VERDE
## [271] DONACIÓN DE BIENES DEL HOGAR EN DESUSO
## [272] CONSULTA TÉCNICA SOBRE TRÁMITE DE REGISTRO DE RESIDUOS PELIGROSOS, PATOGÉNICOS, ASBESTOS Y ACEITES VEGETALES USADOS COMERCIALES
## [273] REPARACIÓN DE POSTE DE CABLEADO CON RIESGO DE CAÍDA
## [274] INSTALACIÓN / REPARACIÓN CARTEL INDICADOR DE NOMBRE DE CALLE
## [275] VENTA / EXHIBICIÓN NO PERMITIDA DE BEBIDAS ALCOHÓLICAS
## [276] ANOMALÍAS EN PUESTO DE DIARIOS
## [277] TAXI: PROBLEMAS DURANTE EL VIAJE
## [278] INCUMPLIMIENTO DE SEPARACIÓN DE RESIDUOS EN ORIGEN
## [279] FALTA U OBSTRUCCIÓN DE SALIDAS DE EMERGENCIA
## [280] REMOCIÓN DE VOLQUETE ABANDONADO O MAL DISPUESTO
## [281] INTOXICACIÓN / ENFERMEDAD POR ALIMENTOS / BEBIDAS EN MAL ESTADO
## [282] CONSTRUCCIÓN DE RAMPA DE ACCESIBILIDAD
## [283] REPARACIÓN DE CUNETA
## [284] PROBLEMAS CON EL SERVICIO BA WIFI
## [285] INCONVENIENTES EN CURSO / EXÁMEN EN TRÁMITE DE LICENCIA DE CONDUCIR
## [286] REPARACIÓN/NIVELACIÓN DE TAPA DE EMPRESA DE SERVICIO PÚBLICO EN VEREDA
## [287] REPARACIÓN DE LOMO DE BURRO
## [288] REUBICACIÓN DE CESTO PAPELERO
## [289] HIGIENIZACIÓN, DESRATIZACIÓN, SANEAMIENTO DE TERRENO BALDÍO/CASA ABANDONADA.
## [290] REPARACIÓN/NIVELACIÓN DE TAPA DE EMPRESA DE SERVICIO PÚBLICO EN CALLE
## [291] CORTE Y LIMPIEZA DE CÉSPED EN PARQUE / PLAZA
## [292] CONSULTA TÉCNICA SOBRE TRÁMITE DE REGISTRO DE EMISIONES DE FUENTES FIJAS (REF) - PERMISOS DE VUELCOS DE EFLUENTES LÍQUIDOS
## [293] LIMPIEZA DE CALZADA EN TÚNELES Y VÍADUCTOS
## [294] CERRAMIENTO CLANDESTINO DE PATIO Y BALCÓN
## [295] REPARACIÓN DE CABLE DE ALUMBRADO CORTADO / CAÍDO
## [296] DERRAME DE LÍQUIDOS PELIGROSOS / INDUSTRIALES
## [297] OCUPACIÓN INDEBIDA POR FERIAS
## [298] OBSTRUCCIÓN PEATONAL POR ANCLAJES EN VEREDA
## [299] INCONVENIENTES CON INTEGRANTES DE LA POLICÍA DE LA CIUDAD
## [300] CONSULTA TÉCNICA SOBRE TRÁMITE DE CERTIFICADO DE APTITUD AMBIENTAL - LAVADEROS - ANTENAS.
## [301] VENTA AMBULANTE - SUBTE
## [302] TAXI: OBJETOS PERDIDOS EN VIAJE
## [303] REPARACIÓN DE REJAS EN ESQUINA
## [304] TAXI: TARIFA MAL COBRADA
## [305] RECOLECCIÓN DE RESIDUOS SECOS EN GRAN GENERADOR
## [306] DISPONIBILIDAD DE CAMBIO EN BOLETERÍAS - SUBTE
## [307] SISTEMA DE AUDIO EN COCHES Y ESTACIONES - SUBTE
## [308] FALTA DE INFORMACIÓN SOBRE UN TRÁMITE
## [309] PANTALLA PUBLICITARIA EN VÍA PÚBLICA
## [310] CAMIONES / CARROS RECUPERADORES QUE INTERRUMPEN EL TRÁNSITO
## [311] IRREGULARIDADES VINCULADAS AL RÉGIMEN DE ACEITES VEGETALES USADOS
## [312] DESTAPE DE SUMIDERO/ALCANTARILLA O BOCA DE REGISTRO PLUVIAL
## [313] INTERVENCIÓN POR CALLE ANEGADA/INUNDADA
## [314] REPARACIÓN DE BANCO EN PARQUE / PLAZA
## [315] REPARACIÓN DE TAPA FALTANTE / DETERIORADA EN COLUMNA DE ALUMBRADO
## [316] REPORTAR MALA ATENCIÓN / INFORMACIÓN EN TRÁMITE DE LICENCIAS DE CONDUCIR
## [317] ABONOS DE DESCUENTO POR VOLUMEN - SUBTE
## [318] CONSTRUCCIÓN DE SUMIDERO/ALCANTARILLA O BOCA DE REGISTRO PLUVIAL
## [319] IRREGULARIDADES EN ESTABLECIMIENTOS DE TINTORERÍAS / LAVADEROS INDUSTRIALES
## [320] RADIACIONES NO IONIZANTES Y ANTENAS DE TELEFONÍA CELULAR
## [321] FALTA DE SEÑALIZACIÓN DE SALIDAS DE EMERGENCIA
## [322] FILTRACIONES - SUBTE
## [323] INSTALACION DE CESTOS EN PARQUE / PLAZA
## [324] INCONVENIENTES OCASIONADOS DURANTE LA CONSTRUCCION DE LA EXTENSION DE SUBTE-LINEA H
## [325] INSTALACION DE BANCO EN PARQUE / PLAZA
## [326] FELICITACION A AGENTE/S DEL ORGANISMO
## [327] AGRADECIMIENTO A PERSONAL DEL ORGANISMO
## [328] DISPONIBILIDAD DE CAMBIO EN BOLETERIAS - SUBTE
## [329] CAMION RECUPERADOR QUE INTERRUMPE EL TRANSITO
## [330] INFORMACION SOBRE ENFERMEDADES TRANSMITIDAS POR MOSQUITOS
## [331] INCUMPLIMIENTO DE PRECIOS PUBLICADOS EN "PRECIOS CLAROS"
## [332] REPARACION DE REJAS EN PARQUE / PLAZA
## [333] REPARACION DE VEREDA POR RAICES DE ARBOL QUE PRODUCEN ROTURAS
## [334] INCUMPLIMIENTO DE NORMAS ANTITABACO EN LOCAL CON VENTA / ELABORACION DE ALIMENTOS
## [335] REMISE CONDUCIDO IMPRUDENTEMENTE / SIN HABILITACION
## [336] PUBLICIDAD / LOCALES COMERCIALES - SUBTE
## [337] FALTA DE INFORMACION SOBRE UN TRAMITE
## [338] TRANSPORTE ESCOLAR CONDUCIDO IMPRUDENTEMENTE
## [339] FALTA DE SERVICIO DE ASISTENCIA MEDICA EN LOCALES BAILABLES Y EVENTOS MASIVOS
## [340] REPARACION DE MONUMENTO / OBRA DE ARTE EN PARQUE / PLAZA
## [341] MALA SEÑALIZACION DURANTE TRAMITE
## [342] REPARACIÓN DE FUENTES EN PARQUE / PLAZA
## [343] REPARACIÓN DE RELOJ PÚBLICO
## [344] REPARACIÓN DE REJAS EN PARQUE / PLAZA
## [345] INSTALACIÓN DE BANCO EN PARQUE / PLAZA
## [346] FIJACIÓN DE AFICHES EN LUGARES NO PERMITIDOS
## [347] REPARACIÓN DE CESTOS EN PARQUE / PLAZA
## [348] FALTA DE ACCESIBILIDAD / SANITARIOS PARA PERSONAS CON DISCAPACIDAD DURANTE TRÁMITE
## [349] SALAS DE ESPERA INADECUADAS DURANTE TRÁMITE
## [350] INCONVENIENTES CON EL SERVICIO EN CENTRO DE ATENCIÓN AL PASAJERO / CENTROS SUBTEPASS - SUBTE
## [351] CAMIÓN DE RECOLECCIÓN QUE INCUMPLE NORMAS DE TRÁNSITO
## [352] INSTALACIÓN DE CESTOS EN PARQUE / PLAZA
## [353] SERVICIO DE ELECTRICIDAD
## [354] INCONVENIENTES OCASIONADOS DURANTE LA CONSTRUCCION DE OBRAS HIDRAULICAS
## [355] LIMPIEZA EN BORDE COSTERO
## [356] FALTA DE SEÑALIZACION DE SALIDAS DE EMERGENCIA
## [357] IRREGULARIDADES VINCULADAS AL USO DEL COMBUSTIBLE
## [358] CAMION DE RECOLECCION QUE DESPIDE MALOS OLORES / LIQUIDO
## [359] CONSULTA TÉCNICA SOBRE TRÁMITES POR SITIOS CONTAMINADOS
## [360] DESAGOTE DE POZO CIEGO (ATMOSFÉRICO)
## [361] DESOBSTRUCCIÓN (VACTOR)
## [362] MALA CLIMATIZACIÓN DURANTE TRÁMITE
## [363] INSTALACIÓN DE REJAS EN PARQUE / PLAZA
## [364] CAMIÓN DE RECOLECCIÓN QUE DESPIDE MALOS OLORES / LÍQUIDO
## [365] ASCENSORES FUERA DE SERVICIO DURANTE TRÁMITE
## [366] CONSTRUCCIÓN DE SUMIDERO
## [367] INFORMACIÓN SOBRE ENFERMEDADES TRANSMITIDAS POR MOSQUITOS
## [368] REPARACIÓN DE CARTEL INDICADOR DE VELOCIDAD ONDA VERDE
## [369] INCONVENIENTES OCASIONADOS POR OBRAS DE NIVELACIÓN EN MICRO - MACRO CENTRO
## [370] REPARACIÓN DE MONUMENTO / OBRA DE ARTE EN PARQUE / PLAZA
## [371] CAMIÓN RECUPERADOR QUE INTERRUMPE EL TRÁNSITO
## [372] INCONVENIENTES OCASIONADOS DURANTE LA CONSTRUCCIÓN DE NUEVOS PASOS BAJO NIVEL
## [373] TAXI: VERIFICACIÓN DE HABILITACIÓN
## [374] MALA CLIMATIZACION DURANTE TRAMITE
## [375] CARGA MANUAL DE LA EXISTENCIA DE OTRA CAUSA
## [376] TAXI: IRREGULARIDADES EN CARTELERÍA
## [377] MALA SEÑALIZACIÓN DURANTE TRÁMITE
## [378] FALTA DE CHAPA MURAL CON INFORMACIÓN DEL ESTABLECIMIENTO
## [379] INSTALACION DE FUENTES EN PARQUE / PLAZA
## [380] FALTA DE SILLAS EN SALA DE ESPERA
## [381] MEJORA DE CONDICIONES EDILICIAS EN SEDES COMUNALES
## [382] FALTA DE CHAPA MURAL CON INFORMACION DEL ESTABLECIMIENTO
## [383] MALA ILUMINACIÓN DURANTE TRÁMITE
## [384] INSCRIPCIÓN COMO MULTIPLICADOR VOLUNTARIO DE SALUD
## [385] PROBLEMAS CON COMERCIOS NO ADHERIDOS A TARJETA MAYOR
## [386] MEJORA DE ATENCION AL PUBLICO EN CEMENTERIOS / CREMATORIOS
## [387] CUIDADOR DE CEMENTERIO QUE NO CUMPLE SUS FUNCIONES
## [388] CUIDADOR DE CEMENTERIO QUE REALIZA COBROS INDEBIDOS
## [389] AGENCIA DE REMISES SIN HABILITACION
## [390] FALTA DE MANTENIMIENTO EN ASCENSORES EN CEMENTERIO
## [391] MALA ILUMINACION DURANTE TRAMITE
## [392] MEJORA DE ATENCIÓN AL PÚBLICO EN CEMENTERIOS / CREMATORIOS
## [393] INCONVENIENTES OCASIONADOS DURANTE LA CONSTRUCCIÓN DE OBRAS HIDRÁULICAS
## [394] CERCO DE SEGURIDAD SOBRE HUNDIMIENTO DE CALZADA O VEREDA
## [395] MEJORA EDILICIA EN CEMENTERIOS / CREMATORIOS
## [396] INSTALACIÓN DE FUENTES EN PARQUE / PLAZA
## [397] FALTA DE SERVICIO DE ASISTENCIA MÉDICA EN LOCALES BAILABLES Y EVENTOS MASIVOS
## [398] FALTA DE SERVICIO DE BOMBEROS EN LOCALES BAILABLES Y EVENTOS MASIVOS
## [399] MEJORA DE CONDICIONES EDILICIAS EN SEDE DE TRÁMITE DE LICENCIAS DE CONDUCIR
## [400] MEJORA DE LIMPIEZA EN CEMENTERIOS / CREMATORIOS
## [401] FALTA DE FILTROS PARA MENORES EN COMPUTADORAS DE ACCESO PUBLICO
## [402] VEHICULO DE FANTASIA SIN HABILITACION
## [403] INCONVENIENTES OCASIONADOS DURANTE LA CONSTRUCCIÓN DE LA EXTENSIÓN DE SUBTE-LÍNEA H
## [404] REPARACIÓN DE VEREDA POR RAÍCES DE ÁRBOL QUE PRODUCEN ROTURAS
## [405] USO DE APARATOS QUE PUEDAN CONTENER PCB
## 405 Levels: ABONOS DE DESCUENTO POR VOLUMEN - SUBTE ...Como podemos ver, hay 406 tipos de conceptos!. Para comprobar nuestra hipotesis, solamente tomaremos aquellas observaciones que contengan la palabra reparacion filtrando el dataset con la herramienta str_detect.
reclamos_2017_2018_barrios_form_reparacion<-reclamos_2017_2018_barrios_form%>%
filter(str_detect(concepto,"REPARACION"))ggplot (reclamos_2017_2018_barrios_form_reparacion)+
geom_point (aes (x = lat, y= long, color = factor (domicilio_barrio)),size=0.1)+
labs(title = "Reclamos por reparacion",
subtitle = "Barrios de Ciudad Autónoma de Buenos Aires",
fill = "Barrios")
A PARTIR DE ACA NO FUNCIONA:
Visualizando la revitalizacion
Con nuestros datos, podemos visualizar los trabajos de revitalizacion hechos en la ciudad en los diferentes barrios:
ggplot() +
geom_sf(data = reclamos_2017_2018_barrios_form_reparacion, aes(fill = domicilio_barrio), color = NA)
labs(title = "Medio Ambiente y Reciclado",
subtitle = "Ciudad Autónoma de Buenos Aires",
fill = "Subcategoria")## $title
## [1] "Medio Ambiente y Reciclado"
##
## $subtitle
## [1] "Ciudad Autónoma de Buenos Aires"
##
## $fill
## [1] "Subcategoria"
##
## attr(,"class")
## [1] "labels"_El ggplot no reconoce el data set - reclamos_2017_2018_barrios_form_reparacion - _Cuando cruzamos el data set de reclamos con el de properati utilizando la herramienta left_join se pierden todos los componentes de la variable reclamos y figura NA.
NUESTRA IDEA ERA:
Hipotesis
Asumimos que los barrios que presentan mayor cantidad de reclamos por reparacion fueron atendidos satisfactoriamente, resultando en una revitalizacion de la zona. Este mapa de gradiente remarcaria aquellos barrios con mayor cantidad de reclamos y una revalorizacion de sus propiedades. Al mismo tiempo, cruzariamos esta mapa con los datos de properati y contrastariamos las ventas antes y despues del mejoramiento de la zona. Aquellas zonas que presenten valores mas altos de venta de un anio al otro demostraria procesos de revalorizacion urbana, que pueden influir directa o indirectamente a tendencias de gentrificacion.