###Análisis Geoespacial sobre los Datos de Atención Ciudadana en la CABA, año 2019
atencion <- read.csv("C:/Users/garbarino39/Downloads/sistema-unico-de-atencion-ciudadana-2019.csv", stringsAsFactors = FALSE, encoding = "UTF-8")summary(atencion)## contacto periodo categoria subcategoria
## Length:989629 Min. :201901 Length:989629 Length:989629
## Class :character 1st Qu.:201904 Class :character Class :character
## Mode :character Median :201906 Mode :character Mode :character
## Mean :201906
## 3rd Qu.:201909
## Max. :201912
##
## concepto tipo_prestacion fecha_ingreso hora_ingreso
## Length:989629 Length:989629 Length:989629 Length:989629
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
##
## domicilio_cgpc domicilio_barrio domicilio_calle domicilio_altura
## Length:989629 Length:989629 Length:989629 Min. : 1
## Class :character Class :character Class :character 1st Qu.: 1040
## Mode :character Mode :character Mode :character Median : 2200
## Mean : 2457
## 3rd Qu.: 3483
## Max. :17700
## NA's :123503
## domicilio_esquina_proxima lat long canal
## Length:989629 Min. :-34.70 Min. :-58.53 Length:989629
## Class :character 1st Qu.:-34.63 1st Qu.:-58.48 Class :character
## Mode :character Median :-34.61 Median :-58.45 Mode :character
## Mean :-34.61 Mean :-58.45
## 3rd Qu.:-34.58 3rd Qu.:-58.42
## Max. :-34.53 Max. :-58.34
## NA's :2659 NA's :2659
## genero estado_del_contacto fecha_cierre_contacto
## Length:989629 Length:989629 Length:989629
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.0 v purrr 0.3.4
## v tibble 3.0.1 v dplyr 0.8.5
## v tidyr 1.0.2 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(lubridate)##
## Attaching package: 'lubridate'## The following objects are masked from 'package:dplyr':
##
## intersect, setdiff, union## The following objects are masked from 'package:base':
##
## date, intersect, setdiff, unionPara poder comenzar, ordenamos las fechas :
atencion <- atencion %>% mutate(fecha_ingreso = ymd(fecha_ingreso))###Tomamos cinco casos al azar para ver sus caracteristicas temporales:
set.seed("99")
muestra_de_fechas <- atencion %>%
mutate(fecha_hora = paste(fecha_ingreso, hora_ingreso)) %>%
sample_n(5) %>%
pull(fecha_hora)
muestra_de_fechas## [1] "2019-10-08 06:05:16 p.m." "2019-05-20 11:33:44 a.m."
## [3] "2019-02-27 09:13:43 a.m." "2019-11-06 03:33:01 p.m."
## [5] "2019-03-31 03:53:11 p.m."wday(muestra_de_fechas)## [1] 3 2 4 4 1wday(muestra_de_fechas, label = TRUE)## [1] mar lun mié mié dom
## Levels: dom < lun < mar < mié < jue < vie < sáb###Distibución Mensual
atencion %>%
ggplot() +
geom_bar(aes(x = month(fecha_ingreso, label = TRUE), fill = "red"))+
labs(title = "Distribución mensual de llamados en Atención Ciudadana, 2019",
x = "Mes", y = "Cantidad",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")
atencion_frecuente <- atencion %>%
count(categoria) %>%
top_n(5) %>%
pull(categoria)## Selecting by nPara poder enterder con mayor presicion los llamados, realilzaremos graficos en donde se muestre no solo la distribución mensual, sino tambien, por categorías.
atencion %>%
filter(categoria %in% atencion_frecuente) %>%
ggplot() +
geom_bar(aes(x = month(fecha_ingreso, label = TRUE), fill = categoria)) +
labs(title = "Distribución mensual de llamados en Atención Ciudadana, 2019",
subtitle = "Por categorias",
x = "Mes", y = "Cantidad",
fill = "Categoria",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")+
coord_flip()
atencion %>%
filter(categoria %in% atencion_frecuente) %>%
ggplot() +
geom_bar(aes(x = month(fecha_ingreso, label = TRUE), fill = categoria),
position = "dodge")+
labs(title = "Distribución mensual de llamados en Atención Ciudadana, 2019",
subtitle = "Por categorias",
x = "Mes", y = "Cantidad",
fill = "Categoria",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")
##### Conclusión:
1. Con respecto a la distibucion mes, podemos ver que Mayo el el mes que mas llamado recibe, miestras que diciembre es el menor.
2. La distribicion categorica es similar en todos los meses, no hay una variacion pronunciada de ninguna categoria, entendiendo que los problemas mas frecuentes estan relacionados al Transito.
3. La categoria roja es la que representa a los llamados que no tienen un motivo especificado.
###Distibución Diaria
conteo <- atencion %>%
filter(categoria %in% atencion_frecuente) %>%
count(categoria, diasemana = wday(fecha_ingreso, label = TRUE, abbr = FALSE))ggplot(conteo) +
geom_line(aes(x = diasemana, y = n, group = categoria, color = categoria))+
labs(title = "Distribución diaria de llamados en Atención Ciudadana",
subtitle = "Por categorias",
x = "Día", y = "Cantidad",
fill = "Categoria",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")
conteo <- conteo %>%
group_by(categoria) %>%
mutate(pct = n / sum(n) * 100)ggplot(conteo) +
geom_line(aes(x = diasemana, y = pct, group = categoria, color = categoria)) +
labs(title = "Distribución diaria de llamados en Atención Ciudadana",
subtitle = "Por categorias",
x = "Día", y = "Porcentaje",
fill = "Categoria",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")
##### Conclusión:
Revisando las distribiciones diarias se puede ver que los dias Lunes y Miercoles , son los dias en donde hay mas cantidad de llamados. Aun asi, cuando se analiza cada categoría de manera porcentua, se que que el dia pico de la categoría tránsito, ocurre los viernes a disferencia de las demás.
###Distibución Horaria
por_hora <- atencion %>%
filter(categoria %in% atencion_frecuente) %>%
count(categoria, hora_base = hour(hms(hora_ingreso))) %>%
group_by(categoria) %>%
mutate(pct = n / sum(n) *100)ggplot(por_hora) +
geom_line(aes(x = hora_base, y = pct, group = categoria, color = categoria))+
labs(title = "Distribución horaria por tipo de reclamo",
x = "Hora", y = "%",
color = "Llamados más frecuentes", caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana") +
expand_limits(y = 0) +
scale_x_continuous(breaks = 0:23)
##### Conclusión:
Revisando las distribiciones horarias, tanto am como pm, ambas tienen picos de 8 a 10 , miestras que el horaria bajo de recepción de llamados es de 5 a 7 .
###Distibución Geoespacial
###Para poder hacer la representación geoespacial, buscamos un mapa de CABA y sus alrededores
library(ggmap)## Google's Terms of Service: https://cloud.google.com/maps-platform/terms/.## Please cite ggmap if you use it! See citation("ggmap") for details.atencion<- atencion %>%
filter(lat <0, long<0)bbox <- make_bbox(atencion$long, atencion$lat)CABA <- get_stamenmap(bbox = bbox, maptype = "toner-lite", zoom = 12)## Source : http://tile.stamen.com/toner-lite/12/1381/2467.png## Source : http://tile.stamen.com/toner-lite/12/1382/2467.png## Source : http://tile.stamen.com/toner-lite/12/1383/2467.png## Source : http://tile.stamen.com/toner-lite/12/1384/2467.png## Source : http://tile.stamen.com/toner-lite/12/1381/2468.png## Source : http://tile.stamen.com/toner-lite/12/1382/2468.png## Source : http://tile.stamen.com/toner-lite/12/1383/2468.png## Source : http://tile.stamen.com/toner-lite/12/1384/2468.png## Source : http://tile.stamen.com/toner-lite/12/1381/2469.png## Source : http://tile.stamen.com/toner-lite/12/1382/2469.png## Source : http://tile.stamen.com/toner-lite/12/1383/2469.png## Source : http://tile.stamen.com/toner-lite/12/1384/2469.pngggmap(CABA)
### Cruzamos el mapa encontrado, con la base de datos de Atención Ciudadana, año 2019
ggmap(CABA) +
geom_bin2d(data = atencion,
aes(x = long, y = lat)) +
labs(title = "Distribución geoespacial de llamados a Atención Ciudadana",
subtitle = "Año 2019",
x = "Latitud ", y = "Longitud",
fill = "Cantidad",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")
ggmap(CABA) +
geom_bin2d(data = atencion, aes(x = long, y = lat), bins = 100) +
scale_fill_viridis_c() +
labs(title = "Distribución geoespacial de llamados a Atención Ciudadana",
subtitle = "Año 2019",
x = "Latitud ", y = "Longitud",
fill = "Cantidad",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")
##### Para poder visualizar mejor los datos, dejamos el rellano por pixeles y lo pasamos a lineas para podes entender con mayor presición la información
ggmap(CABA) +
geom_density2d(data = atencion, aes(x = long, y = lat, color = stat(level))) +
scale_color_viridis_c() +
labs(title = "Distribución geoespacial de llamados a Atención Ciudadana",
subtitle = "Año 2019",
x = "Latitud ", y = "Longitud",
fill = "Cantidad",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")
Conclusión:
Se puede ver que la mayor consentración de llamado ocurre en el sur de la ciudad, en el area de La Boca, mientras que se ven nodos menores en el corredor norte.
###Distibución Geoespacial diferenciada por categoría
ggmap(CABA) +
geom_point(data = filter(atencion, categoria %in% atencion_frecuente),
aes(x = long, y = lat, color = categoria),
size = 0.1, alpha = 0.1) +
labs(title = "Distribución geoespacial de llamados a Atención Ciudadana",
subtitle = "Año 2019",
x = "Latitud ", y = "Longitud",
fill = "Categoría",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana") +
scale_color_brewer(palette = "Set1") +
facet_wrap(~categoria)
Conclusión:
En este gráfico podemos ver que la cantidad de llamados, sin importar la categoría tiene simales distribuciones espaciales
ggmap(CABA) +
geom_density2d(data = filter(atencion, categoria %in% atencion_frecuente), aes(x = long, y = lat, color = stat(level)))+
labs(title = "Distribución geoespacial de llamados a Atención Ciudadana",
subtitle = "Año 2019",
x = "Latitud ", y = "Longitud",
color = "Nivel",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana") +
scale_color_viridis_c() +
facet_wrap(~categoria)
##### Conclusión:
En estos gráficos podemos ver cómo los llamados en relación al tránsito incrementan en el córdon norte de la ciodad, mintras que en sur de la ciudad se ve una distribución pareja.
###Distibución Geoespacial diferenciada por categoría
atencion1 <- atencion %>%
mutate(dia_semana = wday(fecha_ingreso, label = TRUE))ggmap(CABA) +
geom_point(data = filter(atencion1,
categoria %in% c("TRÁNSITO", "LIMPIEZA Y RECOLECCIÓN")),
aes(x = long, y = lat, color = categoria), alpha = .5, size = .2) +
facet_wrap(~dia_semana)+
labs(title = "Distribución geoespacial de llamados a Atención Ciudadana , 2019",
subtitle = "Categorias: Limpieza y Recolección y Tránsito",
x = "Latitud ", y = "Longitud",
fill = "Categoría",
caption= "Fuente: https://data.buenosaires.gob.ar/dataset/sistema-unico-atencion-ciudadana")