Medellin neighborhood clustering given accidents analytics

Universidad Nacional de Colombia
alcadavidro@unal.edu.co

Universidad Nacional de Colombia
svasquezro@unal.edu.co

Introducción

Este documento hace parte del trabajo del curso de Analítica Predictiva de la Universidad Nacional de Colombia para la Maestría en Ingeniería y Especialización en Analítica. El alcance de este es la agrupación de los barrios de Medellín de acuerdo a su accidentalidad, para esto, se llevara a cabo un análisis exploratorio a nivel de barrios para determinar las variables que mejor se pueden ajustar a un algoritmo de agrupación o clustering. Como resultado, se presentaran los grupos en un mapa y se discutiran las características espaciales de dichos grupos.

Carga de librerias

# Manipulación de datos
library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

library(tidyr)
library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

library(na.tools)
library(factoextra)

## Loading required package: ggplot2

## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa

library(clustertend)

# Análisis geoespacial
library(geosphere)
library(leaflet)

# Visualización
library(ggplot2)

# Formato tablas
library(kableExtra)

## 
## Attaching package: 'kableExtra'

## The following object is masked from 'package:dplyr':
## 
##     group_rows

Carga de datos y vistazo inicial

df <- rbind(
  read.csv('../../data/processed/train_data.csv'), 
  read.csv('../../data/processed/test_data.csv')
  )
kable(head(df)) %>%
  kable_styling(bootstrap_options = "striped", full_width = F) %>%
  scroll_box(width = "100%")

X	DIA	PERIODO	CLASE	DIRECCION	DIRECCION_ENC	CBML	TIPO_GEOCOD	GRAVEDAD	BARRIO	COMUNA	DISENO	DIA_NOMBRE	MES	LONGITUD	LATITUD	FECHA
1	1	2014	choque	cr 63 cl 94	cr 063 094 000 00000		no ubicada	solo danos			tramo de via	miercoles	1	-75.70382	6.221806	2014-01-01 19:00:00
2	1	2014	choque	cl 30 cr 66 b	cl 030 066 b 000 00000	1602	malla vial	solo danos	rosales	belen	interseccion	miercoles	1	-75.58727	6.231716	2014-01-01 07:40:00
3	1	2014	choque	cr 52 cl 97	cr 052 097 000 00000	0402	malla vial	solo danos	san isidro	aranjuez	interseccion	miercoles	1	-75.56253	6.289907	2014-01-01 05:30:00
4	1	2014	choque	tv 78 cl 65	tv 078 065 000 00000	0519	malla vial	solo danos	el progreso	castilla	tramo de via	miercoles	1	-75.57365	6.275473	2014-01-01 13:50:00
5	1	2014	otro	cr 63 cl 50	cr 063 050 000 00000	1101	malla vial	solo danos	carlos e. restrepo	laureles estadio	tramo de via	miercoles	1	-75.57697	6.255457	2014-01-01 07:25:00
6	1	2014	choque	cr 57 cl 51	cr 057 051 000 00000	1006	malla vial	solo danos	san benito	la candelaria	tramo de via	miercoles	1	-75.57481	6.254322	2014-01-01 04:15:00

Vista de los tipos de los datos y características inicales

str(df)

## 'data.frame':    228693 obs. of  17 variables:
##  $ X            : int  1 2 3 4 5 6 7 8 9 10 ...
##  $ DIA          : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ PERIODO      : int  2014 2014 2014 2014 2014 2014 2014 2014 2014 2014 ...
##  $ CLASE        : chr  "choque" "choque" "choque" "choque" ...
##  $ DIRECCION    : chr  "cr 63 cl 94" "cl 30 cr 66 b" "cr 52 cl 97" "tv 78 cl 65" ...
##  $ DIRECCION_ENC: chr  "cr  063   094  000 00000" "cl  030   066 b  000 00000" "cr  052   097  000 00000" "tv  078   065  000 00000" ...
##  $ CBML         : chr  "" "1602" "0402" "0519" ...
##  $ TIPO_GEOCOD  : chr  "no ubicada" "malla vial" "malla vial" "malla vial" ...
##  $ GRAVEDAD     : chr  "solo danos" "solo danos" "solo danos" "solo danos" ...
##  $ BARRIO       : chr  "" "rosales" "san isidro" "el progreso" ...
##  $ COMUNA       : chr  "" "belen" "aranjuez" "castilla" ...
##  $ DISENO       : chr  "tramo de via" "interseccion" "interseccion" "tramo de via" ...
##  $ DIA_NOMBRE   : chr  "miercoles" "miercoles" "miercoles" "miercoles" ...
##  $ MES          : int  1 1 1 1 1 1 1 1 1 1 ...
##  $ LONGITUD     : num  -75.7 -75.6 -75.6 -75.6 -75.6 ...
##  $ LATITUD      : num  6.22 6.23 6.29 6.28 6.26 ...
##  $ FECHA        : chr  "2014-01-01 19:00:00" "2014-01-01 07:40:00" "2014-01-01 05:30:00" "2014-01-01 13:50:00" ...

Transformación de tipos de datos

Inicialmente, se transforman los datos de tipo fecha, ya que son una gran fuente de información al momento de crear nuevas variables, como estadísticos agregados de las clases de accidentes y extracción de características espaciales.

df <- df %>% 
  mutate(
    FECHA=lubridate::as_datetime(FECHA)
    ) %>%
  mutate(
    SEMANA=lubridate::week(FECHA),
    HORA=lubridate::hour(FECHA)
  )

Del análisis exploratorio de datos hecho en Exploratory-Data-Analysis, se evidencia que la mayoría de los registros de colisiones, no se tienen datos del barrio.

df %>%
  group_by(BARRIO) %>% 
  summarise(
    Frecuencia=n(),
    prop=round(n()/nrow(df), 3),
    .groups="drop") %>%
  arrange(desc(Frecuencia), .by_group=T) %>%
  top_n(10) %>%
  kable() %>% kable_styling(bootstrap_options = "striped", position = "left")

## Selecting by prop

BARRIO	Frecuencia	prop
	19766	0.086
la candelaria	5101	0.022
caribe	4436	0.019
campo amor	4147	0.018
perpetuo socorro	4122	0.018
los conquistadores	3756	0.016
barrio colon	3630	0.016
guayaquil	3513	0.015
san benito	3437	0.015
santa fe	3376	0.015

Como se puede observar, 19766 observaciones, que corresponden a casi un 10% de los datos, no tienen barrio asociado. Siendo una cantidad imporante de los datos, se va a proceder a realizar una imputación por distancia acorde a la latitud y longitud de esos registros vs los centroides de estás dos variables de los registros que si poseen información. Antes de proceder, se valida la completitud de las columnas de latitud y longitud de los datos.

rbind(df %>%
        dplyr::select(LATITUD, LONGITUD) %>%
        summarise(
          na_values=sum(is.na(LATITUD)),
          avg=round(mean(LATITUD),5),
          std=round(sd(LATITUD),5),
          min_value=round(min(LATITUD),5),
          max_value=round(max(LATITUD),5),
          .groups="drop"
          ),
      df %>%
        dplyr::select(LATITUD, LONGITUD) %>%
        summarise(
          na_values=sum(is.na(LONGITUD)),
          avg=round(mean(LONGITUD),5),
          std=round(sd(LONGITUD),5),
          min_value=round(min(LONGITUD),5),
          max_value=round(max(LONGITUD),5),
          .groups="drop"
          )
    ) %>%
  t() %>% data.frame() %>%
  rename(LATITUD=X1, LONGITUD=X2) %>%
  kable() %>% kable_styling(bootstrap_options = "striped", position = "left")

	LATITUD	LONGITUD
na_values	0.00000	0.00000
avg	6.24840	-75.58750
std	0.02787	0.03950
min_value	6.15193	-75.70382
max_value	6.34341	-75.47344

Centroides de los barrios conocidos

Como se puede observar, no hay valores extremos o atípicos dentro de la longitud y latitud, al igual que no hay valores nulos por lo que se puede proceder con la estrategia planteada de extraer el centroide de cada barrio de acuerdo a los accidentes, e imputar los valores de los barrios de acuerdo a la cercania del registro del accidente con los centroides de los barrios. Para esto, se usara la distancia de harvesine entre dos puntos.

centroides_barrios <- df %>% 
  dplyr::select(BARRIO, LATITUD, LONGITUD) %>%
  filter(!(BARRIO %in% c("", "0", "6001", "7001", "9004", "", "9086"))) %>%
  group_by(BARRIO) %>%
  summarise(
    n_accidentes=n(),
    lng=median(LONGITUD),
    lat=median(LATITUD),
    .groups="drop_last"
    ) %>%
  arrange(desc(n_accidentes))

centroides_barrios %>% top_n(15, n_accidentes) %>% kable() %>% kable_styling(bootstrap_options = "striped", position = "left")

BARRIO	n_accidentes	lng	lat
la candelaria	5101	-75.56578	6.248704
caribe	4436	-75.57446	6.268025
campo amor	4147	-75.58192	6.214046
perpetuo socorro	4122	-75.57427	6.233385
los conquistadores	3756	-75.58306	6.240020
barrio colon	3630	-75.56921	6.243275
guayaquil	3513	-75.57357	6.246122
san benito	3437	-75.57384	6.253888
santa fe	3376	-75.57825	6.223634
carlos e. restrepo	2987	-75.58015	6.256308
villa nueva	2908	-75.56299	6.253410
terminal de transporte	2906	-75.57280	6.276299
san diego	2860	-75.56941	6.233526
naranjal	2709	-75.58253	6.248620
castilla	2599	-75.57047	6.289639

Vamos a visualizar los centroides de los barrios de acuerdo a los registros de los accidentes..

centroides_barrios %>% 
  leaflet() %>%
  addTiles() %>%
  addMarkers(
    clusterOptions = markerClusterOptions(),
  ) %>% 
  setView(lng = mean(centroides_barrios$lng), lat = mean(centroides_barrios$lat), zoom = 11)

## Assuming "lng" and "lat" are longitude and latitude, respectively

Lo primero que se observa en los centroides de los barrios, es que hay 3 barrios, específicamente los cercanos a san feliz y otros hacia el oriente del área metropolitana que se encuentran muy lejos de la densidad de accidentes. Por otro lado hay otros 14 barrios cercanos a San Antonio de Prado, lo cual ya se encuentra cerca del borde del área metropolitana, con lo cual nos cuestina si es necesario incluir estos barrios.

Ahora teniendo la tabla de referencia de la latitud y la longitud para los barrios conocidos, se usa la fórmula del semiverseno para calcular la distancia espacial entre los centroides de los barrios conocidos y las coordenadas de los registros que no se tiene un barrio. Una vez computada estás distancias, se toma las coordenadas con menor distancia y se asigna ese barrio.

asignacion_barrios <- function(df_barrios, centroides_referencia){
  barrios <- c()
  for (i in 1:nrow(df_barrios)){
    idx <- which.min(distHaversine(
      p1 = df_barrios[i, ],
      p2 = centroides_referencia[,c(3, 4)])
      )
    barrio <- centroides_referencia[idx, 1] %>% unlist(., use.names = F)
    barrios[i] <- barrio
  }
  return(barrios)
}

df_con_barrio <- df %>%
  filter(!(BARRIO %in% c("", "0", "6001", "7001", "9004", "", "9086")))

df_sin_barrio <- df %>%
  filter(BARRIO %in% c("", "0", "6001", "7001", "9004", "", "9086"))

df_lng_lat <- df_sin_barrio %>%
  dplyr::select(LONGITUD, LATITUD)


centroides_barrios <- as.data.frame(centroides_barrios)
df_lng_lat <- as.data.frame(df_lng_lat)

barrios <- asignacion_barrios(df_barrios = df_lng_lat, centroides_referencia = centroides_barrios)

df_sin_barrio$BARRIO <- barrios

# df <- rbind(df_sin_barrio, df_con_barrio)

df_sin_barrio %>%
  group_by(BARRIO) %>% 
  summarise(
    n_records=n(),
    proportion=(n()  / nrow(df_sin_barrio))*100,
    .groups="drop_last"
  ) %>% 
  arrange(desc(n_records)) %>%
  top_n(10) %>% kable() %>% kable_styling(bootstrap_options = "striped", position = "left")

## Selecting by proportion

BARRIO	n_records	proportion
la oculta	19251	97.1046658
la aguacatala	224	1.1298865
suburbano chacaltaya	139	0.7011349
media luna	37	0.1866330
auc1	28	0.1412358
piedras blancas represa	19	0.0958386
alejandro echavarria	12	0.0605296
suburbano el llano	12	0.0605296
eduardo santos	9	0.0453972
los cerros el vergel	8	0.0403531
ocho de marzo	8	0.0403531

La mayoria de las asignaciones corresponde al barrio la oculta (aproximadamente el 97%), el cual es un barrio de San Antonio de Prado. Sin embargo, sería interesante revisar cual es la ubicación promedio de estos registros que se les acaba de imputar el barrio.

coordinates <- df_sin_barrio %>%
  summarise(
    mean_lat=mean(LATITUD),
    mean_lng=mean(LONGITUD),
    max_lat=max(LATITUD),
    max_lng=max(LONGITUD),
    min_lat=min(LATITUD),
    min_lng=min(LONGITUD)
  )

leaflet() %>%
  setView(lng = mean(df_con_barrio$LONGITUD), lat = mean(df_con_barrio$LATITUD), zoom= 11) %>%
  addMarkers(
    lng = coordinates$mean_lng,
    lat = coordinates$mean_lat, 
    label = "Media lat-lng de registros sin barrio", 
    labelOptions = labelOptions(noHide = T, direction = "bottom", textOnly = T, style = list("font-size" = "13px", "font-weight" = "bold"))
    ) %>%
  addTiles()

Como se puede ver, el promedio de la latitudy la longitud es a las afueras de medellín, a las afueras de san antonio de prado, por esto, aproximadamente el 97% de la imputación de los datos, se hace con el barrio la oculta. Por calidad del análisis está imputación está altamente sesgada por la zona de los accidentes, lo cual consideramos innecesario proceder con los barrios imputados con la oculta, con lo que se va a proceder a dejar la imputación para el 3% restante

df <- rbind(
  df_con_barrio, 
  rbind(df_sin_barrio %>% 
          filter(BARRIO=="la oculta") %>% 
          mutate(BARRIO=""),
        df_sin_barrio %>% 
          filter(BARRIO!="la oculta")
  )
)

Centroides de las comunas conocidas

Después del análisis exploratorio de datos, se evidenció que el problema de los barrios se extiende de igual forma a las comunas, pero viendo el mapa anterior donde el promedio de estos registros se encuentran en las afueras del área metropolitana, no es de extrañarse que estos faltantes o registros nulos se refieran al mismo caso. Sin embargo, hubo un porcentaje pequeño que si podía registrarse en el área, como fue el caso del 1.2% del subconjunto de datos (registros sin barrio). Volvemos a repetir los mismos pasos anteriores para hacer imputación, sin embargo, antes vamos a visualizar el promedio de la latitud y longitud y ubicarlo en un mapa.

rbind(df %>%
        group_by(COMUNA) %>%
        summarise(
          n_values = n(),
          .groups = "drop"
        ) %>%
        arrange(n_values) %>% top_n(5),
      df %>%
        group_by(COMUNA) %>%
        summarise(
          n_values = n(),
          .groups = "drop"
        ) %>% 
        arrange(n_values) %>% slice(1:5)) %>%
  kable() %>% kable_styling(bootstrap_options = "striped", position = "left") 

## Selecting by n_values

COMUNA	n_values
el poblado	17149
	19736
castilla	21209
laureles estadio	23850
la candelaria	43715
alejandro echavarria	1
alfonso lopez	1
altavista	1
antonio narino	1
barrio colon	1

coordinates <- df %>%
  filter(COMUNA == "") %>% 
  summarise(
    mean_lat=mean(LATITUD),
    mean_lng=mean(LONGITUD),
    max_lat=max(LATITUD),
    max_lng=max(LONGITUD),
    min_lat=min(LATITUD),
    min_lng=min(LONGITUD)
  )

leaflet() %>%
  setView(lng = mean(df_con_barrio$LONGITUD), lat = mean(df_con_barrio$LATITUD), zoom= 11) %>%
  addMarkers(
    lng = coordinates$mean_lng,
    lat = coordinates$mean_lat, 
    label = "Media lat-lng de registros sin comuna", 
    labelOptions = labelOptions(noHide = T, direction = "bottom", textOnly = T, style = list("font-size" = "13px", "font-weight" = "bold"))
    ) %>%
  addTiles()

Se evidencia la falta de comuna para estos registros y que el centroide de lat-lng es el mismo, debido a que la clusterización se va hacer a nivel de barrio, se va dejar este campo vacio para los registros que no se tienen datos

Clustering de barrios de acuerdo a la accidentalidad

Antes de proceder a realizar el agrupamiento de los barrios en función de la accidentalidad, se debe hacer una exploración rápida de los accidentes en función del tiempo, para validar si el agrupamiento se debe hacer también en función del tiempo, como el año, o sobre todo el conjunto de datos sin discriminar el tiempo.

df %>%
  group_by(PERIODO) %>%
  summarise(
    n_accidentes=n(),
    .groups="drop"
  ) %>%
  ggplot() +
  geom_bar(aes(x=PERIODO, y=n_accidentes), stat = "identity") +
  labs(x="Año", y ="Número de accidentes") +
  ggtitle("Accidentes por año") +
  geom_text(aes(x=PERIODO, y=n_accidentes,label = n_accidentes), vjust=-0.3, size=3.5) +
  theme_classic() +
  theme(plot.title = element_text(hjust = 0.5))

Como se ve en el anterior gráfico, el número de accidentes por año es muy estable a lo largo de los 5 años del análisis.

df %>%
  mutate(MES_COD=month(MES)) %>%
  group_by(PERIODO, MES_COD) %>%
  summarise(
    n_accidentes=n(),
    .groups="drop"
  ) %>%
  ggplot() +
  geom_line(aes(x=MES_COD, y=n_accidentes, colour=factor(PERIODO))) + 
  scale_x_discrete(name ="Mes", limits=factor(1:12)) +
  labs(colour="Año", y="Número accidentes", title="Número de accidentes por año y mes") +
  theme_classic() + 
  theme(plot.title = element_text(hjust = 0.5))

Del análisis de tiempo, se pueden ver algunos patrones por meses, pero por año no se ve ninguna diferenciación a nivel general del conjunto de datos, aunque por meses se pueden ver unos leves patrones de cambios. Ahora vamos a analizar por semana del año, día del mes, de la semana y hora del dia.

df %>%
  group_by(PERIODO, SEMANA) %>%
  summarise(
    n_accidentes=n(),
    .groups="drop"
  ) %>%
  group_by(SEMANA) %>%
  summarise(
    accidentes=sum(n_accidentes),
    promedio_accidentes=mean(n_accidentes, na.rm = T),
    sd_accidentes=sd(n_accidentes, na.rm = T),
    .groups="drop"
  ) %>% 
  ggplot(aes(x=SEMANA, y=promedio_accidentes)) +
  geom_line() +
  geom_point()+
  geom_errorbar(aes(ymin=promedio_accidentes-sd_accidentes, ymax=promedio_accidentes+sd_accidentes), width=.2,
                 position=position_dodge(0.05)) +
  scale_x_discrete(name ="Semana del año", limits=factor(1:53)) +
  theme_classic() + labs(y="Promedio de accidentes") +
  ggtitle("Promedio de accidentes por semana del año") +
  theme(plot.title = element_text(hjust = 0.5))

df %>%
  mutate(DIA_MES=day(FECHA)) %>%
  group_by(PERIODO, DIA_MES) %>%
  summarise(
    n_accidentes=n(),
    .groups="drop"
  ) %>%
  group_by(DIA_MES) %>%
  summarise(
    accidentes=sum(n_accidentes),
    promedio_accidentes=mean(n_accidentes, na.rm = T),
    sd_accidentes=sd(n_accidentes, na.rm = T),
    .groups="drop"
  ) %>% 
  ggplot(aes(x=DIA_MES, y=promedio_accidentes)) +
  geom_line() +
  geom_point()+
  geom_errorbar(aes(ymin=promedio_accidentes-sd_accidentes, ymax=promedio_accidentes+sd_accidentes), width=.2,
                 position=position_dodge(0.05)) +
  scale_x_discrete(name ="Día del mes", limits=factor(1:31)) +
  theme_classic() + labs(y="Promedio de accidentes") +
  ggtitle("Promedio de accidentes por día del mes") +
  theme(plot.title = element_text(hjust = 0.5))

df %>%
  group_by(PERIODO, HORA) %>%
  summarise(
    n_accidentes=n(),
    .groups="drop"
  ) %>%
  group_by(HORA) %>%
  summarise(
    accidentes=sum(n_accidentes),
    promedio_accidentes=mean(n_accidentes, na.rm = T),
    sd_accidentes=sd(n_accidentes, na.rm = T),
    .groups="drop"
  ) %>% 
  ggplot(aes(x=HORA, y=promedio_accidentes)) +
  geom_line() +
  geom_point()+
  geom_errorbar(aes(ymin=promedio_accidentes-sd_accidentes, ymax=promedio_accidentes+sd_accidentes), width=.2,
                 position=position_dodge(0.05)) +
  scale_x_discrete(name ="Hora del día", limits=factor(1:24)) +
  theme_classic() + labs(y="Promedio de accidentes") +
  ggtitle("Promedio de accidentes por hora del día") +
  theme(plot.title = element_text(hjust = 0.5))

df %>%
  group_by(PERIODO, HORA) %>%
  summarise(
    n_accidentes=n(),
    .groups="drop"
  ) %>% 
  ggplot(aes(PERIODO, HORA, fill= n_accidentes)) +
  geom_tile()

Se ve un cambio importante en el patrón de accidentes en el año 2015, el cual por la leyenda de colores, se invierte el comportamiento de los accidentes en la tarde y la mañana, donde se evidenció que a nivel general, se dieron más accidentes en la mañana que en la tarde, veamoslo a nivel de serie.

df %>%
  group_by(PERIODO, HORA) %>%
  summarise(
    n_accidentes=n(),
    .groups="drop"
  ) %>% 
  ggplot() +
  geom_line(aes(x=HORA, y=n_accidentes, colour=factor(PERIODO))) + 
  scale_x_discrete(name ="Hora del día", limits=factor(1:24)) +
  labs(colour="Hora", y="Número accidentes", title="Número de accidentes por año y hora") +
  theme_classic() + 
  theme(plot.title = element_text(hjust = 0.5))

La difrenciación del 2015 respecto al resto de los años amerita hacer una clusterización específica a ver si se encuentran características diferenciadoras respecto a los demás años, el cual se hará máas adelante.

Vale la pena hacer una diferenciación por año y barrio para evaluar si hay cambios de los niveles de accidentalidad por año, para esto, la próxima tabla presenta el total de accidentes rankeados de forma descendente por año, es decir, el #1 se refiere al barrio con mayor accidentalidad en un año específico.

df %>%
  filter(BARRIO != "") %>% 
  group_by(BARRIO, PERIODO) %>% 
  summarise(
    total_accidentes = n(),
    .groups="drop"
  ) %>%
  mutate(PERIODO=paste0("periodo_", PERIODO)) %>%
  pivot_wider(names_from = PERIODO, values_from=total_accidentes) %>%
  mutate(
    periodo_2014=rank(desc(periodo_2014), na.last = T, ties.method = "min"),
    periodo_2015=rank(desc(periodo_2015), na.last = T, ties.method = "min"),
    periodo_2016=rank(desc(periodo_2016), na.last = T, ties.method = "min"),
    periodo_2017=rank(desc(periodo_2017), na.last = T, ties.method = "min"),
    periodo_2018=rank(desc(periodo_2018), na.last = T, ties.method = "min"),
    ) %>%
  arrange(periodo_2018) %>%
  kable() %>% kable_styling(bootstrap_options = c("striped", "hover"), position = "left") %>%
  scroll_box(height = "300px")

BARRIO	periodo_2014	periodo_2015	periodo_2016	periodo_2017	periodo_2018
campo amor	3	8	4	4	1
la candelaria	1	1	1	1	2
caribe	2	2	3	2	3
perpetuo socorro	4	5	2	3	4
barrio colon	8	7	8	5	5
santa fe	9	13	9	6	6
los conquistadores	5	6	5	7	7
cabecera san antonio de prado	91	52	57	16	8
san benito	7	4	7	15	9
villa nueva	11	9	13	14	10
carlos e. restrepo	12	11	10	8	11
san diego	13	12	12	11	12
guayaquil	6	3	6	10	13
castilla	18	20	11	12	14
terminal de transporte	10	14	16	9	15
la alpujarra	125	69	110	25	16
villa carlota	23	24	20	21	17
naranjal	14	10	19	19	18
los colores	30	36	27	18	19
belen	19	16	13	20	20
corazon de jesus	15	15	15	24	21
boston	19	18	17	23	22
el progreso	27	33	29	29	23
jesus nazareno	22	22	26	26	24
manila	31	26	28	27	25
prado	17	21	25	28	26
guayabal	21	19	18	13	27
la aguacatala	26	25	22	17	28
el chagualo	16	17	23	30	29
calle nueva	33	32	32	32	30
el poblado	48	38	46	36	31
rosales	36	35	33	34	32
suramericana	28	27	35	31	33
cristo rey	25	28	21	22	34
laureles	35	30	30	35	35
universidad nacional	24	23	24	33	36
las acacias	29	31	31	38	37
estacion villa	44	55	52	42	38
castropol	72	58	72	49	39
cerro nutibara	98	124	111	69	39
moravia	32	34	37	63	41
sevilla	40	44	50	37	42
campo valdes no. 1	39	39	41	53	43
toscana	117	103	105	62	44
barrio colombia	42	63	42	41	45
manrique central no. 1	47	55	39	73	45
facultad de minas u. nacional	48	40	48	51	47
cuarta brigada	54	54	44	39	48
hector abad gomez	77	91	77	63	49
fatima	51	47	54	51	50
san isidro	84	73	53	48	51
tricentenario	73	77	67	55	52
patio bonito	68	79	80	55	53
universidad de antioquia	86	93	99	45	54
el estadio	34	29	34	46	55
lopez de mesa	68	64	67	89	55
la america	43	57	59	44	57
los angeles	52	37	42	47	58
bombona no. 1	36	41	40	65	59
robledo	75	58	61	43	60
san bernardo	71	67	47	59	60
kennedy	65	74	77	75	62
alfonso lopez	46	43	36	70	63
trinidad	50	47	51	67	63
pedregal	70	77	81	77	65
la florida	81	88	87	74	66
los pinos	44	41	49	50	67
las brisas	62	70	58	58	68
bolivariana	59	75	74	71	69
las granjas	38	47	38	72	69
tenche	73	53	45	80	69
el diamante	57	62	63	61	72
alejandro echavarria	82	91	70	77	73
san pedro	60	71	62	79	73
villa flora	89	75	90	91	75
san german	132	114	111	103	76
santa maria de los angeles	80	80	71	40	76
cucaracho	41	47	65	87	78
la gloria	89	71	56	55	78
miranda	52	45	60	59	78
oleoducto	189	163	205	108	81
lorena	67	60	64	85	82
buenos aires	56	46	66	76	83
manrique oriental	64	67	86	83	84
girardot	57	47	55	67	85
tejelo	102	109	77	102	86
florida nueva	86	98	74	81	87
barrio caicedo	61	65	67	85	88
campo valdes no. 2	63	61	76	100	89
calasanz	78	81	84	89	90
el rincon	84	87	73	66	90
parque juan pablo ii	108	123	83	91	92
berlin	78	82	89	81	93
boyaca	138	129	118	118	93
picacho	93	89	82	91	95
el tesoro	119	136	100	107	96
san miguel	66	83	93	88	96
area de expansion pajarito	96	84	98	84	98
la floresta	86	104	88	96	99
el velodromo	105	97	102	97	100
san martin de porres	112	110	122	109	100
alejandria	162	179	131	110	102
san joaquin	102	100	85	127	102
asomadera no. 1	199	204	199	101	104
aures no. 2	138	114	117	119	104
loreto	104	100	100	94	106
enciso	95	98	105	115	107
las palmas	122	112	118	114	107
san javier no.1	82	96	93	94	109
la esperanza	105	95	90	103	110
sucre	94	90	96	115	111
altamira	55	86	103	99	112
la pilarica	147	146	170	143	112
las lomas no.1	120	118	141	135	112
doce de octubre no.1	115	144	132	144	115
los balsos no.2	111	105	95	53	115
belalcazar	134	131	121	112	117
doce de octubre no.2	101	94	116	123	117
santa ines	100	135	125	149	119
cordoba	129	126	159	127	120
villa hermosa	110	118	126	141	120
la castellana	98	66	109	98	122
campo alegre	126	129	127	115	123
palermo	211	197	178	150	123
cabecera urbana san cristobal	113	108	104	133	125
asomadera no. 2	151	148	148	112	126
la salle	122	111	114	127	126
santander	137	144	123	106	126
el salvador	126	117	105	122	129
aures no.1	147	131	148	130	130
miraflores	92	105	96	145	130
brasilia	131	120	159	131	132
villatina	150	139	135	153	132
el raizal	132	152	127	151	134
los naranjos	141	138	170	135	134
la palma	97	102	90	125	136
manrique central no. 2	105	84	113	105	137
francisco antonio zea	108	105	114	110	138
la milagrosa	126	142	132	139	139
los mangos	129	121	137	138	140
santo domingo savio no. 1	116	133	124	155	140
las playas	135	122	105	121	142
el pinal	117	113	132	126	143
nueva villa de la iguana	154	161	155	148	143
santa margarita	238	233	228	184	145
villa del socorro	152	158	139	162	145
gerona	154	139	129	157	147
granada	157	128	135	146	148
popular	113	139	154	157	149
villa guadalupe	162	175	183	165	149
calasanz parte alta	169	182	129	123	151
los alpes	142	156	141	157	152
el nogal-los almendros	162	143	155	141	153
los alcazares	144	146	148	133	153
simon bolivar	179	133	148	157	153
versalles no. 1	122	114	137	139	156
la colina	138	126	118	119	157
playon de los comuneros	185	177	194	175	158
el pomar	178	157	186	172	159
diego echavarria	146	168	165	132	160
palenque	135	152	148	186	160
santa cruz	159	197	194	181	160
moscu no. 1	166	176	167	187	163
aranjuez	173	148	170	154	164
el danubio	158	189	157	135	165
la pinuela	194	152	177	180	165
las mercedes	179	188	157	166	165
florencia	159	172	180	155	168
bombona no. 2	187	167	167	181	169
las lomas no.2	175	209	192	184	169
loma de los bernal	166	168	145	152	169
santa monica	156	158	141	164	169
las violetas	144	171	162	167	173
barrio de jesus	206	204	197	178	174
granizal	159	177	173	178	174
la libertad	174	166	183	191	174
la mota	182	165	148	147	174
bosques de san pablo	179	155	162	162	178
veinte de julio	147	168	173	172	178
bello horizonte	166	158	202	167	180
cementerio universal	213	215	207	230	180
san pablo	169	148	165	169	180
suburbano la loma	214	204	194	221	183
la pradera	152	172	144	161	184
santa teresita	195	191	191	183	184
astorga	171	183	185	193	186
el castillo	208	187	175	191	187
los balsos no.1	172	172	145	187	187
san lucas	219	241	228	193	189
u.d. atanasio girardot	176	186	175	190	189
altavista	162	163	159	175	191
la mansion	199	193	179	170	191
la rosa	199	203	207	221	191
cataluna	187	179	187	205	194
centro administrativo	192	183	181	171	194
las estancias	197	197	192	197	196
moscu no. 2	193	161	187	172	196
san javier no.2	177	202	167	197	196
el pesebre	233	230	204	202	199
ferrini	189	197	187	207	199
la hondonada	229	230	224	201	199
olaya herrera	222	222	230	200	199
santa lucia	206	189	210	175	199
la francia	189	193	205	193	204
andalucia	202	207	199	197	205
altos del poblado	202	193	162	209	206
las esmeraldas	121	125	147	213	207
cerro el volador	212	241	217	224	208
la frontera	182	209	212	213	208
jardin botanico	210	212	215	202	210
la isla	208	211	210	233	210
villa niza	216	219	237	218	210
los cerros el vergel	182	201	201	219	213
el compromiso	241	268	253	241	214
hospital san vicente de paul	241	226	221	244	215
inst	224	213	209	231	215
la avanzada	256	259	234	237	215
asomadera no. 3	227	233	224	228	218
el rodeo	222	223	232	207	218
pajarito	274	248	245	233	218
parque norte	143	136	139	209	218
belencito	240	217	226	213	222
bermejal-los alamos	205	191	187	213	222
el diamante no. 2	197	179	181	196	224
fuente clara	274	259	232	244	224
nueva villa de aburra	218	220	221	209	224
el salado	221	207	214	223	227
antonio narino	196	193	202	187	228
barrio cristobal	233	220	218	220	229
la esperanza no. 2	233	244	242	237	229
u.p.b.	260	239	249	202	229
santo domingo savio no. 2	215	217	213	224	232
villa liliam	241	236	243	246	232
facultad veterinaria y zootecnia u.de.a.	185	183	197	229	234
lalinde	231	230	221	209	234
area de expansion altos de calasanz	265	244	254	226	236
juan xxiii la quiebra	217	216	237	213	237
monteclaro	252	254	254	233	237
el progreso no.2	225	228	234	205	239
oriente	254	248	245	254	239
picachito	265	271	267	249	239
suburbano mirador del poblado	274	268	286	254	239
piedras blancas	260	237	260	233	243
suburbano travesias	256	276	245	262	243
aldea pablo vi	252	254	249	265	245
betania	229	254	230	239	246
blanquizal	260	248	243	250	246
carpinelo	248	225	237	254	246
el corazon	241	226	245	239	246
la ladera	256	259	254	253	250
plaza de ferias	225	241	215	231	250
la verde	296	295	300	250	252
suburbano chacaltaya	202	213	218	269	252
area de expansion san antonio de prado	274	259	263	274	254
el triunfo	269	281	275	269	255
la cruz	227	248	254	241	255
nuevos conquistadores	238	233	237	262	255
ocho de marzo	269	265	275	265	258
pedregal alto	287	276	274	269	258
suburbano altavista	248	237	263	247	258
yolombo	308	331	303	302	258
altavista sector central	237	223	226	226	262
pablo vi	246	239	249	247	262
suburbano el llano	280	295	300	269	262
trece de noviembre	272	284	266	254	262
auc1	272	271	279	289	266
campo valdes no.2	246	248	259	274	266
la loma oriental	308	288	291	293	266
las independencias	241	247	263	274	266
miravalle	248	259	234	254	266
versalles no. 2	268	274	279	259	266
bombona no.1	233	248	254	309	272
llanaditas	254	284	268	250	272
area de expansion altavista	263	265	268	285	274
el socorro	248	268	260	267	274
media luna	256	284	279	296	276
villa turbay	269	274	271	293	276
aguas frias	231	244	249	259	278
buga patio bonito	280	254	268	279	278
manrique central no.1	287	295	279	279	278
mirador del doce	280	276	279	267	278
suburbano el tesoro	293	276	296	296	278
suburbano palma patio	287	291	286	279	278
eduardo santos	263	259	275	269	284
juan pablo ii	287	280	275	279	284
maria cano carambolas	265	254	260	259	284
piedras blancas represa	274	288	296	302	284
santa rosa de lima	280	291	303	274	284
la loma de los bernal	285	288	279	274	289
metropolitano	293	265	271	285	289
san jose la cima no. 1	287	271	279	279	289
el picacho	308	281	291	289	292
la oculta	300	305	303	289	292
la sierra	296	305	286	296	292
manrique central no.2	285	284	291	285	292
pedregal bajo	219	228	237	264	292
suburbano palmitas	327	300	291	296	292
aures no.2	300	305	303	323	298
moscu no.2	308	300	296	309	298
san jose la cima no.2	274	291	300	296	298
area de expansion belen rincon	300	300	290	309	301
batallon girardot	315	295	296	296	301
corregimiento de santa elena	296	305	315	309	301
el corazon el morro	293	295	291	302	301
el uvito	318	322	317	327	301
el vergel	319	305	318	302	301
santo domingo savio no.1	300	305	327	302	301
suburbano pedregal alto	287	291	271	309	301
versalles no.1	296	305	303	293	301
barrios de jesus	314	305	313	325	310
el plan	317	321	316	326	310
potrerito	300	305	324	309	310
san antonio	280	281	286	302	310
san jose de la montana	326	327	326	309	310
sin nombre	300	300	328	330	310
villa lilliam	300	300	303	309	310
volcana guayabal	331	330	331	331	310
asomadera no.1	308	317	311	321	318
auc2	300	318	312	322	319
cerro el volador	313	319	303	324	320
corregimiento de san antonio de prado	316	320	314	289	321
laureles estadio	320	323	319	279	322
manrique	321	324	320	285	323
moscu no.1	322	305	321	328	324
piedra gorda	323	325	322	309	325
piedras blancas - matasano	324	305	323	329	326
san javier	325	326	325	302	327
suburbano el plan	76	148	218	241	328
suburbano potrerito	328	328	329	309	329
travesias	329	329	330	309	330
versalles no.2	330	305	303	309	331

Lo primero que se observa, es la permanencia de la candelaria y caribe en el top 3 de los barrios con mayor accidentalidad en todos los años de análisis, por lo que puede dar un indicio interesante de que estos barrios pueden pertenecer a los barrios de alta accidentalidad.

df %>%
  filter(PERIODO==2014, DISENO=="") %>%
  mutate(lng=LONGITUD, lat=LATITUD) %>% 
  select(lng, lat) %>% 
  leaflet() %>%
  addTiles() %>%
  addMarkers(
    clusterOptions = markerClusterOptions(),
  )

Calculo de variables para agrupamiento de barrios por año

Para el agrupamiento de los barrios por año, se proponen las siguientes variables:
- Promedio de accidentes por mes
- Desviación estandar de accidentes por mes
- Total de accidentes por tipo de gravedad
- Total de accidentes por clase de accidente
- Total de accidentes por diseño de la vía donde ocurrió el accidente

metricas_accidentes_mes <- df %>%
  filter(BARRIO != "") %>% 
  group_by(BARRIO, PERIODO, MES) %>% 
  summarise(
    total_accidentes = n(),
    .groups="drop"
  ) %>% 
  group_by(BARRIO, PERIODO) %>%
  summarise(
    promedio_accidente_mes = mean(total_accidentes, na.rm = T),
    std_accidentes_mes = sd(total_accidentes, na.rm = T),
    .groups="drop"
  )

metricas_variables_dummies <- df %>% 
  fastDummies::dummy_cols(select_columns = c("CLASE", "GRAVEDAD", "DISENO")) %>% 
  mutate(
    DISENO_TUNEL_PUENTE = `DISENO_paso a nivel` + `DISENO_paso elevado` + `DISENO_paso inferior` + `DISENO_tunel` + `DISENO_puente` + `DISENO_ponton`
  ) %>% 
  filter(BARRIO!="") %>% 
  rename(
    OTRO_ACCIDENTE=CLASE_otro,
    ATROPELLOS=CLASE_atropello,
    CAIDA_OCUPANTE=`CLASE_caida ocupante`,
    CHOQUE=CLASE_choque,
    INCENDIO=CLASE_incendio,
    VOLCAMIENTOS=CLASE_volcamiento,
    HERIDO=GRAVEDAD_herido,
    MUERTO=GRAVEDAD_muerto,
    SOLO_DANOS=`GRAVEDAD_solo danos`,
    SIN_DISENO=DISENO_,
    CICLO_RUTA=`DISENO_ciclo ruta`,
    GLORIETA=DISENO_glorieta,
    INTERSECCION=DISENO_interseccion,
    LOTE_PREDIO=`DISENO_lote o predio`,
    TRAMO_VIDA=`DISENO_tramo de via`,
    VIA_PEATOLNAL=`DISENO_via peatonal`
  ) %>% 
  group_by(BARRIO, PERIODO, MES) %>% 
  summarise(
    TOTAL_OTRO_ACCIDENTE = sum(OTRO_ACCIDENTE),
    TOTAL_ATROPELLOS=sum(ATROPELLOS),
    TOTAL_CAIDA_OCUPANTE=sum(CAIDA_OCUPANTE),
    TOTAL_CHOQUE=sum(CHOQUE),
    TOTAL_INCENDIO=sum(INCENDIO),
    TOTAL_VOLCAMIENTOS=sum(VOLCAMIENTOS),
    TOTAL_HERIDO=sum(HERIDO),
    TOTAL_MUERTO=sum(MUERTO),
    TOTAL_SOLO_DANOS=sum(SOLO_DANOS),
    TOTAL_SIN_DISENO=sum(SIN_DISENO),
    TOTAL_CICLO_RUTA=sum(CICLO_RUTA),
    TOTAL_GLORIETA=sum(GLORIETA),
    TOTAL_INTERSECCION=sum(INTERSECCION),
    TOTAL_LOTE_PREDIO=sum(LOTE_PREDIO),
    TOTAL_TRAMO_VIDA=sum(TRAMO_VIDA),
    TOTAL_VIA_PEATOLNAL=sum(VIA_PEATOLNAL),
    TOTAL_DISENO_TUNEL_PUENTE = sum(DISENO_TUNEL_PUENTE),
    .groups="drop"
  )  %>% 
  group_by(BARRIO, PERIODO) %>%
  summarise(
    AVG_OTRO_ACCIDENTE = sum(TOTAL_OTRO_ACCIDENTE),
    AVG_ATROPELLOS=sum(TOTAL_ATROPELLOS),
    AVG_CAIDA_OCUPANTE=sum(TOTAL_CAIDA_OCUPANTE),
    AVG_CHOQUE=sum(TOTAL_CHOQUE),
    AVG_INCENDIO=sum(TOTAL_INCENDIO),
    AVG_VOLCAMIENTOS=sum(TOTAL_VOLCAMIENTOS),
    AVG_HERIDO=sum(TOTAL_HERIDO),
    AVG_MUERTO=sum(TOTAL_MUERTO),
    AVG_SOLO_DANOS=sum(TOTAL_SOLO_DANOS),
    AVG_SIN_DISENO=sum(TOTAL_SIN_DISENO),
    AVG_CICLO_RUTA=sum(TOTAL_CICLO_RUTA),
    AVG_GLORIETA=sum(TOTAL_GLORIETA),
    AVG_INTERSECCION=sum(TOTAL_INTERSECCION),
    AVG_LOTE_PREDIO=sum(TOTAL_LOTE_PREDIO),
    AVG_TRAMO_VIDA=sum(TOTAL_TRAMO_VIDA),
    AVG_VIA_PEATOLNAL=sum(TOTAL_VIA_PEATOLNAL),
    AVG_DISENO_TUNEL_PUENTE = sum(TOTAL_DISENO_TUNEL_PUENTE),
    .groups="drop"
  )

cluster_df <- merge(metricas_accidentes_mes, metricas_variables_dummies, by = c("BARRIO", "PERIODO"))
cluster_df_dim <- dim(cluster_df)

De la construcción de variables del conjunto de datos inicial, resultamos con un conjunto de datos de 1575 observaciones por 21 variables, sin embargo, al ser de nuestro interes hacer un clustering por año, el resultado son 5 conjuntos de datos con aproximadamente 315 observaciones por conjinto de datos. A continuación se puede visualizar la tabla resultante.

cluster_df %>% 
  kable() %>% 
  kable_styling(bootstrap_options = c("striped", "hover"), position = "left") %>%
  scroll_box(height = "300px")

BARRIO	PERIODO	promedio_accidente_mes	std_accidentes_mes	AVG_OTRO_ACCIDENTE	AVG_ATROPELLOS	AVG_CAIDA_OCUPANTE	AVG_CHOQUE	AVG_INCENDIO	AVG_VOLCAMIENTOS	AVG_HERIDO	AVG_MUERTO	AVG_SOLO_DANOS	AVG_SIN_DISENO	AVG_CICLO_RUTA	AVG_GLORIETA	AVG_INTERSECCION	AVG_LOTE_PREDIO	AVG_TRAMO_VIDA	AVG_VIA_PEATOLNAL	AVG_DISENO_TUNEL_PUENTE
aguas frias	2014	2.272727	1.1037127	3	5	6	10	0	1	22	0	3	0	0	0	1	1	23	0	0
aguas frias	2015	1.900000	0.7378648	2	3	1	13	0	0	10	0	9	0	0	1	2	0	16	0	0
aguas frias	2016	2.222222	1.0929064	3	3	2	10	0	2	14	0	6	0	0	0	0	1	19	0	0
aguas frias	2017	1.555556	0.8819171	5	3	2	3	0	1	12	0	2	0	0	0	0	9	5	0	0
aguas frias	2018	1.750000	0.5000000	1	2	1	3	0	0	5	0	2	0	0	0	0	2	5	0	0
aldea pablo vi	2014	1.700000	0.6749486	4	4	2	7	0	0	14	0	3	0	0	0	2	0	15	0	0
aldea pablo vi	2015	1.363636	0.6741999	0	7	0	7	0	1	12	0	3	0	0	0	0	1	14	0	0
aldea pablo vi	2016	1.818182	0.8738629	2	9	5	4	0	0	17	0	3	0	0	0	0	1	19	0	0
aldea pablo vi	2017	1.571429	0.7867958	1	4	1	5	0	0	9	1	1	1	0	0	0	3	7	0	0
aldea pablo vi	2018	2.000000	0.8164966	1	3	4	12	0	0	12	1	7	0	0	0	0	4	16	0	0
alejandria	2014	6.500000	3.3439226	3	2	2	70	0	1	18	0	60	0	0	0	10	5	63	0	0
alejandria	2015	5.333333	2.6400184	1	1	4	58	0	0	18	0	46	0	0	1	6	8	49	0	0
alejandria	2016	8.750000	2.7010099	6	1	3	93	0	2	35	0	70	0	0	0	20	6	79	0	0
alejandria	2017	10.250000	2.0504988	7	4	3	108	0	1	24	1	98	1	0	1	21	27	73	0	0
alejandria	2018	10.750000	2.5271256	8	6	6	105	0	4	37	0	92	0	1	1	20	21	85	0	1
alejandro echavarria	2014	13.500000	2.0225996	28	29	18	76	0	11	126	1	35	1	0	1	22	5	133	0	0
alejandro echavarria	2015	12.166667	3.9733964	24	17	12	85	0	8	103	0	43	0	0	3	17	9	117	0	0
alejandro echavarria	2016	15.583333	3.3698755	31	20	22	101	0	13	145	1	41	1	1	1	28	11	145	0	0
alejandro echavarria	2017	15.000000	3.2473766	22	15	13	121	0	9	117	0	63	0	1	2	46	23	108	0	0
alejandro echavarria	2018	14.750000	4.7505980	21	17	25	104	0	10	114	0	63	0	1	2	38	35	100	0	1
alfonso lopez	2014	19.500000	6.2885177	42	20	39	129	0	4	152	3	79	3	1	0	19	9	202	0	0
alfonso lopez	2015	20.416667	5.3675512	35	33	30	138	0	9	160	0	85	0	2	0	27	3	213	0	0
alfonso lopez	2016	24.083333	3.9876704	50	37	42	145	0	15	204	1	84	1	1	0	39	7	241	0	0
alfonso lopez	2017	16.250000	4.4746762	34	20	25	103	0	13	132	1	62	1	4	0	21	27	142	0	0
alfonso lopez	2018	15.500000	4.9267360	21	22	42	93	0	8	124	1	61	1	1	0	32	58	94	0	0
altamira	2014	18.000000	3.3303017	34	19	39	121	0	3	145	1	70	1	2	0	25	13	175	0	0
altamira	2015	13.500000	4.2103768	22	12	25	101	0	2	100	0	62	0	1	0	16	12	133	0	0
altamira	2016	11.416667	3.7769236	18	7	22	87	0	3	88	0	49	0	0	2	14	8	113	0	0
altamira	2017	11.833333	4.8210397	11	4	35	86	0	6	97	1	44	1	4	3	18	26	90	0	0
altamira	2018	9.916667	2.5746433	15	8	23	71	0	2	74	0	45	0	0	2	21	31	65	0	0
altavista	2014	6.500000	2.3931721	10	15	7	43	0	3	47	0	31	0	2	0	13	6	57	0	0
altavista	2015	6.416667	1.8809250	5	15	2	54	0	1	39	0	38	0	0	0	11	6	60	0	0
altavista	2016	6.833333	2.0375267	10	15	9	46	0	2	51	0	31	0	0	0	12	1	69	0	0
altavista	2017	5.250000	2.2207697	12	7	7	33	0	4	44	0	19	0	0	0	13	11	39	0	0
altavista	2018	4.416667	2.3532698	7	10	4	30	0	2	33	2	18	2	0	0	8	7	36	0	0
altavista sector central	2014	1.916667	0.9962049	4	5	6	8	0	0	18	0	5	0	1	0	0	3	19	0	0
altavista sector central	2015	2.727273	1.6180797	4	8	5	12	0	1	22	3	5	3	0	0	2	3	22	0	0
altavista sector central	2016	2.727273	1.4206273	9	1	6	10	0	4	23	1	6	1	0	0	4	3	22	0	0
altavista sector central	2017	2.500000	0.7977240	10	4	4	10	0	2	24	1	5	1	1	0	0	5	23	0	0
altavista sector central	2018	2.000000	1.5491933	1	4	0	7	0	0	9	0	3	0	0	0	0	1	11	0	0
altos del poblado	2014	4.083333	2.0207259	1	1	3	44	0	0	19	0	30	0	0	1	5	1	42	0	0
altos del poblado	2015	4.500000	1.8829377	3	2	4	43	0	2	23	0	31	0	0	0	6	5	43	0	0
altos del poblado	2016	6.666667	2.3094011	5	8	8	52	0	7	48	0	32	0	0	0	14	6	60	0	0
altos del poblado	2017	3.727273	1.6180797	6	1	2	31	0	1	19	0	22	0	1	0	4	7	27	0	2
altos del poblado	2018	3.818182	1.9908883	8	3	2	29	0	0	17	0	25	0	0	0	2	10	30	0	0
andalucia	2014	4.083333	2.1933094	1	14	6	26	0	2	31	1	17	1	0	0	5	0	43	0	0
andalucia	2015	3.916667	1.4433757	8	12	5	21	0	1	32	1	14	1	1	0	1	1	43	0	0
andalucia	2016	4.727273	1.9021519	10	13	3	24	0	2	31	1	20	1	0	0	2	4	45	0	0
andalucia	2017	4.083333	1.9286516	5	14	5	20	0	5	36	0	13	0	1	0	4	6	38	0	0
andalucia	2018	3.583333	1.7298625	6	5	6	24	0	2	29	0	14	0	0	0	10	12	21	0	0
antonio narino	2014	4.416667	1.7298625	10	9	10	22	0	2	45	0	8	0	1	0	4	3	45	0	0
antonio narino	2015	4.909091	1.7002674	9	8	16	17	0	4	43	0	11	0	0	0	4	0	50	0	0
antonio narino	2016	4.545454	2.0670576	8	9	7	22	0	4	39	0	11	0	0	0	5	3	42	0	0
antonio narino	2017	4.500000	2.5045413	6	9	9	25	0	5	42	0	12	0	0	0	7	14	33	0	0
antonio narino	2018	2.636364	1.2060454	5	5	4	13	0	2	21	0	8	0	0	0	6	13	10	0	0
aranjuez	2014	6.000000	2.5584086	9	11	10	41	0	1	52	0	20	0	0	1	14	1	56	0	0
aranjuez	2015	7.166667	2.9180733	12	17	6	44	0	7	65	1	20	1	0	0	19	0	66	0	0
aranjuez	2016	6.083333	2.3143164	7	11	13	39	0	3	49	1	23	1	0	1	10	3	58	0	0
aranjuez	2017	6.916667	3.9186810	10	12	5	50	0	6	51	8	24	8	0	0	15	15	45	0	0
aranjuez	2018	5.583333	2.5030285	8	8	16	35	0	0	46	0	21	0	0	0	10	14	43	0	0
area de expansion altavista	2014	1.444444	0.5270463	0	2	5	5	0	1	10	0	3	0	0	0	1	0	12	0	0
area de expansion altavista	2015	1.857143	1.2149858	1	4	1	6	0	1	12	0	1	0	0	0	2	1	10	0	0
area de expansion altavista	2016	2.400000	1.3416408	3	4	4	1	0	0	12	0	0	0	0	0	0	0	12	0	0
area de expansion altavista	2017	1.200000	0.4472136	1	0	0	5	0	0	3	0	3	0	0	0	0	1	5	0	0
area de expansion altavista	2018	1.285714	0.4879500	2	3	0	4	0	0	7	0	2	0	0	0	1	1	7	0	0
area de expansion altos de calasanz	2014	2.000000	0.8944272	0	3	1	8	0	0	6	0	6	0	0	0	0	1	11	0	0
area de expansion altos de calasanz	2015	1.900000	1.4491377	1	1	1	15	0	1	10	0	9	0	0	0	0	1	18	0	0
area de expansion altos de calasanz	2016	1.800000	1.2292726	3	0	1	14	0	0	8	1	9	1	0	0	1	3	13	0	0
area de expansion altos de calasanz	2017	2.727273	1.3483997	4	4	4	17	0	1	17	0	13	0	0	0	1	9	20	0	0
area de expansion altos de calasanz	2018	2.181818	1.3280197	1	1	1	20	0	1	10	0	14	0	0	0	1	4	19	0	0
area de expansion belen rincon	2014	1.000000	0.0000000	1	1	0	0	0	0	2	0	0	0	0	0	1	0	1	0	0
area de expansion belen rincon	2015	1.000000	0.0000000	0	0	0	2	0	0	2	0	0	0	0	0	0	0	2	0	0
area de expansion belen rincon	2016	1.250000	0.5000000	1	0	0	4	0	0	3	0	2	0	0	0	0	0	5	0	0
area de expansion belen rincon	2017	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	1	0	0	0
area de expansion belen rincon	2018	1.000000	0.0000000	0	0	0	2	0	0	0	0	2	0	0	0	0	0	2	0	0
area de expansion pajarito	2014	11.750000	4.2879323	22	24	23	68	0	4	108	2	31	2	0	0	7	4	128	0	0
area de expansion pajarito	2015	13.666667	3.0846639	24	19	34	78	0	9	129	0	35	0	0	0	17	8	139	0	0
area de expansion pajarito	2016	12.166667	4.3866188	36	19	23	61	1	6	113	1	32	1	1	0	11	14	118	0	1
area de expansion pajarito	2017	13.833333	5.5240521	31	16	31	78	0	10	117	3	46	3	0	0	21	35	105	0	2
area de expansion pajarito	2018	11.416667	3.6045006	17	14	23	72	0	11	102	3	32	2	0	0	15	44	75	0	1
area de expansion san antonio de prado	2014	1.000000	0.0000000	0	3	0	5	0	0	5	0	3	0	0	0	0	0	8	0	0
area de expansion san antonio de prado	2015	1.555556	0.7264832	1	1	3	8	0	1	11	0	3	0	0	0	1	1	12	0	0
area de expansion san antonio de prado	2016	1.500000	0.7071068	3	1	0	10	0	1	10	1	4	1	0	0	0	1	13	0	0
area de expansion san antonio de prado	2017	2.000000	1.4142136	1	0	1	6	0	0	4	1	3	1	0	0	1	0	6	0	0
area de expansion san antonio de prado	2018	2.142857	0.6900656	2	2	2	8	0	1	12	0	3	0	0	1	1	6	6	0	1
asomadera no. 1	2014	4.166667	1.9462474	5	3	4	38	0	0	20	0	30	0	0	0	8	1	41	0	0
asomadera no. 1	2015	4.000000	1.9069252	5	4	4	34	0	1	26	0	22	0	0	0	2	0	45	0	1
asomadera no. 1	2016	4.727273	2.4120908	5	0	5	38	0	4	27	0	25	0	0	0	4	1	47	0	0
asomadera no. 1	2017	11.500000	6.0527980	7	3	5	110	0	13	52	0	86	0	0	0	12	13	109	0	4
asomadera no. 1	2018	10.583333	3.6296339	9	6	6	103	0	3	42	1	84	1	0	0	12	16	95	0	3
asomadera no. 2	2014	7.333333	2.6400184	12	1	3	67	0	5	35	1	52	1	0	0	6	4	76	0	1
asomadera no. 2	2015	7.166667	2.5524795	8	3	3	70	0	2	31	0	55	0	1	0	4	9	72	0	0
asomadera no. 2	2016	7.416667	2.7784343	9	1	8	68	0	3	39	0	50	0	0	0	4	10	75	0	0
asomadera no. 2	2017	10.166667	3.7859389	9	3	3	99	0	8	39	0	83	0	1	0	18	11	92	0	0
asomadera no. 2	2018	8.666667	3.0846639	8	0	7	87	0	2	37	0	67	0	0	1	10	10	83	0	0
asomadera no. 3	2014	2.454546	1.2933396	3	0	3	20	0	1	11	0	16	0	1	0	3	3	20	0	0
asomadera no. 3	2015	2.500000	1.5092309	1	1	4	17	0	2	13	1	11	1	0	0	5	0	19	0	0
asomadera no. 3	2016	2.583333	1.1645002	4	0	2	23	0	2	14	0	17	0	0	0	3	0	28	0	0
asomadera no. 3	2017	2.900000	1.1005049	2	1	1	22	0	3	11	0	18	0	0	1	3	3	22	0	0
asomadera no. 3	2018	2.750000	1.4847712	4	0	4	23	0	2	16	0	17	0	0	0	4	4	25	0	0
asomadera no.1	2014	1.000000	NA	0	0	0	1	0	0	0	1	0	1	0	0	0	0	0	0	0
astorga	2014	6.166667	3.0401356	2	4	3	65	0	0	29	0	45	0	1	0	20	0	53	0	0
astorga	2015	5.083333	2.4293034	1	2	0	58	0	0	16	0	45	0	0	0	24	3	34	0	0
astorga	2016	4.916667	2.1933094	3	3	1	52	0	0	20	0	39	0	0	0	12	0	47	0	0
astorga	2017	4.250000	2.4167973	4	2	1	42	0	2	18	0	33	0	0	0	27	2	22	0	0
astorga	2018	4.666667	2.1881222	4	0	1	49	0	2	21	0	35	0	0	0	31	4	21	0	0
auc1	2014	1.500000	0.5477226	1	4	0	4	0	0	7	1	1	1	0	0	0	0	8	0	0
auc1	2015	1.222222	0.4409586	1	2	3	5	0	0	7	1	3	1	0	0	0	0	10	0	0
auc1	2016	1.142857	0.3779645	1	1	2	4	0	0	6	0	2	0	0	0	0	0	8	0	0
auc1	2017	1.000000	0.0000000	1	0	1	3	0	0	5	0	0	0	0	0	0	1	4	0	0
auc1	2018	1.833333	1.6020820	2	2	2	5	0	0	8	0	3	0	0	0	1	5	5	0	0
auc2	2014	1.000000	0.0000000	1	0	0	1	0	0	1	0	1	0	0	0	0	0	2	0	0
aures no. 2	2014	8.083333	2.4664414	21	14	29	31	0	2	83	0	14	0	0	0	8	2	87	0	0
aures no. 2	2015	9.583333	3.6545945	33	12	30	33	0	7	98	0	17	0	0	0	10	10	94	0	1
aures no. 2	2016	10.000000	3.5419563	24	12	32	46	0	6	91	1	28	1	0	0	14	10	95	0	0
aures no. 2	2017	9.750000	5.2070756	18	22	30	39	0	8	95	0	22	0	1	0	20	27	68	0	1
aures no. 2	2018	10.583333	4.3995523	25	14	28	48	0	12	98	1	28	1	2	0	20	45	55	0	4
aures no.1	2014	7.500000	2.8762349	26	15	26	22	0	1	77	0	13	0	0	0	4	5	81	0	0
aures no.1	2015	8.416667	3.1754265	23	17	24	32	0	5	78	1	22	1	0	0	11	11	78	0	0
aures no.1	2016	7.416667	2.3532698	25	12	18	31	0	3	74	1	14	1	0	0	9	4	75	0	0
aures no.1	2017	8.750000	2.5628464	17	17	19	41	0	11	79	1	25	1	0	0	22	19	63	0	0
aures no.1	2018	8.416667	2.5030285	17	14	23	44	0	3	78	0	23	0	0	0	12	33	56	0	0
aures no.2	2014	1.000000	0.0000000	1	0	1	0	0	0	2	0	0	0	1	0	0	0	1	0	0
aures no.2	2015	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
aures no.2	2016	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
aures no.2	2018	1.000000	0.0000000	1	0	0	2	0	0	2	0	1	0	0	0	0	1	2	0	0
cerro el volador	2014	3.500000	1.8829377	7	6	4	25	0	0	22	0	20	0	0	0	7	1	34	0	0
cerro el volador	2015	2.625000	0.9161254	3	4	0	14	0	0	11	0	10	0	0	0	1	0	20	0	0
cerro el volador	2016	3.090909	1.2210279	7	7	6	14	0	0	25	0	9	0	0	0	2	1	31	0	0
cerro el volador	2017	2.909091	1.3003496	1	6	3	21	0	1	20	0	12	0	0	0	4	3	25	0	0
cerro el volador	2018	3.545454	1.1281521	4	4	3	27	0	1	21	1	17	1	0	0	4	6	28	0	0
cerro el volador	2016	1.000000	NA	0	0	0	1	0	0	0	1	0	1	0	0	0	0	0	0	0
barrio caicedo	2014	16.833333	3.7859389	31	25	25	110	0	11	126	2	74	2	0	1	47	7	145	0	0
barrio caicedo	2015	16.333333	5.0332230	19	31	30	103	0	13	135	2	59	2	1	5	39	6	143	0	0
barrio caicedo	2016	15.833333	4.2175679	36	27	18	100	0	9	125	1	64	1	1	5	31	8	144	0	0
barrio caicedo	2017	13.750000	2.8001623	24	15	18	98	0	10	93	1	71	1	2	6	39	24	91	0	2
barrio caicedo	2018	12.916667	3.2879486	14	18	17	97	0	9	94	1	60	1	2	6	43	26	75	0	2
barrio colombia	2014	20.166667	5.0781767	21	15	18	184	0	4	110	3	129	3	2	1	18	6	211	1	0
barrio colombia	2015	16.666667	3.2003788	20	12	13	151	0	4	97	0	103	0	0	3	13	6	178	0	0
barrio colombia	2016	20.750000	4.4338573	20	17	20	185	0	7	117	0	132	0	0	2	35	8	204	0	0
barrio colombia	2017	22.500000	6.8290822	17	9	9	231	0	4	100	1	169	1	0	7	42	17	203	0	0
barrio colombia	2018	19.083333	5.2476546	13	6	10	195	0	5	89	3	137	3	0	2	54	20	149	0	1
barrio colon	2014	57.083333	6.3023565	43	62	38	534	0	8	281	2	402	2	1	13	93	12	550	0	14
barrio colon	2015	62.250000	10.3671246	51	75	35	570	0	16	318	3	426	3	3	13	118	8	592	0	10
barrio colon	2016	58.583333	6.9603857	49	61	37	544	0	12	268	3	432	3	3	17	127	12	526	0	15
barrio colon	2017	62.333333	11.0891703	47	61	37	590	0	13	281	1	466	1	1	28	164	36	502	0	16
barrio colon	2018	62.250000	8.5930733	41	60	24	613	0	9	254	7	486	5	2	14	178	50	478	0	20
barrio cristobal	2014	2.181818	0.8738629	2	2	2	18	0	0	13	0	11	0	0	0	4	0	20	0	0
barrio cristobal	2015	3.400000	2.1705094	3	2	2	27	0	0	17	0	17	0	0	0	6	1	27	0	0
barrio cristobal	2016	3.300000	1.8287822	2	6	3	21	0	1	22	1	10	1	0	0	12	0	20	0	0
barrio cristobal	2017	2.916667	1.4433757	3	2	2	28	0	0	22	0	13	0	0	0	15	4	16	0	0
barrio cristobal	2018	2.333333	1.6143298	5	0	3	20	0	0	16	0	12	0	1	0	10	4	13	0	0
barrio de jesus	2014	4.181818	1.3280197	9	8	8	21	0	0	33	1	12	1	0	0	1	2	42	0	0
barrio de jesus	2015	4.000000	1.9069252	4	9	9	24	0	2	29	1	18	1	0	0	5	0	42	0	0
barrio de jesus	2016	4.416667	2.7122059	6	9	6	27	0	5	36	0	17	0	0	0	5	1	47	0	0
barrio de jesus	2017	5.166667	2.0375267	7	12	8	31	0	4	43	1	18	1	2	0	2	13	44	0	0
barrio de jesus	2018	5.166667	1.6966991	14	5	5	38	0	0	38	1	23	1	0	0	5	9	45	0	2
barrios de jesus	2015	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
barrios de jesus	2018	1.000000	NA	0	1	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
batallon girardot	2015	1.500000	0.7071068	0	2	0	1	0	0	3	0	0	0	0	0	0	1	2	0	0
batallon girardot	2016	1.500000	0.7071068	0	2	0	1	0	0	2	0	1	0	0	0	1	0	2	0	0
batallon girardot	2017	1.000000	0.0000000	0	1	0	2	0	0	2	0	1	0	1	0	0	1	1	0	0
batallon girardot	2018	1.000000	0.0000000	0	1	1	0	0	0	2	0	0	0	0	0	0	1	1	0	0
belalcazar	2014	8.333333	2.9644357	20	4	11	63	0	2	62	3	35	3	0	0	11	1	84	0	1
belalcazar	2015	8.416667	3.6545945	14	7	3	76	0	1	56	0	45	0	1	0	4	2	94	0	0
belalcazar	2016	9.750000	3.0488448	13	9	10	80	0	5	66	1	50	1	0	0	6	5	105	0	0
belalcazar	2017	10.166667	2.8230652	9	8	8	94	0	3	59	0	63	0	0	0	6	8	108	0	0
belalcazar	2018	9.666667	3.2566947	17	5	6	85	0	3	63	0	53	0	2	0	5	12	97	0	0
belen	2014	37.333333	8.6058472	37	47	39	315	0	10	203	3	242	3	3	33	55	22	332	0	0
belen	2015	40.583333	9.0197595	36	45	28	362	0	16	214	0	273	0	0	39	62	16	370	0	0
belen	2016	46.000000	6.8357350	44	40	31	415	0	22	254	2	296	2	2	50	76	36	386	0	0
belen	2017	42.166667	6.2643774	46	33	25	392	0	10	213	9	284	9	3	78	85	69	258	0	4
belen	2018	37.916667	5.9154395	25	23	24	377	0	6	163	0	292	0	1	77	84	47	246	0	0
belencito	2014	2.333333	1.7320508	4	5	2	10	0	0	18	0	3	0	0	0	2	0	19	0	0
belencito	2015	3.272727	1.7372915	5	6	4	20	0	1	26	0	10	0	0	0	2	0	34	0	0
belencito	2016	2.500000	1.7837652	5	1	4	19	0	1	23	0	7	0	0	0	1	0	29	0	0
belencito	2017	3.333333	1.6696942	11	6	1	22	0	0	27	1	12	1	0	0	6	7	26	0	0
belencito	2018	2.666667	1.6696942	5	5	4	17	0	1	20	1	11	0	0	0	3	7	22	0	0
bello horizonte	2014	6.333333	2.2292817	14	8	6	48	0	0	47	0	29	0	0	0	17	4	55	0	0
bello horizonte	2015	6.583333	2.4664414	8	15	10	42	0	4	59	0	20	0	0	0	15	1	63	0	0
bello horizonte	2016	4.166667	1.7494588	4	9	5	29	0	3	36	1	13	1	0	0	10	3	36	0	0
bello horizonte	2017	5.833333	1.9924098	7	8	8	44	0	3	45	0	25	0	0	0	25	5	40	0	0
bello horizonte	2018	5.000000	2.2156468	4	11	12	30	0	3	40	0	20	0	0	0	13	13	34	0	0
berlin	2014	13.916667	3.8954130	17	46	24	77	0	3	115	3	49	3	2	0	25	4	133	0	0
berlin	2015	14.083333	4.1000739	18	35	21	88	0	7	131	1	37	1	0	0	37	4	127	0	0
berlin	2016	12.833333	3.9504507	22	30	17	80	0	5	102	0	52	0	0	0	29	9	116	0	0
berlin	2017	14.333333	4.0526834	24	31	17	94	0	6	109	1	62	1	0	0	51	15	105	0	0
berlin	2018	12.333333	3.3933982	19	20	17	88	0	4	86	0	62	0	1	0	42	23	82	0	0
bermejal-los alamos	2014	4.000000	2.6628761	3	14	3	25	0	3	28	0	20	0	0	0	3	1	44	0	0
bermejal-los alamos	2015	5.000000	2.4899799	7	14	8	25	0	1	45	1	9	1	0	0	2	2	50	0	0
bermejal-los alamos	2016	4.750000	1.9128750	8	16	4	28	0	1	38	1	18	1	0	0	2	1	53	0	0
bermejal-los alamos	2017	3.333333	2.0150946	5	10	3	20	0	2	26	0	14	0	0	0	5	7	27	0	1
bermejal-los alamos	2018	2.666667	1.2309149	6	9	4	12	0	1	24	0	8	0	0	0	5	10	17	0	0
betania	2014	2.363636	1.1200649	8	8	7	2	0	1	25	0	1	0	0	1	0	1	24	0	0
betania	2015	1.500000	0.8498366	2	5	2	6	0	0	13	0	2	0	0	0	1	1	13	0	0
betania	2016	2.454546	0.9341987	2	2	7	14	0	2	16	1	10	1	0	0	3	3	20	0	0
betania	2017	2.555556	1.6666667	5	3	6	7	0	2	18	0	5	0	0	0	3	8	12	0	0
betania	2018	1.727273	1.1037127	1	2	4	11	0	1	9	1	9	1	0	0	3	9	5	0	1
blanquizal	2014	1.555556	0.7264832	5	2	2	4	0	1	10	0	4	0	0	0	0	0	14	0	0
blanquizal	2015	2.666667	1.8618987	2	4	4	5	0	1	13	1	2	1	0	0	1	0	14	0	0
blanquizal	2016	2.200000	1.3984118	4	3	4	10	0	1	18	0	4	0	1	0	2	0	18	0	1
blanquizal	2017	2.428571	0.9759001	2	3	1	9	0	2	10	0	7	0	0	0	1	3	13	0	0
blanquizal	2018	1.900000	0.8755950	2	4	0	11	0	2	11	0	8	0	0	0	1	2	15	0	1
bolivariana	2014	17.250000	6.0771554	15	9	12	165	0	6	106	0	101	0	1	1	55	7	142	1	0
bolivariana	2015	14.916667	4.0104031	12	12	10	140	0	5	95	1	83	1	0	1	43	4	130	0	0
bolivariana	2016	14.750000	5.0654803	14	7	8	145	0	3	88	0	89	0	0	2	43	8	124	0	0
bolivariana	2017	16.083333	2.9682665	13	10	11	157	0	2	87	0	106	0	1	1	61	22	108	0	0
bolivariana	2018	14.916667	4.5218326	12	11	13	138	0	5	81	0	98	0	1	2	58	28	90	0	0
bombona no. 1	2014	22.333333	7.3772788	16	18	12	218	0	4	116	2	150	2	0	0	75	0	191	0	0
bombona no. 1	2015	20.666667	3.9157800	17	22	8	195	0	6	118	1	129	1	0	0	70	4	172	0	1
bombona no. 1	2016	21.000000	3.4902461	31	13	17	181	0	10	126	1	125	1	2	0	77	1	171	0	0
bombona no. 1	2017	16.833333	3.1285586	15	8	12	164	0	3	77	1	124	1	0	0	69	9	123	0	0
bombona no. 1	2018	16.166667	4.2175679	9	18	8	154	0	5	84	2	108	1	1	0	68	23	101	0	0
bombona no. 2	2014	5.083333	1.0836247	6	5	6	40	0	4	37	0	24	0	0	0	5	1	55	0	0
bombona no. 2	2015	6.083333	3.1466673	13	11	7	37	0	5	46	1	26	1	0	0	7	3	62	0	0
bombona no. 2	2016	6.250000	1.9598237	13	4	12	40	0	6	45	1	29	1	0	0	7	6	61	0	0
bombona no. 2	2017	5.000000	2.5226249	8	10	3	33	0	6	40	0	20	0	0	0	7	9	44	0	0
bombona no. 2	2018	5.333333	1.9694639	7	6	6	41	0	4	34	0	30	0	0	0	14	14	36	0	0
bombona no.1	2014	2.000000	1.0444659	2	2	0	20	0	0	13	0	11	0	1	0	7	0	16	0	0
bombona no.1	2015	1.777778	0.6666667	1	1	0	14	0	0	8	0	8	0	0	0	8	0	8	0	0
bombona no.1	2016	2.250000	1.1649647	2	0	2	14	0	0	14	0	4	0	0	0	3	1	14	0	0
bombona no.1	2017	1.000000	NA	0	0	1	0	0	0	1	0	0	0	0	0	0	1	0	0	0
bombona no.1	2018	1.428571	0.5345225	0	2	1	7	0	0	3	0	7	0	0	0	2	0	8	0	0
bosques de san pablo	2014	5.500000	1.8829377	5	6	16	39	0	0	34	0	32	0	1	0	3	3	59	0	0
bosques de san pablo	2015	7.000000	4.4107307	12	7	11	51	0	3	46	0	38	0	0	0	7	7	70	0	0
bosques de san pablo	2016	6.666667	1.9227506	12	4	7	55	0	2	44	0	36	0	0	0	8	8	64	0	0
bosques de san pablo	2017	6.416667	3.5280263	8	3	7	57	0	2	40	1	36	1	0	0	17	10	49	0	0
bosques de san pablo	2018	5.083333	2.2746961	3	4	6	47	0	1	25	0	36	0	0	0	11	14	36	0	0
boston	2014	37.333333	6.0653012	39	48	26	326	0	9	239	2	207	2	3	3	123	6	310	1	0
boston	2015	38.583333	7.4401654	26	43	23	360	0	11	244	3	216	3	1	3	133	5	317	0	1
boston	2016	44.416667	5.3505876	40	49	23	402	0	19	283	3	247	3	0	10	167	16	336	1	0
boston	2017	35.333333	4.1194292	25	36	25	327	0	11	205	1	218	1	1	7	167	32	215	0	1
boston	2018	35.500000	6.6674242	25	44	23	322	0	12	215	1	210	1	2	8	175	41	199	0	0
boyaca	2014	8.083333	2.6784776	12	14	22	47	0	2	62	1	34	1	1	0	11	4	80	0	0
boyaca	2015	8.583333	2.8109634	16	9	14	57	0	7	71	0	32	0	1	0	22	4	76	0	0
boyaca	2016	9.916667	2.9063671	17	13	19	65	0	5	79	0	40	0	0	0	26	4	89	0	0
boyaca	2017	9.833333	2.6911753	14	12	6	83	0	3	71	1	46	1	0	1	37	11	68	0	0
boyaca	2018	12.333333	3.2003788	17	10	27	84	0	10	95	0	53	0	0	2	41	47	58	0	0
brasilia	2014	8.500000	2.1532217	8	24	11	57	0	2	78	1	23	1	0	0	27	2	72	0	0
brasilia	2015	9.333333	3.2844906	12	18	9	70	0	3	82	0	30	0	0	0	41	1	70	0	0
brasilia	2016	6.833333	2.4802248	12	14	5	47	0	4	66	1	15	1	1	0	21	5	54	0	0
brasilia	2017	8.666667	2.7743413	12	18	9	62	0	3	69	3	32	3	3	1	34	15	48	0	0
brasilia	2018	8.333333	1.8748737	11	5	16	61	0	7	64	0	36	0	0	1	28	19	52	0	0
buenos aires	2014	17.916667	6.8285275	27	26	16	143	0	3	147	0	68	0	1	0	67	5	142	0	0
buenos aires	2015	19.916667	2.2746961	30	21	16	165	0	7	159	0	80	0	0	1	74	7	157	0	0
buenos aires	2016	16.250000	3.2787193	17	13	18	136	0	11	114	0	81	0	1	0	60	5	129	0	0
buenos aires	2017	15.083333	3.1754265	23	13	10	128	0	7	99	1	81	1	1	0	68	20	91	0	0
buenos aires	2018	13.583333	3.6296339	12	11	14	124	0	2	89	0	74	0	0	0	78	22	63	0	0
buga patio bonito	2014	1.400000	0.8944272	0	0	0	6	0	1	2	0	5	0	0	0	0	0	7	0	0
buga patio bonito	2015	1.500000	0.7071068	1	2	1	10	0	1	9	0	6	0	0	0	1	0	14	0	0
buga patio bonito	2016	1.500000	0.7559289	3	2	0	6	0	1	10	0	2	0	0	0	1	1	10	0	0
buga patio bonito	2017	1.400000	0.5477226	2	1	0	3	0	1	5	0	2	0	0	0	0	3	4	0	0
buga patio bonito	2018	1.750000	0.9574271	0	0	2	5	0	0	3	0	4	0	0	0	0	1	6	0	0
cabecera san antonio de prado	2014	12.583333	3.9876704	12	35	20	83	0	1	100	6	45	6	0	0	10	5	129	0	1
cabecera san antonio de prado	2015	19.000000	3.0451153	29	45	29	117	0	8	167	4	57	4	1	0	29	9	185	0	0
cabecera san antonio de prado	2016	18.333333	3.1718458	18	40	26	133	0	3	139	0	81	0	0	0	35	8	175	1	1
cabecera san antonio de prado	2017	46.083333	15.7448885	55	64	38	367	0	29	328	2	223	2	2	1	54	49	440	0	5
cabecera san antonio de prado	2018	49.666667	10.4475602	43	68	41	421	1	22	309	12	275	9	3	4	69	65	434	0	12
cabecera urbana san cristobal	2014	10.083333	3.4234043	29	20	22	45	0	5	91	0	30	0	0	0	14	5	102	0	0
cabecera urbana san cristobal	2015	10.416667	2.9682665	19	28	16	58	0	4	93	1	31	1	0	0	7	7	109	0	1
cabecera urbana san cristobal	2016	11.166667	2.2495791	23	24	22	58	0	7	93	1	40	1	0	0	6	5	122	0	0
cabecera urbana san cristobal	2017	8.500000	3.9657626	18	13	23	43	0	5	77	2	23	2	0	0	4	21	74	0	1
cabecera urbana san cristobal	2018	9.000000	1.7056057	9	23	13	58	0	5	70	2	36	1	1	0	8	20	78	0	0
calasanz	2014	13.916667	4.6408920	19	11	9	127	0	1	70	1	96	1	0	7	41	2	116	0	0
calasanz	2015	14.166667	4.8586069	18	8	18	122	0	4	95	0	75	0	0	6	45	6	113	0	0
calasanz	2016	13.583333	3.4498573	21	8	10	122	0	2	79	0	84	0	0	12	52	4	94	0	1
calasanz	2017	13.166667	3.5887028	11	7	13	123	0	4	71	0	87	0	0	20	51	10	77	0	0
calasanz	2018	12.666667	4.7736651	9	13	12	118	0	0	67	2	83	1	0	10	60	15	64	1	1
calasanz parte alta	2014	6.250000	1.9598237	10	4	13	45	0	3	49	0	26	0	0	0	14	3	58	0	0
calasanz parte alta	2015	5.250000	2.0504988	9	3	7	42	0	2	37	0	26	0	0	0	8	1	54	0	0
calasanz parte alta	2016	8.833333	2.5878504	10	8	10	77	0	1	51	0	55	0	0	0	22	5	79	0	0
calasanz parte alta	2017	9.166667	3.3257489	14	6	7	80	0	3	56	1	53	1	0	0	25	12	72	0	0
calasanz parte alta	2018	6.666667	2.6400184	9	2	10	57	0	2	44	0	36	0	0	0	19	19	42	0	0
calle nueva	2014	25.833333	5.4076265	13	30	17	242	0	8	114	1	195	1	1	26	44	2	231	0	5
calle nueva	2015	25.916667	5.1249538	15	25	19	247	0	5	138	0	173	0	1	26	35	10	236	0	3
calle nueva	2016	27.583333	5.0893531	15	25	17	266	0	8	122	2	207	2	1	39	49	10	224	1	5
calle nueva	2017	28.666667	7.8778554	15	22	19	283	0	5	121	0	223	0	1	74	47	14	192	0	16
calle nueva	2018	26.833333	5.7340028	20	22	14	261	0	5	115	0	207	0	2	79	57	23	136	1	24
campo alegre	2014	8.750000	2.7010099	10	10	16	65	0	4	67	0	38	0	2	3	11	8	81	0	0
campo alegre	2015	8.583333	3.3427896	14	11	14	60	0	4	77	1	25	1	0	1	16	4	80	0	1
campo alegre	2016	8.916667	3.4761089	17	16	8	60	0	6	75	0	32	0	0	2	15	5	85	0	0
campo alegre	2017	9.916667	3.3427896	18	8	15	77	0	1	78	0	41	0	0	11	24	19	65	0	0
campo alegre	2018	9.083333	3.5791907	11	11	12	73	0	2	68	2	39	1	0	11	20	13	64	0	0
campo amor	2014	65.500000	13.2287566	77	50	67	567	0	25	379	4	403	4	4	92	31	20	626	0	9
campo amor	2015	62.000000	10.1623190	59	33	52	579	0	21	341	5	398	5	1	98	54	8	572	0	6
campo amor	2016	70.416667	11.6732665	102	38	55	621	0	29	427	9	409	9	2	118	49	32	618	0	17
campo amor	2017	64.500000	5.9006933	67	38	43	597	0	29	361	4	409	4	5	153	63	58	472	1	18
campo amor	2018	83.166667	11.6215578	74	46	59	796	0	23	436	1	561	1	2	126	119	71	639	1	39
campo valdes no. 1	2014	21.166667	3.9733964	29	34	38	146	0	7	187	2	65	2	1	0	63	6	182	0	0
campo valdes no. 1	2015	20.916667	4.8328108	31	44	30	130	0	16	196	2	53	2	0	0	64	11	174	0	0
campo valdes no. 1	2016	20.916667	3.3154825	32	41	13	154	0	11	189	2	60	2	0	0	66	7	176	0	0
campo valdes no. 1	2017	18.333333	3.9389277	32	31	16	133	0	8	156	0	64	0	0	0	94	17	109	0	0
campo valdes no. 1	2018	19.500000	4.5427265	33	34	28	134	0	5	173	0	61	0	0	0	79	48	107	0	0
campo valdes no. 2	2014	16.500000	3.5547663	25	54	24	89	0	6	174	0	24	0	1	0	41	6	150	0	0
campo valdes no. 2	2015	17.000000	4.4312937	27	46	23	98	0	10	165	3	36	3	0	0	48	4	149	0	0
campo valdes no. 2	2016	14.583333	2.9682665	22	44	20	79	0	10	149	0	26	0	1	0	32	6	136	0	0
campo valdes no. 2	2017	11.583333	3.6296339	19	21	13	80	0	6	102	0	37	0	1	1	52	21	64	0	0
campo valdes no. 2	2018	12.833333	4.0861926	19	31	27	74	0	3	121	3	30	2	1	0	40	48	62	0	1
campo valdes no.2	2014	1.900000	0.7378648	2	4	4	9	0	0	15	0	4	0	0	0	4	2	13	0	0
campo valdes no.2	2015	1.777778	0.8333333	2	4	2	8	0	0	16	0	0	0	0	0	6	1	9	0	0
campo valdes no.2	2016	1.700000	0.9486833	4	5	0	8	0	0	11	0	6	0	0	0	3	1	13	0	0
campo valdes no.2	2017	2.666667	2.0816660	1	2	2	3	0	0	6	0	2	0	0	0	3	2	3	0	0
campo valdes no.2	2018	1.571429	0.9759001	1	1	4	5	0	0	11	0	0	0	0	0	6	1	4	0	0
caribe	2014	81.666667	9.9483515	88	49	90	739	0	14	465	6	509	6	2	2	58	38	851	0	23
caribe	2015	74.916667	10.2199300	90	36	56	684	0	33	436	5	458	5	4	2	38	35	796	0	19
caribe	2016	71.750000	10.4805014	94	35	40	668	0	24	406	1	454	1	2	3	75	32	730	0	18
caribe	2017	73.333333	12.1380943	113	42	74	600	0	51	511	4	365	4	2	1	76	105	664	0	28
caribe	2018	68.000000	10.0543975	83	31	67	611	0	24	439	6	371	4	2	4	68	128	581	0	29
carlos e. restrepo	2014	49.666667	7.7146064	52	31	52	453	0	8	274	0	322	0	1	1	82	9	498	0	5
carlos e. restrepo	2015	49.416667	12.5586503	54	28	42	455	0	14	262	6	325	6	0	0	89	16	472	0	10
carlos e. restrepo	2016	51.583333	9.1100178	73	27	37	462	0	20	280	1	338	1	1	1	83	19	507	0	7
carlos e. restrepo	2017	52.750000	8.9556990	58	26	48	480	0	21	303	0	330	0	5	1	144	50	416	0	17
carlos e. restrepo	2018	45.500000	7.0000000	38	27	54	415	0	12	242	0	304	0	3	0	123	64	338	0	18
carpinelo	2014	2.000000	0.7071068	5	7	2	4	0	0	15	0	3	0	0	0	0	0	18	0	0
carpinelo	2015	2.636364	1.4333686	2	10	4	9	0	4	22	1	6	1	0	0	0	1	27	0	0
carpinelo	2016	2.400000	1.5776213	4	11	2	7	0	0	20	0	4	0	0	0	2	0	22	0	0
carpinelo	2017	1.666667	0.7071068	1	7	2	4	0	1	11	0	4	0	0	0	1	5	9	0	0
carpinelo	2018	1.583333	0.6685579	3	4	4	6	0	2	15	0	4	0	0	0	1	6	12	0	0
castilla	2014	37.916667	6.2879153	82	67	58	239	0	9	323	1	131	1	5	0	49	11	388	0	1
castilla	2015	37.083333	5.1603089	71	66	67	209	0	32	334	5	106	5	0	0	65	10	365	0	0
castilla	2016	50.083333	8.3932693	111	60	81	326	0	23	437	4	160	4	2	0	83	21	489	0	2
castilla	2017	47.833333	8.1333582	106	67	74	297	0	30	416	11	147	11	1	0	131	95	331	0	5
castilla	2018	43.666667	4.5593726	89	66	83	259	0	27	398	4	122	3	2	0	124	145	246	0	4
castropol	2014	15.083333	2.9063671	10	10	10	149	0	2	75	0	106	0	0	1	15	7	158	0	0
castropol	2015	17.500000	5.5185637	13	6	11	172	0	8	90	0	120	0	1	1	15	13	180	0	0
castropol	2016	15.333333	2.9336088	17	16	10	136	0	5	86	2	96	2	0	0	24	9	149	0	0
castropol	2017	18.833333	3.7376058	20	8	17	174	0	7	110	0	116	0	1	0	33	21	170	0	1
castropol	2018	20.833333	4.9512778	19	10	13	202	0	6	94	0	156	0	2	1	35	16	196	0	0
cataluna	2014	5.083333	2.3532698	12	9	8	31	0	1	44	1	16	1	1	0	4	2	53	0	0
cataluna	2015	5.333333	2.9949452	8	6	6	38	0	6	32	0	32	0	0	0	5	1	58	0	0
cataluna	2016	4.750000	2.1794495	8	10	7	29	0	3	37	0	20	0	0	0	3	6	48	0	0
cataluna	2017	3.909091	1.9725387	9	2	3	23	0	6	23	0	20	0	2	0	4	18	19	0	0
cataluna	2018	4.250000	2.0504988	13	3	1	32	0	2	22	0	29	0	0	0	8	12	31	0	0
cementerio universal	2014	3.416667	2.5746433	7	1	4	29	0	0	19	0	22	0	0	0	5	1	35	0	0
cementerio universal	2015	3.454546	1.7529196	7	1	2	27	0	1	22	0	16	0	0	0	7	2	29	0	0
cementerio universal	2016	4.090909	1.6403991	5	1	4	34	0	1	21	0	24	0	0	1	4	0	40	0	0
cementerio universal	2017	2.250000	1.2154311	4	2	0	20	0	1	13	0	14	0	0	1	7	3	16	0	0
cementerio universal	2018	5.000000	2.0449494	7	1	9	42	0	1	31	0	29	0	0	0	12	9	39	0	0
centro administrativo	2014	4.916667	3.0289012	7	5	5	40	0	2	27	2	30	2	0	0	10	2	45	0	0
centro administrativo	2015	5.083333	2.4293034	7	7	7	37	0	3	32	0	29	0	0	0	6	2	53	0	0
centro administrativo	2016	5.166667	2.6227443	8	5	2	45	0	2	27	0	35	0	0	0	8	6	48	0	0
centro administrativo	2017	5.416667	2.0652243	6	1	4	51	0	3	31	0	34	0	0	0	10	4	50	0	1
centro administrativo	2018	4.250000	1.6583124	4	3	5	37	0	2	27	0	24	0	0	0	13	7	29	0	2
cerro nutibara	2014	11.500000	2.8123106	13	9	15	98	0	3	70	0	68	0	0	0	11	2	111	0	14
cerro nutibara	2015	9.000000	2.7633971	8	4	3	88	0	5	64	0	44	0	0	0	12	3	83	0	10
cerro nutibara	2016	10.583333	2.9987371	21	9	11	80	0	6	80	1	46	1	0	0	11	5	98	0	12
cerro nutibara	2017	16.416667	4.7185964	20	9	7	150	0	11	103	2	92	2	2	0	21	19	131	0	22
cerro nutibara	2018	20.833333	5.7656244	26	10	11	190	0	13	117	4	129	4	2	3	29	19	161	0	32
corazon de jesus	2014	39.916667	8.1848900	49	28	31	361	0	10	205	4	270	4	2	24	54	5	379	0	11
corazon de jesus	2015	47.166667	8.8506120	36	50	44	420	0	16	249	10	307	10	2	34	47	4	461	0	8
corazon de jesus	2016	45.333333	9.9574854	34	39	33	429	0	9	215	4	325	4	1	32	63	9	421	0	14
corazon de jesus	2017	35.083333	7.3169583	29	31	21	332	0	8	152	1	268	1	1	16	75	25	295	0	8
corazon de jesus	2018	36.750000	8.6563167	21	34	15	363	0	8	150	6	285	4	1	0	61	22	344	0	9
cordoba	2014	8.583333	3.1754265	21	11	21	48	0	2	70	0	33	0	0	11	11	2	79	0	0
cordoba	2015	8.833333	4.1742355	21	10	16	57	0	2	71	0	35	0	0	15	12	2	77	0	0
cordoba	2016	6.833333	2.8550858	15	9	11	43	0	4	63	1	18	1	0	5	15	4	57	0	0
cordoba	2017	8.833333	2.9797295	20	11	18	52	0	5	69	0	37	0	0	11	16	13	66	0	0
cordoba	2018	9.416667	3.2321772	16	9	28	56	0	4	78	1	34	1	1	8	21	41	41	0	0
corregimiento de san antonio de prado	2017	1.666667	0.5773503	0	2	0	3	0	0	0	5	0	5	0	0	0	0	0	0	0
corregimiento de santa elena	2014	1.000000	0.0000000	0	1	1	1	0	0	2	0	1	0	0	0	0	0	3	0	0
corregimiento de santa elena	2015	1.000000	NA	0	0	0	1	0	0	1	0	0	0	0	0	0	0	1	0	0
corregimiento de santa elena	2017	1.000000	NA	0	0	0	1	0	0	0	1	0	1	0	0	0	0	0	0	0
corregimiento de santa elena	2018	1.000000	0.0000000	0	0	0	2	0	0	0	0	2	0	0	0	0	0	2	0	0
cristo rey	2014	33.666667	5.4827553	26	32	25	306	0	15	199	4	201	4	3	0	53	14	319	0	11
cristo rey	2015	28.666667	6.4713822	33	34	23	236	0	18	208	5	131	5	0	0	38	9	287	0	5
cristo rey	2016	37.666667	6.7464918	45	35	21	339	0	12	232	1	219	1	1	0	55	8	369	0	18
cristo rey	2017	35.750000	3.9109404	41	27	22	327	0	12	218	1	210	1	2	0	74	41	293	0	18
cristo rey	2018	24.500000	7.2801099	18	19	10	242	0	5	118	6	170	4	2	0	54	19	200	0	15
cuarta brigada	2014	18.250000	4.1805828	24	17	21	153	1	3	124	0	95	0	1	0	57	10	151	0	0
cuarta brigada	2015	18.583333	4.3371196	15	22	16	165	0	5	108	0	115	0	1	0	59	9	154	0	0
cuarta brigada	2016	20.416667	5.6802422	20	22	15	182	0	6	136	1	108	1	0	0	58	14	172	0	0
cuarta brigada	2017	23.000000	4.7863442	19	21	23	205	0	8	141	1	134	1	3	0	91	25	156	0	0
cuarta brigada	2018	18.250000	4.0254870	16	19	24	156	0	4	105	3	111	2	0	0	67	32	118	0	0
cucaracho	2014	20.500000	3.8494392	46	18	57	120	0	5	189	0	57	0	2	0	10	6	226	0	2
cucaracho	2015	19.083333	4.5016832	48	14	37	118	0	12	174	0	55	0	1	0	20	11	197	0	0
cucaracho	2016	16.333333	5.0512525	32	11	37	106	0	10	147	1	48	1	0	0	17	10	168	0	0
cucaracho	2017	13.583333	5.0535016	31	12	36	81	0	3	115	0	48	0	1	0	11	23	127	0	1
cucaracho	2018	14.166667	3.2145503	28	8	30	96	0	8	114	0	56	0	3	0	22	52	93	0	0
diego echavarria	2014	7.583333	2.9374799	7	3	9	69	0	3	37	0	54	0	0	3	11	5	72	0	0
diego echavarria	2015	6.000000	3.0748245	5	5	3	56	0	3	31	1	40	1	0	3	6	3	58	1	0
diego echavarria	2016	6.333333	4.0301891	8	4	5	58	0	1	41	0	35	0	1	1	4	4	66	0	0
diego echavarria	2017	8.583333	3.5537006	12	3	8	71	0	9	55	0	48	0	1	10	13	20	59	0	0
diego echavarria	2018	5.916667	1.7816404	9	3	7	50	0	2	32	0	39	0	1	7	10	12	41	0	0
doce de octubre no.1	2014	10.000000	2.6967994	22	22	37	38	0	1	99	1	20	1	1	0	3	4	111	0	0
doce de octubre no.1	2015	7.583333	3.2321772	12	21	21	33	0	4	80	0	11	0	0	0	6	5	80	0	0
doce de octubre no.1	2016	8.666667	2.0597146	19	27	13	42	0	3	83	2	19	2	2	1	7	6	86	0	0
doce de octubre no.1	2017	7.916667	2.6443192	17	24	12	36	0	6	72	1	22	1	0	0	7	19	68	0	0
doce de octubre no.1	2018	9.750000	3.5451632	18	17	27	53	0	2	84	1	32	0	0	0	15	38	64	0	0
doce de octubre no.2	2014	11.083333	2.2343733	28	27	16	56	0	6	107	2	24	2	0	1	14	4	112	0	0
doce de octubre no.2	2015	12.000000	4.6514905	26	22	25	64	0	7	110	2	32	2	1	2	12	5	121	1	0
doce de octubre no.2	2016	10.083333	2.3532698	24	24	20	50	0	3	97	0	24	0	1	4	12	7	97	0	0
doce de octubre no.2	2017	9.166667	3.4597250	16	18	20	51	0	5	83	1	26	1	1	2	16	27	63	0	0
doce de octubre no.2	2018	9.666667	4.0075686	15	18	27	52	0	4	95	0	21	0	0	1	16	37	62	0	0
eduardo santos	2014	1.625000	0.7440238	4	1	2	6	0	0	8	0	5	0	0	0	0	0	13	0	0
eduardo santos	2015	1.750000	0.8864053	3	2	3	6	0	0	13	0	1	0	0	0	0	1	13	0	0
eduardo santos	2016	1.125000	0.3535534	3	1	2	2	0	1	7	0	2	0	0	0	1	0	8	0	0
eduardo santos	2017	1.285714	0.4879500	1	0	1	5	0	2	5	0	4	0	0	0	2	0	7	0	0
eduardo santos	2018	1.200000	0.4472136	0	1	1	4	0	0	3	0	3	0	0	0	0	3	3	0	0
el castillo	2014	3.750000	1.9128750	1	1	0	41	0	2	14	0	31	0	0	0	6	0	39	0	0
el castillo	2015	4.916667	2.0207259	1	2	1	54	0	1	19	0	40	0	0	1	9	2	47	0	0
el castillo	2016	5.916667	1.9752253	6	2	0	62	0	1	20	1	50	1	0	1	11	3	55	0	0
el castillo	2017	4.333333	2.2292817	1	1	1	47	0	2	10	0	42	0	0	0	9	2	40	0	1
el castillo	2018	4.583333	3.4234043	1	4	3	46	0	1	23	0	32	0	1	1	9	2	41	0	1
el chagualo	2014	38.750000	10.1186147	48	58	41	315	0	3	219	2	244	2	2	31	37	10	371	0	12
el chagualo	2015	40.083333	7.3788190	42	55	33	340	0	11	239	5	237	5	0	30	56	12	368	1	9
el chagualo	2016	34.666667	7.2026931	47	44	23	292	0	10	226	7	183	7	0	35	60	12	293	0	9
el chagualo	2017	31.000000	5.0990195	28	30	24	277	0	13	194	2	176	2	1	38	73	21	218	0	19
el chagualo	2018	26.916667	8.0617879	35	28	34	215	0	11	176	2	145	1	0	20	44	43	193	0	22
el compromiso	2014	2.000000	1.0540926	0	9	2	9	0	0	16	0	4	0	0	0	1	0	19	0	0
el compromiso	2015	2.000000	0.8944272	2	6	1	3	0	0	9	0	3	0	0	0	1	0	11	0	0
el compromiso	2016	1.900000	0.9944289	1	5	1	11	0	1	12	0	7	0	0	0	0	1	18	0	0
el compromiso	2017	2.200000	1.6865481	2	5	2	11	0	2	15	0	7	0	0	0	5	2	15	0	0
el compromiso	2018	3.181818	1.4012981	1	11	1	21	0	1	26	0	9	0	0	0	3	8	24	0	0
el corazon	2014	1.818182	0.8738629	3	3	4	10	0	0	17	0	3	0	0	0	1	0	19	0	0
el corazon	2015	2.545454	1.1281521	3	4	4	16	0	1	20	0	8	0	0	0	3	0	25	0	0
el corazon	2016	2.100000	1.4491377	1	6	1	11	0	2	14	0	7	0	0	0	1	0	20	0	0
el corazon	2017	2.090909	0.8312094	5	2	3	12	0	1	19	0	4	0	0	0	2	3	18	0	0
el corazon	2018	2.111111	1.1666667	1	4	5	9	0	0	13	2	4	2	0	0	1	3	13	0	0
el corazon el morro	2014	1.000000	0.0000000	1	2	0	0	0	1	4	0	0	0	0	0	0	0	4	0	0
el corazon el morro	2015	1.000000	0.0000000	0	3	0	0	0	0	3	0	0	0	0	0	0	1	2	0	0
el corazon el morro	2016	1.000000	0.0000000	1	2	0	0	0	1	4	0	0	0	0	0	0	0	4	0	0
el corazon el morro	2017	1.000000	0.0000000	0	0	0	2	0	0	2	0	0	0	0	0	0	0	2	0	0
el corazon el morro	2018	1.000000	0.0000000	0	1	0	1	0	0	2	0	0	0	0	0	0	0	2	0	0
el danubio	2014	6.666667	1.7232809	4	11	7	57	0	1	46	1	33	1	0	0	22	1	56	0	0
el danubio	2015	4.666667	1.8748737	2	4	7	40	0	3	33	0	23	0	0	0	18	1	37	0	0
el danubio	2016	7.166667	2.4058011	12	4	10	56	0	4	60	1	25	1	1	0	23	6	55	0	0
el danubio	2017	9.181818	2.0889319	15	6	11	66	0	3	71	1	29	1	2	0	38	13	47	0	0
el danubio	2018	5.500000	2.6111648	8	4	5	47	0	2	40	0	26	0	0	0	30	10	26	0	0
el diamante	2014	17.750000	4.2022721	52	35	44	79	0	3	168	0	45	0	0	1	21	8	183	0	0
el diamante	2015	16.916667	4.9443877	39	30	38	88	0	8	159	1	43	1	1	3	24	7	167	0	0
el diamante	2016	16.833333	3.8098755	59	23	43	72	0	5	160	0	42	0	0	4	17	8	173	0	0
el diamante	2017	17.250000	4.4133063	43	18	43	93	0	10	153	0	54	0	1	5	31	40	130	0	0
el diamante	2018	14.833333	4.7831776	25	20	40	91	0	2	120	0	58	0	2	9	33	52	82	0	0
el diamante no. 2	2014	4.333333	2.0150946	2	6	1	41	0	2	15	1	36	1	0	0	5	2	44	0	0
el diamante no. 2	2015	5.333333	2.3868326	3	1	1	56	0	3	23	0	41	0	0	0	5	1	58	0	0
el diamante no. 2	2016	5.636364	1.9632996	5	0	6	50	0	1	21	0	41	0	0	0	6	2	54	0	0
el diamante no. 2	2017	4.166667	2.1248886	6	3	2	36	0	3	25	0	25	0	0	0	13	6	31	0	0
el diamante no. 2	2018	3.100000	1.5238839	1	1	0	29	0	0	9	0	22	0	0	0	5	4	22	0	0
el estadio	2014	25.416667	7.3045233	39	22	31	211	0	2	147	2	156	2	1	33	28	1	240	0	0
el estadio	2015	27.166667	4.6871843	36	27	17	240	0	6	157	1	168	1	0	44	34	7	240	0	0
el estadio	2016	26.000000	6.8357350	34	26	30	210	0	12	168	0	144	0	1	41	29	6	235	0	0
el estadio	2017	20.000000	8.6339710	36	26	14	160	0	4	145	0	95	0	1	10	49	24	156	0	0
el estadio	2018	16.583333	2.3532698	13	24	19	133	0	10	110	0	89	0	0	1	51	27	119	0	1
el nogal-los almendros	2014	6.500000	2.6457513	3	7	0	68	0	0	33	1	44	1	1	0	11	2	63	0	0
el nogal-los almendros	2015	7.666667	3.0846639	7	3	5	76	0	1	48	2	42	2	0	0	20	1	68	0	1
el nogal-los almendros	2016	7.250000	3.6212755	5	3	2	72	0	5	43	0	44	0	0	0	25	1	60	0	1
el nogal-los almendros	2017	8.166667	4.3658454	6	6	5	79	0	2	41	0	57	0	0	6	30	2	58	0	2
el nogal-los almendros	2018	6.500000	2.8123106	6	4	6	62	0	0	32	1	45	1	0	6	26	6	38	0	1
el pesebre	2014	2.400000	1.7763883	3	7	6	8	0	0	19	0	5	0	0	0	4	2	18	0	0
el pesebre	2015	2.363636	1.1200649	7	3	3	13	0	0	17	0	9	0	0	0	2	2	22	0	0
el pesebre	2016	3.916667	1.2401124	8	8	9	21	0	1	36	0	11	0	0	0	5	2	37	0	3
el pesebre	2017	3.666667	1.7232809	6	5	5	26	0	2	24	0	20	0	0	0	4	6	34	0	0
el pesebre	2018	3.916667	1.8319554	4	7	9	25	0	2	32	0	15	0	0	0	1	11	31	0	4
el picacho	2014	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
el picacho	2015	1.166667	0.4082483	2	1	2	2	0	0	6	0	1	0	0	0	0	0	7	0	0
el picacho	2016	1.333333	0.5773503	1	2	0	1	0	0	3	0	1	0	0	0	0	1	3	0	0
el picacho	2017	1.250000	0.5000000	2	0	2	1	0	0	4	0	1	0	0	0	1	1	3	0	0
el picacho	2018	1.000000	0.0000000	0	1	2	1	0	0	4	0	0	0	0	0	1	1	2	0	0
el pinal	2014	9.583333	3.2039275	17	33	15	46	0	4	82	2	31	2	0	0	8	3	102	0	0
el pinal	2015	9.666667	4.3969687	20	27	14	50	0	5	79	0	37	0	0	0	7	2	107	0	0
el pinal	2016	8.666667	2.1881222	13	15	11	57	0	8	71	1	32	1	0	0	10	2	91	0	0
el pinal	2017	8.916667	2.8109634	11	21	9	62	0	4	55	1	51	1	1	0	12	13	80	0	0
el pinal	2018	7.500000	1.8340219	13	12	13	49	0	3	53	0	37	0	0	0	8	17	65	0	0
el plan	2018	1.000000	NA	0	0	0	1	0	0	1	0	0	0	0	0	0	0	1	0	0
el poblado	2014	19.000000	3.1622777	14	12	7	190	0	5	61	1	166	1	0	0	32	6	187	1	1
el poblado	2015	21.166667	4.4072942	19	14	9	209	0	3	82	1	171	1	1	0	40	0	211	1	0
el poblado	2016	20.000000	3.5929223	16	13	11	192	0	8	81	0	159	0	0	0	50	5	183	1	1
el poblado	2017	25.166667	2.6571801	24	15	12	245	0	6	105	4	193	4	1	0	71	16	210	0	0
el poblado	2018	26.333333	4.9051612	23	12	12	262	0	7	94	1	221	1	2	0	62	29	221	0	1
el pomar	2014	5.583333	2.1514618	5	16	10	33	1	2	58	1	8	1	0	0	10	1	55	0	0
el pomar	2015	6.750000	2.7344602	12	16	11	37	0	5	70	0	11	0	0	0	13	1	67	0	0
el pomar	2016	4.833333	2.2896341	9	11	6	31	0	1	42	0	16	0	0	0	10	4	44	0	0
el pomar	2017	5.333333	1.8748737	7	8	6	41	0	2	44	0	20	0	0	0	15	9	40	0	0
el pomar	2018	6.000000	1.9069252	9	12	7	42	0	2	49	0	23	0	0	0	20	10	41	0	1
el progreso	2014	28.166667	7.3464071	34	19	41	239	0	5	180	0	158	0	4	3	35	16	280	0	0
el progreso	2015	25.750000	6.0471631	25	18	27	231	0	8	151	0	158	0	0	3	42	10	254	0	0
el progreso	2016	28.750000	4.0926764	41	27	32	239	0	6	190	0	155	0	1	0	50	18	276	0	0
el progreso	2017	31.500000	6.5017480	36	18	37	275	0	12	197	1	180	1	1	5	71	46	254	0	0
el progreso	2018	34.166667	5.3399580	28	22	50	299	0	11	209	1	200	1	1	8	79	77	241	0	3
el progreso no.2	2014	2.545454	0.9341987	2	4	4	18	0	0	20	0	8	0	0	0	3	0	25	0	0
el progreso no.2	2015	2.454546	1.2933396	2	7	7	11	0	0	20	1	6	1	0	0	0	1	25	0	0
el progreso no.2	2016	2.272727	1.4893562	6	5	4	10	0	0	20	1	4	1	0	0	4	2	18	0	0
el progreso no.2	2017	3.909091	1.8683975	10	6	5	21	0	1	28	1	14	1	0	0	5	9	28	0	0
el progreso no.2	2018	1.833333	1.0298573	2	3	7	10	0	0	15	0	7	0	0	0	1	7	14	0	0
el raizal	2014	8.416667	4.5418925	12	21	19	46	0	3	74	0	27	0	1	0	10	0	90	0	0
el raizal	2015	7.083333	2.7455198	16	17	9	38	0	5	61	1	23	1	0	0	8	1	75	0	0
el raizal	2016	8.916667	2.9063671	20	14	19	47	0	7	83	1	23	1	0	0	14	5	87	0	0
el raizal	2017	7.166667	2.6227443	5	21	14	40	0	6	61	0	25	0	0	0	14	14	58	0	0
el raizal	2018	8.250000	2.8001623	17	13	15	48	0	6	73	0	26	0	0	0	17	31	51	0	0
el rincon	2014	13.166667	3.9504507	25	25	19	80	1	8	104	0	54	0	1	6	8	7	136	0	0
el rincon	2015	13.250000	4.0480074	25	20	18	89	0	7	96	0	63	0	0	3	16	5	135	0	0
el rincon	2016	14.833333	3.9733964	38	15	27	87	0	11	111	0	67	0	1	10	7	14	146	0	0
el rincon	2017	16.666667	3.6762959	48	13	19	104	0	16	128	0	72	0	2	15	17	46	120	0	0
el rincon	2018	12.666667	3.7739137	15	14	14	99	0	10	76	1	75	1	1	15	11	23	100	0	1
el rodeo	2014	2.500000	1.4459976	3	5	3	17	0	2	17	0	13	0	0	0	1	1	28	0	0
el rodeo	2015	2.727273	1.4893562	1	3	5	19	0	2	19	0	11	0	0	0	3	1	26	0	0
el rodeo	2016	2.600000	1.8378732	3	4	5	13	0	1	18	0	8	0	0	3	2	1	20	0	0
el rodeo	2017	3.500000	1.2431631	5	6	1	26	0	4	24	1	17	1	0	2	3	3	33	0	0
el rodeo	2018	2.750000	1.7122553	4	2	2	24	0	1	18	0	15	0	0	0	5	0	28	0	0
el salado	2014	2.909091	1.5135749	0	8	8	12	0	4	25	0	7	0	0	1	3	1	27	0	0
el salado	2015	3.916667	1.9752253	11	11	5	17	0	3	36	0	11	0	0	1	4	1	41	0	0
el salado	2016	3.333333	1.8748737	8	7	4	19	0	2	29	0	11	0	0	0	2	3	35	0	0
el salado	2017	2.750000	1.0552897	5	3	6	16	0	3	23	0	10	0	0	1	7	10	15	0	0
el salado	2018	3.000000	1.8257419	5	10	2	11	0	2	22	0	8	0	0	1	0	7	22	0	0
el salvador	2014	8.750000	3.6958207	21	17	20	42	0	5	79	1	25	1	2	2	19	5	76	0	0
el salvador	2015	9.500000	3.1478709	18	14	13	64	0	5	68	1	45	1	0	1	14	4	94	0	0
el salvador	2016	11.083333	3.8009170	17	13	11	84	0	8	81	0	52	0	0	2	25	4	102	0	0
el salvador	2017	9.500000	2.7468991	24	16	7	63	0	4	70	0	44	0	0	1	19	25	69	0	0
el salvador	2018	8.500000	2.8762349	16	9	9	65	0	3	57	1	44	1	0	1	20	20	60	0	0
el socorro	2014	2.571429	2.0701967	2	5	3	8	0	0	12	1	5	1	0	0	3	0	14	0	0
el socorro	2015	1.714286	0.9511897	1	3	3	4	0	1	10	0	2	0	0	0	1	1	10	0	0
el socorro	2016	1.777778	0.8333333	3	5	3	4	0	1	14	0	2	0	0	0	0	0	16	0	0
el socorro	2017	2.000000	1.0000000	2	3	0	5	0	0	8	0	2	0	0	0	6	1	3	0	0
el socorro	2018	1.500000	0.8366600	0	5	0	4	0	0	5	0	4	0	0	0	2	1	6	0	0
el tesoro	2014	9.500000	3.5032452	4	3	12	90	0	5	41	0	73	0	0	0	8	9	97	0	0
el tesoro	2015	8.083333	3.2321772	5	3	7	78	0	4	36	0	61	0	0	1	15	4	77	0	0
el tesoro	2016	11.750000	3.9800640	5	2	6	121	0	7	52	1	88	1	0	0	21	9	109	0	1
el tesoro	2017	10.666667	4.5193188	11	4	6	103	0	4	43	0	85	0	0	3	16	20	87	0	2
el tesoro	2018	11.583333	2.9374799	8	2	5	119	0	5	43	0	96	0	0	1	19	26	92	0	1
el triunfo	2014	1.428571	0.7867958	5	2	3	0	0	0	10	0	0	0	0	0	0	2	8	0	0
el triunfo	2015	1.000000	0.0000000	1	2	2	1	0	1	7	0	0	0	0	0	0	1	6	0	0
el triunfo	2016	1.285714	0.4879500	3	4	0	1	0	1	8	0	1	0	0	0	0	0	9	0	0
el triunfo	2017	1.500000	0.8366600	3	1	2	3	0	0	7	0	2	0	0	0	0	4	5	0	0
el triunfo	2018	1.400000	0.5163978	4	3	1	6	0	0	9	0	5	0	0	0	1	4	9	0	0
el uvito	2018	1.000000	0.0000000	0	0	0	2	0	0	1	1	0	1	0	0	0	0	1	0	0
el velodromo	2014	10.583333	4.8328108	13	9	17	88	0	0	71	0	56	0	1	1	20	0	105	0	0
el velodromo	2015	11.500000	4.7958315	9	7	11	109	0	2	82	0	56	0	0	0	23	2	113	0	0
el velodromo	2016	11.500000	3.2613438	12	11	11	102	0	2	75	2	61	2	1	0	20	0	115	0	0
el velodromo	2017	12.166667	3.4333480	12	6	15	110	0	3	69	0	77	0	0	0	38	16	91	0	1
el velodromo	2018	10.916667	2.6097138	11	8	8	100	0	4	69	0	62	0	0	2	41	5	83	0	0
el vergel	2015	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
el vergel	2017	1.000000	0.0000000	1	0	0	1	0	0	2	0	0	0	0	0	1	0	1	0	0
el vergel	2018	1.000000	0.0000000	0	0	0	2	0	0	0	0	2	0	0	0	0	0	2	0	0
enciso	2014	11.916667	2.6443192	18	22	13	85	0	5	107	2	34	2	0	1	17	3	120	0	0
enciso	2015	11.416667	2.1933094	11	24	15	80	0	7	94	3	40	3	0	0	17	4	113	0	0
enciso	2016	11.083333	2.9063671	8	18	10	89	0	8	89	2	42	2	0	0	31	2	97	0	1
enciso	2017	9.916667	2.6443192	14	20	14	63	0	8	91	0	28	0	0	2	28	16	73	0	0
enciso	2018	10.333333	2.5702258	16	13	15	74	0	6	87	3	34	1	0	2	36	22	63	0	0
estacion villa	2014	19.583333	4.1878251	11	52	22	142	0	8	125	2	108	2	0	4	38	4	186	0	1
estacion villa	2015	18.083333	3.4761089	21	36	20	137	0	3	115	0	102	0	1	1	34	3	178	0	0
estacion villa	2016	19.250000	4.8453352	24	33	11	159	0	4	108	2	121	2	0	3	48	5	172	0	1
estacion villa	2017	21.416667	5.0173940	30	29	13	177	0	8	126	4	127	4	0	20	49	27	154	0	3
estacion villa	2018	22.083333	4.1000739	19	53	24	161	0	8	143	4	118	4	0	28	59	40	132	0	2
facultad de minas u. nacional	2014	19.000000	5.2742944	36	12	40	137	0	3	128	1	99	1	0	0	11	11	205	0	0
facultad de minas u. nacional	2015	20.833333	3.9504507	43	11	37	151	0	8	148	1	101	1	0	0	27	13	209	0	0
facultad de minas u. nacional	2016	19.833333	7.2842711	55	10	33	127	0	13	147	0	91	0	1	0	23	14	198	1	1
facultad de minas u. nacional	2017	18.500000	6.3746658	47	3	35	130	0	7	134	1	87	1	1	0	33	40	147	0	0
facultad de minas u. nacional	2018	18.916667	5.6158596	43	8	32	137	0	7	134	0	93	0	0	0	37	58	132	0	0
facultad veterinaria y zootecnia u.de.a.	2014	5.333333	1.6143298	7	3	1	53	0	0	32	0	32	0	1	0	10	0	53	0	0
facultad veterinaria y zootecnia u.de.a.	2015	5.545454	2.6594600	4	6	7	42	0	2	36	0	25	0	0	0	10	1	50	0	0
facultad veterinaria y zootecnia u.de.a.	2016	4.416667	2.2343733	2	3	3	44	0	1	28	0	25	0	0	0	14	0	39	0	0
facultad veterinaria y zootecnia u.de.a.	2017	2.333333	1.1547005	3	1	4	20	0	0	16	0	12	0	0	0	6	1	21	0	0
facultad veterinaria y zootecnia u.de.a.	2018	2.600000	1.7126977	7	2	4	12	0	1	22	0	4	0	0	0	5	3	18	0	0
fatima	2014	18.666667	3.4465617	18	20	14	167	0	5	127	1	96	1	2	0	48	8	163	0	2
fatima	2015	19.083333	5.2476546	13	12	8	189	0	7	114	0	115	0	0	0	67	3	158	0	1
fatima	2016	19.000000	4.8617243	22	9	8	184	0	5	120	0	108	0	1	0	56	7	164	0	0
fatima	2017	18.500000	4.0113475	14	7	13	182	0	6	112	1	109	1	1	0	76	21	122	0	1
fatima	2018	18.083333	4.6015478	13	9	15	175	0	5	116	0	101	0	0	1	79	21	113	0	3
ferrini	2014	5.000000	2.2563043	10	5	3	39	0	3	31	0	29	0	0	0	14	1	45	0	0
ferrini	2015	4.416667	1.8319554	4	5	6	36	0	2	31	0	22	0	0	0	12	4	36	0	1
ferrini	2016	4.750000	1.1381804	8	3	6	39	0	1	29	0	28	0	1	0	16	5	35	0	0
ferrini	2017	3.818182	1.7786614	4	7	5	26	0	0	21	0	21	0	0	0	10	6	26	0	0
ferrini	2018	3.916667	1.6764862	3	4	4	33	0	3	24	0	23	0	0	0	14	7	26	0	0
florencia	2014	6.583333	2.2746961	15	8	17	37	0	2	60	0	19	0	1	0	18	1	59	0	0
florencia	2015	5.833333	2.4432963	6	9	14	35	0	6	48	1	21	1	0	0	14	1	54	0	0
florencia	2016	5.250000	2.3788844	10	8	10	35	0	0	47	0	16	0	0	0	10	3	50	0	0
florencia	2017	6.666667	2.8391206	10	10	6	51	0	3	47	0	33	0	0	0	26	15	39	0	0
florencia	2018	5.416667	2.1933094	6	7	17	33	0	2	44	0	21	0	0	0	17	15	33	0	0
florida nueva	2014	13.083333	4.1660606	13	13	8	121	0	2	81	1	75	1	0	0	16	1	139	0	0
florida nueva	2015	11.416667	3.1466673	14	14	12	95	0	2	71	0	66	0	1	0	20	2	113	0	1
florida nueva	2016	14.750000	4.0028399	10	29	6	128	0	4	90	0	87	0	0	1	27	4	145	0	0
florida nueva	2017	14.333333	3.9389277	18	16	10	121	0	7	86	1	85	1	2	0	48	15	106	0	0
florida nueva	2018	13.000000	2.1742292	17	17	8	113	0	1	74	4	78	2	1	0	42	11	100	0	0
francisco antonio zea	2014	10.416667	3.8484550	14	13	14	82	0	2	78	0	47	0	1	0	11	2	111	0	0
francisco antonio zea	2015	10.500000	3.0600059	11	15	15	76	0	9	82	0	44	0	0	0	15	2	109	0	0
francisco antonio zea	2016	10.250000	3.3337121	19	19	9	71	0	5	95	0	28	0	0	0	15	5	103	0	0
francisco antonio zea	2017	10.250000	2.8324419	27	18	17	55	0	6	91	0	32	0	0	0	23	17	83	0	0
francisco antonio zea	2018	7.916667	2.6097138	20	11	10	54	0	0	57	0	38	0	0	0	20	15	59	0	1
fuente clara	2014	1.600000	0.8944272	1	2	2	3	0	0	8	0	0	0	2	0	1	0	5	0	0
fuente clara	2015	2.333333	1.0327956	1	4	1	8	0	0	8	2	4	2	0	0	2	1	9	0	0
fuente clara	2016	3.250000	1.3887301	6	2	5	13	0	0	22	0	4	0	0	0	1	2	23	0	0
fuente clara	2017	3.000000	2.4494897	5	1	1	11	0	3	18	0	3	0	0	0	4	4	13	0	0
fuente clara	2018	3.100000	1.9692074	3	3	2	20	0	3	26	0	5	0	0	0	1	10	18	0	2
gerona	2014	6.916667	3.2879486	16	15	6	45	0	1	60	0	23	0	1	0	21	2	58	1	0
gerona	2015	7.916667	3.6045006	15	15	16	46	0	3	71	0	24	0	0	0	24	3	68	0	0
gerona	2016	8.833333	3.7859389	20	12	10	60	0	4	71	0	35	0	0	0	26	5	75	0	0
gerona	2017	6.583333	2.5030285	14	14	6	38	0	7	56	0	23	0	1	0	26	15	37	0	0
gerona	2018	6.916667	3.5791907	8	9	7	53	0	6	53	0	30	0	0	1	29	13	40	0	0
girardot	2014	17.750000	3.8641711	36	15	31	126	0	5	133	0	80	0	1	0	21	6	185	0	0
girardot	2015	19.083333	5.0714591	39	26	29	125	0	10	157	0	72	0	2	0	32	5	190	0	0
girardot	2016	18.916667	4.1878251	40	20	28	132	0	7	157	2	68	2	0	0	17	15	193	0	0
girardot	2017	16.583333	2.6097138	30	15	36	104	0	14	140	0	59	0	1	0	23	43	132	0	0
girardot	2018	13.166667	4.3658454	15	16	27	90	0	10	103	4	51	2	0	2	27	31	95	0	1
granada	2014	6.750000	3.4410622	8	4	6	62	0	1	40	0	41	0	2	0	17	1	61	0	0
granada	2015	8.750000	3.3337121	8	8	1	83	0	5	54	2	49	2	0	0	31	1	71	0	0
granada	2016	8.583333	2.6443192	9	7	10	74	0	3	54	0	49	0	1	0	28	2	72	0	0
granada	2017	7.750000	3.3878124	5	12	0	71	0	5	41	0	52	0	0	0	27	4	62	0	0
granada	2018	6.833333	2.6571801	4	9	2	64	0	3	38	0	44	0	0	0	27	6	49	0	0
granizal	2014	6.583333	2.6784776	7	21	6	42	0	3	43	1	35	1	0	0	7	1	70	0	0
granizal	2015	5.416667	2.3143164	8	17	7	30	0	3	41	1	23	1	0	0	3	2	59	0	0
granizal	2016	6.000000	2.4120908	14	17	9	30	0	2	48	2	22	2	0	0	3	2	65	0	0
granizal	2017	5.166667	2.0375267	10	14	2	34	0	2	34	1	27	1	0	0	7	11	43	0	0
granizal	2018	5.166667	3.0100841	1	20	5	35	0	1	32	2	28	2	0	0	8	10	41	0	1
guayabal	2014	35.500000	8.9898933	30	25	39	318	0	14	182	1	243	1	1	0	65	9	350	0	0
guayabal	2015	37.666667	8.3810754	40	20	39	331	0	22	217	0	235	0	0	0	62	15	374	0	1
guayabal	2016	44.000000	8.9137279	52	28	35	396	0	17	255	0	273	0	3	0	63	17	442	0	3
guayabal	2017	47.750000	8.4544233	70	50	33	396	0	24	298	12	263	12	4	1	90	51	408	1	6
guayabal	2018	28.833333	4.2817442	22	16	11	291	0	6	133	1	212	1	1	0	78	31	235	0	0
guayaquil	2014	61.083333	11.5872840	37	91	40	557	0	8	302	9	422	9	3	50	71	12	571	0	17
guayaquil	2015	73.583333	14.1064675	51	75	57	687	0	13	377	2	504	2	2	49	90	12	695	1	32
guayaquil	2016	63.750000	5.0113508	44	76	43	591	1	10	311	8	446	8	4	68	92	9	565	2	17
guayaquil	2017	49.750000	4.9931772	38	46	25	475	0	13	229	5	363	5	2	30	105	31	386	0	38
guayaquil	2018	44.583333	9.2092674	33	59	19	416	0	8	196	8	331	4	1	6	104	40	360	0	20
hector abad gomez	2014	14.083333	2.9987371	21	13	16	116	0	3	98	2	69	2	3	0	10	3	151	0	0
hector abad gomez	2015	12.166667	3.0100841	33	2	9	97	0	5	88	1	57	1	0	0	8	2	135	0	0
hector abad gomez	2016	14.500000	3.8494392	14	6	17	129	0	8	97	3	74	3	0	0	17	3	150	0	1
hector abad gomez	2017	16.916667	4.2737749	21	8	17	149	0	8	117	1	85	1	3	0	5	13	181	0	0
hector abad gomez	2018	18.166667	5.8749597	32	14	17	140	0	15	130	3	85	2	0	0	13	26	177	0	0
hospital san vicente de paul	2014	1.818182	0.9816498	1	4	1	14	0	0	12	0	8	0	0	0	1	1	18	0	0
hospital san vicente de paul	2015	2.333333	1.1547005	0	4	3	20	0	1	13	0	15	0	0	0	5	2	21	0	0
hospital san vicente de paul	2016	2.909091	2.0714510	5	2	3	21	0	1	17	0	15	0	1	0	2	2	27	0	0
hospital san vicente de paul	2017	1.909091	0.9438798	1	0	0	18	0	2	6	0	15	0	1	0	5	1	14	0	0
hospital san vicente de paul	2018	2.833333	1.1146409	0	5	3	25	0	1	16	0	18	0	1	1	7	7	18	0	0
inst	2014	2.636364	1.3618170	3	4	1	20	0	1	15	1	13	1	0	0	1	1	26	0	0
inst	2015	3.250000	1.6025548	8	6	4	21	0	0	21	0	18	0	0	0	1	0	38	0	0
inst	2016	3.666667	1.2309149	4	7	2	30	0	1	23	1	20	1	0	0	1	3	38	0	1
inst	2017	2.600000	1.2649111	2	2	2	20	0	0	9	2	15	2	0	0	3	0	20	0	1
inst	2018	3.090909	1.7580981	3	1	6	24	0	0	17	1	16	1	0	0	3	5	23	0	2
jardin botanico	2014	4.000000	1.7888544	5	6	3	29	0	1	22	0	22	0	0	0	5	0	39	0	0
jardin botanico	2015	3.727273	1.7939292	6	4	2	27	0	2	17	1	23	1	0	0	4	5	31	0	0
jardin botanico	2016	3.600000	1.7126977	2	4	5	24	0	1	21	0	15	0	1	0	5	2	28	0	0
jardin botanico	2017	3.666667	1.8748737	10	4	5	25	0	0	26	0	18	0	0	0	6	7	31	0	0
jardin botanico	2018	3.166667	1.5859229	3	4	3	27	0	1	19	2	17	1	0	0	11	3	23	0	0
jesus nazareno	2014	34.333333	5.7419245	39	45	28	291	0	9	210	5	197	5	0	19	56	9	306	0	17
jesus nazareno	2015	35.000000	6.0603030	40	42	27	294	0	17	203	3	214	3	1	18	58	8	322	1	9
jesus nazareno	2016	32.166667	3.7376058	38	40	39	258	0	11	239	7	140	7	2	16	62	8	275	0	16
jesus nazareno	2017	33.250000	5.6266412	49	23	26	287	0	14	222	4	173	4	2	20	92	23	226	0	32
jesus nazareno	2018	31.083333	7.1408980	44	28	42	240	1	18	222	6	145	4	2	25	96	42	170	0	34
juan pablo ii	2014	1.666667	1.1547005	0	3	1	1	0	0	4	0	1	0	0	0	0	0	5	0	0
juan pablo ii	2015	1.142857	0.3779645	1	2	1	2	0	2	7	0	1	0	1	0	0	0	7	0	0
juan pablo ii	2016	1.285714	0.4879500	1	3	2	2	0	1	8	0	1	0	0	0	0	2	7	0	0
juan pablo ii	2017	1.166667	0.4082483	0	2	2	2	0	1	5	0	2	0	0	0	1	2	4	0	0
juan pablo ii	2018	1.200000	0.4472136	1	1	0	3	0	1	3	0	3	0	0	0	0	1	5	0	0
juan xxiii la quiebra	2014	3.363636	1.9632996	7	7	5	16	0	2	27	0	10	0	0	0	1	0	36	0	0
juan xxiii la quiebra	2015	3.363636	1.5666989	4	11	4	17	0	1	24	0	13	0	0	0	0	2	35	0	0
juan xxiii la quiebra	2016	2.181818	0.8738629	2	7	4	8	0	3	18	0	6	0	0	0	2	1	21	0	0
juan xxiii la quiebra	2017	3.636364	2.0626550	10	6	8	15	0	1	28	0	12	0	0	1	1	9	29	0	0
juan xxiii la quiebra	2018	2.875000	2.2320714	3	5	3	12	0	0	13	2	8	1	0	0	2	1	19	0	0
kennedy	2014	16.083333	4.7950416	39	50	30	70	0	4	149	2	42	2	2	0	17	5	167	0	0
kennedy	2015	15.250000	5.4626833	28	41	24	85	0	5	131	0	52	0	1	0	19	1	162	0	0
kennedy	2016	14.500000	4.8335946	32	30	22	85	0	5	124	0	50	0	0	0	21	14	139	0	0
kennedy	2017	15.416667	4.3161080	26	39	32	82	0	6	134	0	51	0	0	0	28	35	122	0	0
kennedy	2018	15.666667	4.8304589	21	32	40	88	0	7	130	0	58	0	0	0	41	48	99	0	0
la aguacatala	2014	30.166667	5.5894923	26	11	30	287	0	8	143	2	217	2	2	36	25	4	282	0	11
la aguacatala	2015	32.916667	8.6703081	33	13	26	312	0	11	160	1	234	1	0	28	26	12	313	0	15
la aguacatala	2016	34.916667	4.4201673	38	11	23	339	0	8	176	0	243	0	3	41	31	6	316	1	21
la aguacatala	2017	45.833333	8.7472940	49	14	27	439	0	21	222	1	327	1	3	75	61	42	341	0	27
la aguacatala	2018	28.000000	8.6234353	21	5	16	288	0	6	117	5	214	4	5	51	39	16	192	0	29
la alpujarra	2014	8.916667	2.1514618	3	11	11	78	0	4	49	1	57	1	1	5	4	3	88	0	5
la alpujarra	2015	15.833333	6.5064071	14	6	14	149	0	7	72	1	117	1	1	2	18	3	160	0	5
la alpujarra	2016	10.750000	3.1944554	10	9	7	101	0	2	56	1	72	1	0	8	10	5	98	0	7
la alpujarra	2017	33.583333	14.0871207	35	10	15	333	0	10	166	0	237	0	1	92	31	25	181	0	73
la alpujarra	2018	41.083333	7.0641004	31	19	16	417	0	10	169	0	324	0	4	159	33	30	193	0	74
la america	2014	19.666667	3.9157800	26	22	20	164	0	4	125	1	110	1	1	11	27	4	191	0	1
la america	2015	17.916667	4.6992907	20	29	17	139	0	10	107	1	107	1	0	16	32	3	163	0	0
la america	2016	17.666667	3.9157800	29	20	16	141	0	6	122	1	89	1	0	10	37	5	157	0	2
la america	2017	20.416667	4.4814432	26	31	22	152	0	14	134	4	107	4	0	24	51	30	135	0	1
la america	2018	16.500000	3.0000000	7	19	11	156	0	5	90	4	104	3	0	17	52	14	111	0	1
la avanzada	2014	1.875000	1.7268882	2	2	2	9	0	0	11	0	4	0	1	0	0	0	14	0	0
la avanzada	2015	1.750000	0.8864053	1	3	1	9	0	0	11	0	3	0	0	0	1	0	13	0	0
la avanzada	2016	2.500000	1.2692955	3	4	3	13	0	2	19	0	6	0	0	0	1	3	21	0	0
la avanzada	2017	2.181818	1.5374122	2	9	1	11	0	1	17	0	7	0	0	0	0	3	21	0	0
la avanzada	2018	3.090909	2.1191765	2	13	5	14	0	0	28	0	6	0	1	0	2	13	18	0	0
la candelaria	2014	95.916667	14.1450816	71	245	75	750	0	10	508	7	636	7	9	0	162	11	960	0	2
la candelaria	2015	89.083333	11.6810517	47	200	62	743	0	17	465	7	597	7	4	1	171	17	867	1	1
la candelaria	2016	79.000000	11.6619038	52	163	65	652	0	16	415	2	531	2	1	0	181	23	739	1	1
la candelaria	2017	78.666667	11.5784544	44	173	48	664	0	15	383	18	543	18	4	1	213	57	645	1	5
la candelaria	2018	82.416667	9.1100178	46	148	44	738	0	13	352	9	628	6	6	0	252	69	655	0	1
la castellana	2014	11.500000	3.2613438	9	9	7	113	0	0	62	0	76	0	0	2	39	5	92	0	0
la castellana	2015	16.166667	4.3029236	9	11	13	156	0	5	97	0	97	0	0	6	54	2	132	0	0
la castellana	2016	10.833333	4.2390679	7	5	8	107	0	3	72	0	58	0	0	4	54	1	71	0	0
la castellana	2017	11.916667	1.9286516	9	7	5	119	0	3	65	1	77	1	0	6	65	8	63	0	0
la castellana	2018	9.166667	4.3658454	4	10	4	90	0	2	52	1	57	1	0	11	41	7	50	0	0
la colina	2014	8.083333	2.7784343	14	11	13	52	0	7	57	1	39	1	0	0	7	2	87	0	0
la colina	2015	8.833333	3.8573032	11	8	16	63	0	8	57	0	49	0	0	0	12	4	90	0	0
la colina	2016	9.916667	4.1660606	23	16	19	61	0	0	81	1	37	1	0	0	18	6	94	0	0
la colina	2017	9.750000	5.2245052	22	9	11	70	0	5	68	0	49	0	0	0	28	19	70	0	0
la colina	2018	6.333333	2.1461735	6	6	9	53	0	2	36	1	39	1	0	0	21	5	49	0	0
la cruz	2014	3.375000	1.6850180	2	11	1	13	0	0	22	0	5	0	0	0	2	2	23	0	0
la cruz	2015	1.600000	0.8432740	0	8	2	5	0	1	12	0	4	0	0	0	0	0	16	0	0
la cruz	2016	2.000000	1.0000000	3	4	2	7	0	2	13	0	5	0	0	0	0	0	18	0	0
la cruz	2017	2.200000	1.1352924	2	4	1	13	0	2	14	1	7	1	0	0	3	2	16	0	0
la cruz	2018	1.750000	1.0350983	0	6	2	5	0	1	10	0	4	0	0	0	1	2	11	0	0
la esperanza	2014	10.583333	2.6784776	23	33	27	41	0	3	108	1	18	1	0	0	19	3	104	0	0
la esperanza	2015	11.750000	3.7688918	22	34	21	60	0	4	117	1	23	1	0	0	27	5	108	0	0
la esperanza	2016	12.750000	3.8641711	22	42	30	51	0	8	130	0	23	0	1	0	30	6	116	0	0
la esperanza	2017	11.083333	3.2601822	30	19	23	58	0	3	104	1	28	1	2	0	40	19	71	0	0
la esperanza	2018	10.166667	3.0993645	18	24	26	47	0	7	96	2	24	1	0	0	28	40	53	0	0
la esperanza no. 2	2014	2.181818	1.1677484	1	10	2	11	0	0	19	0	5	0	0	0	1	1	22	0	0
la esperanza no. 2	2015	1.900000	0.7378648	4	6	3	6	0	0	17	0	2	0	1	0	1	1	16	0	0
la esperanza no. 2	2016	1.916667	0.9962049	3	6	2	9	0	3	16	0	7	0	0	0	2	2	19	0	0
la esperanza no. 2	2017	2.400000	1.5055453	2	6	3	11	0	2	17	0	7	0	0	0	1	4	19	0	0
la esperanza no. 2	2018	2.800000	1.5491933	4	8	4	11	0	1	25	0	3	0	0	0	1	6	21	0	0
la floresta	2014	13.083333	2.8431204	17	20	13	106	0	1	83	0	74	0	0	0	37	3	117	0	0
la floresta	2015	10.583333	5.1954234	13	19	12	79	0	4	78	1	48	1	0	1	36	1	87	0	1
la floresta	2016	13.083333	4.6408920	22	9	20	101	0	5	92	1	64	1	0	0	36	8	112	0	0
la floresta	2017	12.333333	4.7161875	13	10	11	110	0	4	76	0	72	0	0	3	57	14	74	0	0
la floresta	2018	11.250000	2.5628464	13	12	8	100	0	2	76	1	58	1	0	3	56	19	56	0	0
la florida	2014	13.583333	4.1221868	9	10	8	134	0	2	54	1	108	1	2	0	20	6	134	0	0
la florida	2015	13.083333	5.5833899	7	7	1	138	0	4	59	0	98	0	0	0	21	4	132	0	0
la florida	2016	13.250000	4.0028399	3	6	3	143	0	4	36	0	123	0	1	0	17	10	131	0	0
la florida	2017	15.500000	2.9076701	7	10	5	161	0	3	50	0	136	0	1	0	37	17	130	0	1
la florida	2018	15.333333	4.9051612	10	5	13	151	0	5	75	0	109	0	0	0	34	16	132	0	2
la francia	2014	5.000000	2.4120908	4	20	9	27	0	0	44	0	16	0	1	0	3	2	54	0	0
la francia	2015	4.500000	2.1950357	7	7	7	29	0	4	33	0	21	0	0	1	9	3	41	0	0
la francia	2016	3.833333	1.9924098	6	10	3	24	0	3	33	0	13	0	0	0	6	3	37	0	0
la francia	2017	4.250000	2.1373305	3	17	5	25	0	1	38	0	13	0	1	0	3	9	38	0	0
la francia	2018	3.833333	2.1248886	4	7	8	25	0	2	26	0	20	0	1	0	6	7	32	0	0
la frontera	2014	5.416667	2.3143164	4	18	5	34	0	4	44	0	21	0	0	0	3	2	60	0	0
la frontera	2015	4.600000	2.2705848	9	12	4	20	0	1	31	0	15	0	1	0	3	1	41	0	0
la frontera	2016	3.818182	2.6764970	3	12	3	19	0	5	30	0	12	0	1	0	2	3	36	0	0
la frontera	2017	3.333333	1.9227506	6	5	6	22	0	1	26	0	14	0	0	0	2	9	29	0	0
la frontera	2018	3.545454	1.8635255	6	7	6	19	0	1	27	0	12	0	0	0	6	7	26	0	0
la gloria	2014	13.000000	4.0898989	28	11	12	101	0	4	87	0	69	0	2	0	24	2	127	0	1
la gloria	2015	15.500000	6.3746658	26	9	12	129	0	10	104	0	82	0	0	1	37	4	144	0	0
la gloria	2016	18.583333	4.8515852	31	10	22	148	0	12	140	0	83	0	0	0	28	9	185	0	1
la gloria	2017	18.166667	4.2175679	36	12	26	134	0	10	128	1	89	1	1	8	43	26	139	0	0
la gloria	2018	14.166667	5.0241839	21	8	15	123	0	3	84	0	86	0	2	4	39	17	107	0	1
la hondonada	2014	3.250000	1.3887301	1	2	3	20	0	0	15	0	11	0	0	0	2	1	23	0	0
la hondonada	2015	2.888889	1.2692955	3	2	3	18	0	0	15	0	11	0	0	0	4	3	19	0	0
la hondonada	2016	2.818182	0.9816498	7	0	5	19	0	0	21	0	10	0	1	0	1	3	25	0	1
la hondonada	2017	4.181818	1.9908883	7	3	5	28	0	3	26	0	20	0	0	0	4	11	31	0	0
la hondonada	2018	4.272727	1.8488326	6	2	4	35	0	0	22	0	25	0	0	0	6	4	37	0	0
la isla	2014	3.750000	2.2207697	5	17	3	18	0	2	31	1	13	1	0	0	4	3	37	0	0
la isla	2015	3.500000	1.4459976	4	21	5	12	0	0	33	0	9	0	1	0	2	0	39	0	0
la isla	2016	3.583333	1.7816404	3	15	5	18	0	2	29	1	13	1	0	0	3	0	39	0	0
la isla	2017	2.500000	1.4337209	4	10	1	9	0	1	20	0	5	0	0	0	3	4	18	0	0
la isla	2018	3.166667	1.5275252	8	7	3	20	0	0	25	0	13	0	0	0	4	8	26	0	0
la ladera	2014	1.500000	0.7071068	4	1	1	9	0	0	10	0	5	0	0	0	2	1	11	0	1
la ladera	2015	1.555556	1.1303883	0	1	1	12	0	0	7	0	7	0	0	0	1	0	13	0	0
la ladera	2016	1.800000	0.7888106	3	2	2	10	0	1	11	0	7	0	0	0	1	0	17	0	0
la ladera	2017	2.000000	0.7559289	1	2	2	10	0	1	10	0	6	0	0	0	1	2	13	0	0
la ladera	2018	2.250000	1.1649647	3	2	6	7	0	0	13	0	5	0	0	0	1	6	11	0	0
la libertad	2014	5.916667	1.8809250	12	18	10	29	0	2	54	1	16	1	0	0	4	3	63	0	0
la libertad	2015	6.250000	2.5271256	15	7	12	33	0	8	49	0	26	0	1	0	4	4	66	0	0
la libertad	2016	5.000000	2.2962420	8	9	12	30	0	1	41	0	19	0	0	0	3	3	54	0	0
la libertad	2017	4.333333	2.0150946	10	10	5	26	0	1	28	0	24	0	0	0	5	11	36	0	0
la libertad	2018	5.166667	2.6911753	14	10	8	29	0	1	42	0	20	0	0	0	6	13	43	0	0
la loma de los bernal	2014	1.000000	0.0000000	0	0	1	5	0	0	2	0	4	0	0	0	1	0	5	0	0
la loma de los bernal	2015	1.000000	0.0000000	1	0	0	4	0	0	2	0	3	0	0	0	1	0	4	0	0
la loma de los bernal	2016	1.142857	0.3779645	2	0	0	6	0	0	3	0	5	0	0	0	0	0	8	0	0
la loma de los bernal	2017	1.142857	0.3779645	1	1	0	6	0	0	3	0	5	0	0	0	2	1	5	0	0
la loma de los bernal	2018	1.250000	0.5000000	0	0	1	4	0	0	1	0	4	0	0	0	1	0	4	0	0
la loma oriental	2014	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
la loma oriental	2015	1.250000	0.5000000	0	0	2	3	0	0	3	0	2	0	0	0	1	0	4	0	0
la loma oriental	2016	1.333333	0.5773503	1	0	0	2	0	1	2	0	2	0	0	0	0	0	4	0	0
la loma oriental	2017	1.333333	0.5773503	2	0	0	2	0	0	4	0	0	0	0	0	0	1	2	0	1
la loma oriental	2018	1.571429	0.5345225	1	1	3	4	0	2	9	0	2	0	0	0	1	3	7	0	0
la mansion	2014	4.166667	1.9924098	6	3	7	32	0	2	35	0	15	0	0	0	13	0	37	0	0
la mansion	2015	4.909091	2.3001976	5	9	7	31	0	2	42	0	12	0	0	0	9	2	43	0	0
la mansion	2016	5.333333	1.6143298	12	3	1	46	0	2	44	0	20	0	0	0	18	2	44	0	0
la mansion	2017	5.500000	2.6457513	3	8	6	49	0	0	41	0	25	0	1	0	28	2	35	0	0
la mansion	2018	4.416667	1.8319554	4	7	4	34	0	4	35	0	18	0	0	0	18	9	26	0	0
la milagrosa	2014	8.750000	4.2879323	9	13	9	72	0	2	70	2	33	2	0	0	17	2	84	0	0
la milagrosa	2015	7.750000	3.3337121	9	9	6	63	0	6	58	2	33	2	0	0	34	2	55	0	0
la milagrosa	2016	8.666667	3.2286595	10	13	11	66	0	4	65	1	38	1	0	0	29	6	68	0	0
la milagrosa	2017	8.250000	3.1370223	9	9	12	66	0	3	58	1	40	1	0	0	38	15	44	0	1
la milagrosa	2018	7.833333	2.6571801	5	14	15	59	0	1	59	1	34	1	0	0	35	11	47	0	0
la mota	2014	5.416667	1.9286516	6	3	5	45	0	6	34	1	30	1	0	1	13	5	45	0	0
la mota	2015	6.333333	2.0150946	4	2	7	59	0	4	38	0	38	0	0	2	15	4	55	0	0
la mota	2016	7.416667	2.3532698	15	6	3	63	0	2	51	2	36	2	0	4	22	5	56	0	0
la mota	2017	7.666667	2.8709623	11	7	10	60	0	4	52	0	40	0	0	3	16	14	58	0	1
la mota	2018	5.166667	1.8504709	5	4	5	45	0	3	39	0	23	0	0	5	13	7	37	0	0
la oculta	2014	1.000000	0.0000000	0	1	0	1	0	0	2	0	0	0	0	0	0	0	2	0	0
la oculta	2015	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
la oculta	2016	1.000000	NA	0	1	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
la oculta	2017	1.000000	0.0000000	0	0	1	3	0	1	3	0	2	0	0	0	1	0	4	0	0
la oculta	2018	1.000000	0.0000000	0	1	0	2	0	1	2	0	2	0	0	0	1	1	2	0	0
la palma	2014	11.666667	3.9389277	18	19	17	80	0	6	88	1	51	1	1	0	14	4	119	1	0
la palma	2015	10.833333	2.7579087	18	12	11	81	0	8	74	0	56	0	0	1	20	4	105	0	0
la palma	2016	12.750000	3.4673805	19	15	11	103	0	5	91	1	61	1	1	1	25	4	121	0	0
la palma	2017	9.083333	2.7455198	10	7	10	79	0	3	55	0	54	0	2	0	21	11	75	0	0
la palma	2018	8.166667	4.1742355	4	10	8	76	0	0	45	0	53	0	1	1	25	17	54	0	0
la pilarica	2014	7.500000	3.3709993	10	7	12	59	0	2	49	0	41	0	0	0	11	3	76	0	0
la pilarica	2015	7.500000	3.0301515	16	2	5	63	0	4	51	0	39	0	0	0	16	3	71	0	0
la pilarica	2016	6.083333	3.1754265	8	7	3	54	0	1	40	0	33	0	0	0	12	2	59	0	0
la pilarica	2017	8.000000	4.5527215	14	6	6	65	0	5	52	1	43	1	0	0	20	11	64	0	0
la pilarica	2018	9.916667	2.7122059	11	6	21	80	0	1	72	0	47	0	1	0	25	20	73	0	0
la pinuela	2014	4.666667	1.3026779	6	11	5	31	0	3	40	1	15	1	0	0	8	1	45	0	1
la pinuela	2015	7.083333	2.5030285	8	15	14	43	0	5	62	1	22	1	2	0	9	4	69	0	0
la pinuela	2016	5.500000	1.8829377	6	13	15	31	0	1	51	1	14	1	0	0	11	1	53	0	0
la pinuela	2017	5.083333	2.2746961	9	5	10	34	0	3	46	0	15	0	0	0	12	7	42	0	0
la pinuela	2018	5.500000	2.5405797	8	7	10	37	0	4	46	0	20	0	0	0	19	11	36	0	0
la pradera	2014	7.250000	2.8001623	16	10	16	38	0	7	60	0	27	0	0	0	13	3	71	0	0
la pradera	2015	5.833333	1.6966991	13	9	9	33	0	6	51	0	19	0	0	0	12	3	55	0	0
la pradera	2016	8.083333	2.6097138	17	18	12	45	0	5	70	1	26	1	0	0	8	5	83	0	0
la pradera	2017	6.500000	2.7468991	11	19	10	34	0	4	61	1	16	1	0	0	13	15	49	0	0
la pradera	2018	4.750000	1.8647447	8	5	16	27	0	1	44	0	13	0	0	0	12	22	22	0	1
la rosa	2014	4.166667	1.8989630	8	14	3	24	0	1	40	2	8	2	0	0	5	3	40	0	0
la rosa	2015	4.083333	1.6213537	11	8	4	23	0	3	40	0	9	0	0	0	4	3	42	0	0
la rosa	2016	4.090909	1.9211739	6	8	7	21	0	3	38	0	7	0	0	0	2	4	39	0	0
la rosa	2017	3.090909	1.5135749	8	6	3	17	0	0	22	0	12	0	0	0	6	4	24	0	0
la rosa	2018	4.416667	2.6443192	5	11	7	29	0	1	34	0	19	0	0	0	14	11	28	0	0
la salle	2014	9.000000	2.5226249	13	37	17	38	0	3	90	0	18	0	1	0	7	4	96	0	0
la salle	2015	9.916667	2.9374799	13	43	13	46	0	4	92	1	26	1	1	0	9	4	104	0	0
la salle	2016	10.250000	2.5980762	12	31	10	59	0	11	84	1	38	1	2	0	16	3	101	0	0
la salle	2017	8.833333	1.7494588	13	17	18	56	0	2	75	0	31	0	0	0	14	15	77	0	0
la salle	2018	8.666667	2.4984844	12	28	11	47	0	6	79	1	24	1	1	0	8	22	72	0	0
la sierra	2014	1.000000	0.0000000	1	1	1	0	0	0	3	0	0	0	0	0	0	0	3	0	0
la sierra	2015	1.000000	NA	0	0	0	1	0	0	1	0	0	0	0	0	0	0	1	0	0
la sierra	2016	1.200000	0.4472136	1	1	2	1	0	1	5	0	1	0	0	0	0	1	5	0	0
la sierra	2017	1.000000	0.0000000	2	0	0	1	0	0	2	0	1	0	0	0	0	1	2	0	0
la sierra	2018	1.333333	0.5773503	1	0	2	0	0	1	4	0	0	0	0	0	0	4	0	0	0
la verde	2014	1.500000	0.7071068	0	0	1	2	0	0	2	0	1	0	0	1	0	0	2	0	0
la verde	2015	1.500000	0.7071068	0	0	2	1	0	0	3	0	0	0	0	0	0	1	2	0	0
la verde	2016	1.000000	0.0000000	0	1	0	1	0	0	1	0	1	0	0	0	0	0	2	0	0
la verde	2017	2.428571	1.3972763	2	1	2	11	0	1	9	0	8	0	0	9	3	3	2	0	0
la verde	2018	1.777778	1.3017083	2	0	1	12	0	1	6	0	10	0	0	9	1	4	2	0	0
lalinde	2014	2.777778	1.4813657	0	0	2	22	0	1	11	0	14	0	0	0	4	2	18	0	1
lalinde	2015	2.600000	1.1737878	0	0	3	23	0	0	14	0	12	0	0	0	6	0	20	0	0
lalinde	2016	2.666667	1.3026779	0	2	1	29	0	0	8	0	24	0	0	0	4	1	27	0	0
lalinde	2017	3.416667	1.9286516	1	0	0	40	0	0	15	0	26	0	0	0	11	1	29	0	0
lalinde	2018	2.363636	1.2060454	0	1	1	24	0	0	7	0	19	0	0	1	5	1	19	0	0
las acacias	2014	27.166667	6.3365223	21	15	22	264	0	4	130	2	194	2	1	40	36	2	244	1	0
las acacias	2015	26.083333	4.9443877	24	21	23	238	0	7	134	2	177	2	1	40	31	7	232	0	0
las acacias	2016	28.000000	6.7554692	31	13	21	257	0	14	148	0	188	0	0	44	38	2	251	1	0
las acacias	2017	23.916667	3.2879486	29	18	18	213	0	9	137	0	150	0	0	61	61	31	131	1	2
las acacias	2018	22.416667	7.3664884	14	9	16	228	0	2	105	2	162	1	2	63	49	25	129	0	0
las brisas	2014	16.666667	3.4200833	31	19	23	121	0	6	124	3	73	3	0	0	16	2	179	0	0
las brisas	2015	15.750000	4.7887178	29	7	23	120	0	10	115	1	73	1	2	0	14	7	165	0	0
las brisas	2016	17.916667	2.7784343	33	16	15	145	0	6	139	3	73	3	1	0	18	10	182	0	1
las brisas	2017	17.583333	5.0893531	29	7	20	145	0	10	122	0	89	0	1	0	30	32	147	0	1
las brisas	2018	15.000000	3.1622777	29	14	19	114	0	4	103	1	76	1	2	0	23	29	124	0	1
las esmeraldas	2014	9.083333	3.8720052	15	22	15	57	0	0	67	1	41	1	0	0	16	1	90	1	0
las esmeraldas	2015	8.916667	3.1754265	8	21	8	62	0	8	63	1	43	1	0	0	10	3	93	0	0
las esmeraldas	2016	7.583333	2.1933094	10	15	9	55	0	2	54	1	36	1	0	0	12	5	72	1	0
las esmeraldas	2017	4.000000	1.3333333	4	6	3	26	0	1	29	1	10	1	0	0	12	3	24	0	0
las esmeraldas	2018	3.416667	1.5050420	7	5	8	21	0	0	28	1	12	1	0	0	6	9	25	0	0
las estancias	2014	4.333333	1.6696942	7	20	8	16	0	1	42	0	10	0	0	0	4	2	46	0	0
las estancias	2015	4.416667	1.5642793	5	13	11	23	0	1	43	0	10	0	0	0	3	5	45	0	0
las estancias	2016	4.583333	1.8809250	11	12	11	19	0	2	43	0	12	0	0	0	4	4	47	0	0
las estancias	2017	4.454546	2.2522716	7	15	7	17	0	3	40	0	9	0	1	0	4	10	34	0	0
las estancias	2018	4.000000	2.4494897	8	8	7	20	0	5	37	0	11	0	0	0	4	16	28	0	0
las granjas	2014	21.416667	6.4731380	29	74	41	102	0	11	198	3	56	3	0	0	28	8	218	0	0
las granjas	2015	19.083333	5.8380933	33	48	34	100	0	14	181	4	44	4	2	0	22	8	193	0	0
las granjas	2016	21.500000	4.6612523	27	65	26	126	0	14	193	1	64	1	0	0	38	9	209	0	1
las granjas	2017	15.916667	4.1000739	27	41	13	102	0	8	131	2	58	2	2	0	29	19	139	0	0
las granjas	2018	14.916667	3.9418116	21	34	26	92	0	6	125	4	50	2	0	0	31	39	107	0	0
las independencias	2014	2.222222	1.2018504	4	8	5	3	0	0	19	0	1	0	0	0	1	1	18	0	0
las independencias	2015	2.250000	1.0350983	3	7	1	4	0	3	14	0	4	0	0	0	0	1	17	0	0
las independencias	2016	1.666667	0.8660254	3	6	1	3	0	2	13	0	2	0	0	0	1	1	13	0	0
las independencias	2017	1.142857	0.3779645	0	4	2	2	0	0	6	0	2	0	0	0	0	1	7	0	0
las independencias	2018	1.571429	0.5345225	0	5	0	4	0	2	8	0	3	0	0	0	0	5	6	0	0
las lomas no.1	2014	9.250000	2.7010099	11	4	7	85	0	4	51	0	60	0	0	0	16	2	92	0	1
las lomas no.1	2015	9.416667	2.9374799	9	3	6	94	0	1	40	0	73	0	0	0	12	3	98	0	0
las lomas no.1	2016	8.250000	2.9580399	7	1	7	82	0	2	31	0	68	0	0	0	12	5	81	0	1
las lomas no.1	2017	8.416667	2.7455198	5	2	5	88	0	1	32	0	69	0	0	0	34	7	59	0	1
las lomas no.1	2018	9.916667	2.7784343	12	2	2	99	0	4	41	0	78	0	0	1	19	17	82	0	0
las lomas no.2	2014	5.833333	2.5524795	6	2	7	52	0	3	32	0	38	0	0	0	12	2	56	0	0
las lomas no.2	2015	3.833333	2.4802248	2	0	6	36	0	2	26	0	20	0	0	0	8	1	37	0	0
las lomas no.2	2016	4.583333	1.8809250	5	1	5	43	0	1	22	0	33	0	0	0	13	2	39	0	1
las lomas no.2	2017	4.666667	2.9336088	7	0	1	47	0	1	19	0	37	0	1	0	12	8	34	0	1
las lomas no.2	2018	5.333333	2.1881222	10	2	3	48	0	1	27	0	37	0	0	0	13	8	42	0	1
las mercedes	2014	5.500000	2.2360680	7	6	9	42	0	2	40	0	26	0	0	1	10	2	53	0	0
las mercedes	2015	4.750000	2.3403574	6	8	6	34	0	3	35	0	22	0	0	0	9	5	43	0	0
las mercedes	2016	7.166667	3.4333480	9	8	6	57	0	6	53	0	33	0	0	0	13	4	69	0	0
las mercedes	2017	6.083333	1.7298625	11	10	7	41	0	4	49	0	24	0	0	1	14	19	39	0	0
las mercedes	2018	5.500000	3.3166248	5	6	3	51	0	1	30	0	36	0	0	3	12	10	41	0	0
las palmas	2014	9.000000	3.4377583	19	4	15	67	0	3	65	0	43	0	1	0	13	4	90	0	0
las palmas	2015	9.833333	3.4859023	10	10	13	78	0	7	72	0	46	0	0	0	11	2	105	0	0
las palmas	2016	9.916667	2.9987371	11	10	14	73	0	11	71	3	45	3	0	2	23	2	89	0	0
las palmas	2017	10.083333	3.8009170	15	12	8	80	0	6	61	0	60	0	0	0	27	12	79	0	3
las palmas	2018	10.333333	3.6514837	15	3	8	93	0	5	53	1	70	1	0	0	37	13	73	0	0
las playas	2014	8.250000	2.9886148	13	2	9	70	0	5	58	0	41	0	2	0	14	1	82	0	0
las playas	2015	9.166667	3.1574827	15	8	10	72	0	5	65	0	45	0	0	0	23	1	86	0	0
las playas	2016	11.083333	3.0587678	11	7	9	100	0	6	72	0	61	0	0	0	20	3	110	0	0
las playas	2017	9.583333	3.0289012	19	7	7	74	0	8	77	0	38	0	1	0	31	22	60	0	1
las playas	2018	7.666667	2.0597146	9	5	6	69	0	3	45	1	46	1	0	0	31	6	54	0	0
las violetas	2014	7.750000	2.5271256	12	24	14	42	0	1	69	0	24	0	1	0	11	6	75	0	0
las violetas	2015	5.916667	2.5746433	8	16	6	39	0	2	45	1	25	1	0	0	6	2	62	0	0
las violetas	2016	6.666667	1.6696942	11	11	10	45	0	3	51	2	27	2	0	0	8	9	61	0	0
las violetas	2017	5.833333	2.5878504	7	15	9	35	0	4	44	0	26	0	0	0	2	21	47	0	0
las violetas	2018	5.250000	1.6025548	5	7	10	40	0	1	30	1	32	1	1	0	13	12	36	0	0
laureles	2014	22.833333	4.2604595	17	14	8	233	0	2	115	4	155	4	1	12	65	9	183	0	0
laureles	2015	27.083333	6.1268164	27	16	5	266	0	11	144	0	181	0	0	6	91	8	220	0	0
laureles	2016	28.083333	5.9917873	23	14	13	283	0	4	149	2	186	2	0	11	86	8	230	0	0
laureles	2017	25.250000	6.0018936	30	15	12	242	0	4	142	1	160	1	2	13	112	24	151	0	0
laureles	2018	23.000000	5.2742944	24	12	11	226	0	3	134	3	139	2	1	19	89	29	134	0	2
laureles estadio	2017	1.750000	0.9574271	0	4	0	3	0	0	0	7	0	7	0	0	0	0	0	0	0
llanaditas	2014	1.777778	0.8333333	2	3	2	8	0	1	13	0	3	0	1	0	0	0	15	0	0
llanaditas	2015	1.000000	0.0000000	1	4	0	1	0	0	5	0	1	0	0	0	1	0	5	0	0
llanaditas	2016	1.714286	0.9511897	1	8	0	3	0	0	9	0	3	0	0	0	0	0	12	0	0
llanaditas	2017	1.700000	0.8232726	4	6	2	5	0	0	14	0	3	0	0	0	0	3	14	0	0
llanaditas	2018	1.428571	0.7867958	2	4	1	3	0	0	7	0	3	0	0	0	0	2	8	0	0
loma de los bernal	2014	6.333333	2.5702258	9	5	6	53	0	3	38	0	38	0	0	2	10	4	60	0	0
loma de los bernal	2015	6.000000	2.8284271	7	6	6	49	0	4	32	1	39	1	0	2	6	5	58	0	0
loma de los bernal	2016	8.000000	2.5584086	7	6	13	68	0	2	46	1	49	1	1	3	12	9	70	0	0
loma de los bernal	2017	7.083333	2.1514618	15	1	4	59	0	6	40	0	45	0	1	2	7	20	55	0	0
loma de los bernal	2018	5.333333	2.2696949	7	6	3	47	0	1	27	0	37	0	0	0	9	14	40	0	1
lopez de mesa	2014	15.666667	3.0251471	45	22	40	75	0	6	147	0	41	0	3	6	21	5	153	0	0
lopez de mesa	2015	16.500000	5.2829055	27	24	35	102	0	10	146	1	51	1	1	13	17	5	161	0	0
lopez de mesa	2016	15.833333	5.5732043	46	18	35	82	0	9	143	1	46	1	0	15	17	9	148	0	0
lopez de mesa	2017	13.166667	3.6390142	35	12	34	74	0	3	121	0	37	0	0	12	30	23	93	0	0
lopez de mesa	2018	16.583333	4.3580299	28	18	56	92	0	5	138	1	60	1	0	4	32	67	95	0	0
lorena	2014	15.833333	3.2983008	22	18	10	139	0	1	100	2	88	2	1	1	35	10	140	0	1
lorena	2015	17.416667	4.4406865	11	25	14	154	0	5	116	1	92	1	2	2	27	4	172	0	1
lorena	2016	16.416667	3.5280263	21	19	12	143	1	1	104	3	90	3	1	1	33	8	150	0	1
lorena	2017	13.750000	5.0294587	13	6	8	136	0	2	63	1	101	1	0	3	44	19	95	0	3
lorena	2018	13.916667	4.2524503	8	14	13	129	0	3	79	1	87	0	0	2	41	26	96	1	1
loreto	2014	10.750000	2.9580399	17	33	21	54	0	4	97	1	31	1	0	0	6	1	121	0	0
loreto	2015	11.333333	3.4989176	29	34	15	51	0	7	103	0	33	0	0	0	12	2	122	0	0
loreto	2016	11.750000	4.0028399	27	14	16	75	0	9	97	0	44	0	2	0	12	5	122	0	0
loreto	2017	12.750000	4.3510709	21	21	14	88	0	9	92	0	61	0	0	0	21	23	109	0	0
loreto	2018	10.416667	3.0587678	14	18	16	71	0	6	75	2	48	1	1	0	9	27	87	0	0
los alcazares	2014	7.750000	3.0188800	14	8	13	55	0	3	61	2	30	2	1	0	23	0	67	0	0
los alcazares	2015	7.500000	1.8340219	8	15	12	51	0	4	61	2	27	2	0	0	16	4	68	0	0
los alcazares	2016	7.416667	2.8109634	7	9	13	55	0	5	59	0	30	0	0	0	23	1	65	0	0
los alcazares	2017	8.500000	2.3159526	8	11	5	74	0	4	55	1	46	1	0	0	43	13	44	0	1
los alcazares	2018	6.500000	2.2763607	7	4	15	51	0	1	51	0	27	0	0	0	16	20	42	0	0
los alpes	2014	7.916667	2.9987371	7	7	15	62	0	4	56	0	39	0	0	0	23	3	69	0	0
los alpes	2015	6.916667	3.1176429	9	5	10	57	0	2	47	0	36	0	0	0	17	3	63	0	0
los alpes	2016	8.250000	3.1370223	18	7	11	59	0	4	69	1	29	1	0	0	18	3	77	0	0
los alpes	2017	6.583333	3.5537006	14	7	8	46	0	4	48	0	31	0	0	1	26	17	35	0	0
los alpes	2018	6.583333	2.1087839	8	12	3	53	0	3	45	0	34	0	0	0	33	17	29	0	0
los angeles	2014	18.333333	3.7254245	27	18	11	158	0	6	136	0	84	0	1	0	57	3	159	0	0
los angeles	2015	21.750000	4.9749372	24	28	15	187	0	7	145	2	114	2	0	0	71	6	182	0	0
los angeles	2016	20.750000	4.8453352	27	13	19	183	0	7	138	0	111	0	0	0	56	5	188	0	0
los angeles	2017	19.500000	5.1433982	23	15	12	178	0	6	130	0	104	0	2	0	97	25	109	0	1
los angeles	2018	16.333333	4.7354242	14	22	16	134	0	10	118	0	78	0	0	0	75	23	98	0	0
los balsos no.1	2014	6.083333	3.5537006	4	2	3	63	0	1	23	0	50	0	0	0	4	4	65	0	0
los balsos no.1	2015	5.833333	2.1248886	5	2	2	59	0	2	26	1	43	1	0	0	9	6	54	0	0
los balsos no.1	2016	8.000000	3.3303017	9	1	4	81	0	1	27	0	69	0	0	1	10	4	79	0	2
los balsos no.1	2017	4.500000	3.1478709	3	0	1	47	0	3	20	1	33	1	0	0	6	7	38	0	2
los balsos no.1	2018	4.583333	3.1176429	2	0	1	51	0	1	15	1	39	1	0	1	11	2	39	0	1
los balsos no.2	2014	10.250000	2.8959219	7	1	6	105	0	4	32	0	91	0	0	1	8	11	103	0	0
los balsos no.2	2015	10.500000	3.2333490	3	3	2	117	0	1	27	0	99	0	0	0	5	7	114	0	0
los balsos no.2	2016	12.500000	4.8147501	4	3	2	140	0	1	26	0	124	0	0	1	22	13	112	1	1
los balsos no.2	2017	18.333333	5.9135182	6	10	5	196	0	3	47	0	173	0	2	1	18	38	157	0	4
los balsos no.2	2018	9.750000	3.5707142	5	2	6	104	0	0	30	0	87	0	0	1	11	26	78	0	1
los cerros el vergel	2014	5.416667	3.1754265	13	8	9	30	0	5	42	1	22	1	0	0	9	4	51	0	0
los cerros el vergel	2015	4.333333	1.8748737	8	10	7	26	0	1	38	0	14	0	0	0	5	3	44	0	0
los cerros el vergel	2016	4.250000	2.2613351	7	5	12	24	0	3	34	0	17	0	0	0	6	1	44	0	0
los cerros el vergel	2017	3.000000	2.3354968	8	5	0	22	0	1	24	0	12	0	0	0	11	5	20	0	0
los cerros el vergel	2018	3.000000	1.2792043	6	3	5	21	0	1	20	2	14	1	1	0	3	6	25	0	0
los colores	2014	26.833333	6.2788727	43	32	44	194	0	9	199	1	122	1	2	0	43	8	268	0	0
los colores	2015	22.750000	7.1239034	33	26	26	180	0	8	160	1	112	1	1	1	41	14	214	0	1
los colores	2016	30.500000	5.8852667	65	23	33	234	0	11	236	1	129	1	1	1	47	11	305	0	0
los colores	2017	45.750000	9.4496272	85	34	73	326	1	30	347	2	200	2	1	46	65	60	371	0	4
los colores	2018	38.000000	4.0226631	54	33	70	280	1	18	289	4	163	4	1	61	38	81	269	1	1
los conquistadores	2014	61.250000	9.9098207	63	29	51	581	0	11	317	4	414	4	5	11	71	11	627	0	6
los conquistadores	2015	65.416667	8.8979909	63	44	38	622	0	18	329	6	450	6	1	10	88	14	660	0	6
los conquistadores	2016	68.250000	11.2583302	86	30	45	623	0	35	367	5	447	5	1	10	78	31	671	1	22
los conquistadores	2017	59.416667	9.6338261	67	29	43	553	0	21	317	2	394	2	2	14	99	49	510	0	37
los conquistadores	2018	58.666667	10.5772770	56	34	27	571	0	16	309	2	393	2	4	19	93	81	469	0	36
los mangos	2014	8.583333	2.7455198	10	20	23	47	0	3	72	0	31	0	1	0	14	1	87	0	0
los mangos	2015	9.250000	2.6671401	10	28	18	49	0	6	87	0	24	0	0	0	11	4	96	0	0
los mangos	2016	8.500000	2.1532217	15	20	11	44	0	12	76	2	24	2	0	0	13	2	85	0	0
los mangos	2017	8.333333	3.1430539	12	16	12	56	0	4	66	1	33	1	0	0	17	22	60	0	0
los mangos	2018	7.750000	3.0785179	9	20	6	56	0	2	61	0	32	0	0	0	11	21	61	0	0
los naranjos	2014	8.000000	3.5929223	8	5	8	71	0	4	39	0	57	0	0	2	11	5	78	0	0
los naranjos	2015	8.000000	2.2962420	5	4	7	77	0	3	38	0	58	0	0	1	13	7	75	0	0
los naranjos	2016	6.083333	2.2746961	4	0	4	62	0	3	20	0	53	0	0	0	13	8	52	0	0
los naranjos	2017	8.416667	2.9063671	7	3	4	85	0	2	29	0	72	0	0	1	14	25	61	0	0
los naranjos	2018	8.250000	3.3063300	6	2	2	88	0	1	28	0	71	0	0	1	14	29	55	0	0
los pinos	2014	19.583333	3.7769236	41	13	27	151	0	3	128	1	106	1	2	11	19	3	199	0	0
los pinos	2015	20.666667	4.5990776	32	25	19	163	1	8	127	0	121	0	2	10	34	10	192	0	0
los pinos	2016	19.750000	5.9256760	24	16	15	175	0	7	117	2	118	2	0	12	18	5	198	0	2
los pinos	2017	18.750000	6.4402851	28	12	8	170	0	7	108	0	117	0	1	20	38	15	151	0	0
los pinos	2018	15.250000	2.7675063	15	20	16	127	0	5	94	2	87	2	3	7	35	14	121	0	1
manila	2014	26.666667	5.7419245	17	10	16	269	0	8	108	0	212	0	1	52	23	8	230	0	6
manila	2015	30.666667	6.5412444	21	10	24	310	0	3	128	2	238	2	1	43	34	13	270	0	5
manila	2016	30.333333	5.7892272	27	9	20	298	0	10	135	1	228	1	1	49	37	14	251	1	10
manila	2017	31.833333	7.6732515	24	13	11	323	0	11	121	0	261	0	1	74	50	32	198	0	27
manila	2018	29.750000	6.1809826	24	10	11	304	0	8	118	0	239	0	2	66	48	37	181	0	23
manrique	2017	3.000000	2.8284271	0	3	0	3	0	0	0	6	0	6	0	0	0	0	0	0	0
manrique central no. 1	2014	19.166667	4.2175679	38	30	23	130	0	9	167	5	58	5	0	0	54	4	167	0	0
manrique central no. 1	2015	18.083333	4.4611114	29	24	20	135	0	9	147	4	66	4	0	0	43	8	162	0	0
manrique central no. 1	2016	21.333333	5.4661493	36	22	22	162	0	14	170	2	84	2	1	0	69	6	178	0	0
manrique central no. 1	2017	15.666667	4.0973014	28	11	14	132	0	3	113	0	75	0	1	0	58	14	115	0	0
manrique central no. 1	2018	19.083333	5.8225008	27	18	23	152	0	9	139	0	90	0	0	0	88	30	111	0	0
manrique central no. 2	2014	10.583333	3.3698755	20	22	19	62	0	4	97	1	29	1	0	0	20	5	100	0	1
manrique central no. 2	2015	13.666667	2.9949452	23	28	15	88	0	10	122	1	41	1	1	0	30	6	126	0	0
manrique central no. 2	2016	10.416667	4.2094770	10	17	27	66	0	5	91	0	34	0	0	0	19	5	101	0	0
manrique central no. 2	2017	10.916667	3.9876704	12	18	16	78	0	7	94	0	37	0	0	0	33	21	77	0	0
manrique central no. 2	2018	8.000000	3.1622777	10	8	10	68	0	0	60	0	36	0	0	0	27	24	45	0	0
manrique central no.1	2014	1.000000	0.0000000	0	0	0	5	0	0	4	0	1	0	0	0	3	0	2	0	0
manrique central no.1	2015	1.500000	0.7071068	0	0	1	2	0	0	2	0	1	0	0	0	2	0	1	0	0
manrique central no.1	2016	1.600000	0.8944272	0	1	0	7	0	0	6	0	2	0	0	0	1	0	7	0	0
manrique central no.1	2017	1.400000	0.5477226	0	0	0	7	0	0	4	0	3	0	0	0	4	0	3	0	0
manrique central no.1	2018	1.166667	0.4082483	0	0	0	7	0	0	3	0	4	0	0	0	5	0	2	0	0
manrique central no.2	2014	1.200000	0.4472136	1	1	0	4	0	0	3	0	3	0	0	0	2	0	4	0	0
manrique central no.2	2015	1.200000	0.4472136	0	1	1	4	0	0	5	0	1	0	0	0	3	0	3	0	0
manrique central no.2	2016	1.000000	0.0000000	1	0	0	3	0	0	2	0	2	0	0	0	1	0	3	0	0
manrique central no.2	2017	1.200000	0.4472136	1	0	1	4	0	0	3	0	3	0	0	0	1	1	4	0	0
manrique central no.2	2018	1.000000	0.0000000	1	1	2	0	0	0	4	0	0	0	0	0	0	3	1	0	0
manrique oriental	2014	16.416667	3.3427896	18	43	33	96	0	7	158	2	37	2	0	0	38	1	156	0	0
manrique oriental	2015	15.916667	6.1564206	28	32	20	108	0	3	138	1	52	1	2	0	19	3	166	0	0
manrique oriental	2016	13.333333	5.4494926	14	19	16	106	0	5	109	1	50	1	0	0	34	4	120	0	1
manrique oriental	2017	14.000000	4.5726459	21	24	10	106	0	7	116	0	52	0	1	0	41	20	106	0	0
manrique oriental	2018	13.416667	3.8009170	20	26	18	90	0	7	112	3	46	2	0	0	28	31	100	0	0
maria cano carambolas	2014	1.500000	0.5345225	1	6	0	5	0	0	8	0	4	0	0	0	0	1	11	0	0
maria cano carambolas	2015	1.666667	0.7071068	4	7	1	3	0	0	13	0	2	0	0	0	0	1	14	0	0
maria cano carambolas	2016	1.454546	0.5222330	1	10	0	5	0	0	13	1	2	1	0	0	1	0	14	0	0
maria cano carambolas	2017	1.555556	0.8819171	3	5	0	4	0	2	10	0	4	0	0	0	0	3	11	0	0
maria cano carambolas	2018	1.000000	0.0000000	1	3	0	2	0	0	6	0	0	0	0	0	0	2	4	0	0
media luna	2014	1.363636	0.5045250	6	1	2	5	0	1	12	0	3	0	0	0	0	1	14	0	0
media luna	2015	1.200000	0.4472136	1	0	1	4	0	0	5	0	1	0	0	0	1	0	5	0	0
media luna	2016	1.600000	0.8944272	4	0	0	3	0	1	7	1	0	1	0	0	0	1	6	0	0
media luna	2017	1.500000	0.7071068	2	0	1	0	0	0	2	1	0	1	0	0	0	1	1	0	0
media luna	2018	1.600000	0.8944272	0	1	1	5	0	1	5	2	1	1	0	0	0	1	6	0	0
metropolitano	2014	1.333333	0.5773503	1	0	0	3	0	0	2	0	2	0	0	0	1	0	3	0	0
metropolitano	2015	2.166667	1.1690452	0	3	3	6	0	1	10	0	3	0	0	0	3	1	9	0	0
metropolitano	2016	1.375000	0.5175492	2	2	2	4	0	1	7	0	4	0	1	0	1	0	9	0	0
metropolitano	2017	1.200000	0.4472136	2	1	1	2	0	0	5	0	1	0	0	0	0	2	4	0	0
metropolitano	2018	1.250000	0.5000000	1	0	2	1	0	1	4	0	1	0	0	0	0	3	2	0	0
mirador del doce	2014	1.400000	0.5477226	4	1	1	1	0	0	6	0	1	0	0	0	1	0	6	0	0
mirador del doce	2015	1.800000	0.4472136	1	3	2	3	0	0	7	0	2	0	0	0	1	1	7	0	0
mirador del doce	2016	1.333333	0.8164966	0	4	2	2	0	0	8	0	0	0	0	0	0	0	8	0	0
mirador del doce	2017	1.428571	0.7867958	4	2	2	2	0	0	8	0	2	0	0	0	1	2	7	0	0
mirador del doce	2018	1.000000	0.0000000	1	3	3	0	0	0	6	1	0	1	0	0	1	2	3	0	0
miraflores	2014	12.500000	4.5427265	21	11	15	99	1	3	97	1	52	1	0	0	42	1	106	0	0
miraflores	2015	10.500000	2.7797972	12	13	6	88	0	7	88	1	37	1	0	0	37	7	81	0	0
miraflores	2016	12.250000	3.2227882	19	11	15	96	0	6	95	0	52	0	0	0	37	10	100	0	0
miraflores	2017	7.833333	3.0100841	10	4	5	72	0	3	56	0	38	0	0	0	37	12	45	0	0
miraflores	2018	8.416667	3.2039275	8	9	4	73	0	7	57	0	44	0	0	0	42	13	46	0	0
miranda	2014	18.333333	3.9157800	23	32	21	141	0	3	126	0	94	0	1	1	40	8	170	0	0
miranda	2015	20.083333	3.2601822	17	31	15	174	0	4	137	0	104	0	0	0	59	4	178	0	0
miranda	2016	17.500000	3.6556308	30	29	19	124	0	8	130	2	78	2	1	0	55	11	141	0	0
miranda	2017	17.333333	3.8924947	17	31	18	135	0	7	133	0	75	0	2	0	65	25	116	0	0
miranda	2018	14.166667	2.6911753	17	19	14	113	0	7	104	0	66	0	0	0	46	33	89	0	2
miravalle	2014	1.800000	1.0327956	1	4	0	10	0	3	10	0	8	0	0	0	3	1	14	0	0
miravalle	2015	1.750000	0.8864053	1	2	1	10	0	0	8	0	6	0	0	0	3	0	11	0	0
miravalle	2016	2.777778	1.4813657	2	1	0	19	0	3	11	0	14	0	0	0	3	0	22	0	0
miravalle	2017	1.875000	0.9910312	0	3	2	10	0	0	9	0	6	0	0	0	6	0	9	0	0
miravalle	2018	1.375000	0.7440238	2	0	1	8	0	0	4	0	7	0	0	0	3	2	6	0	0
monteclaro	2014	1.700000	0.8232726	3	2	2	8	0	2	12	0	5	0	0	0	0	2	15	0	0
monteclaro	2015	1.500000	0.5270463	5	2	2	5	0	1	12	0	3	0	0	0	0	2	13	0	0
monteclaro	2016	2.000000	1.3228757	7	1	3	6	0	1	15	0	3	0	0	0	0	1	17	0	0
monteclaro	2017	2.272727	1.1037127	5	3	5	9	0	3	19	0	6	0	0	0	2	4	19	0	0
monteclaro	2018	2.555556	0.8819171	2	3	8	9	0	1	17	0	6	0	0	0	0	7	16	0	0
moravia	2014	26.416667	5.7597085	33	72	17	181	0	14	177	5	135	5	1	0	25	4	278	0	4
moravia	2015	25.250000	3.1944554	28	68	28	167	0	12	186	4	113	4	0	0	27	8	260	0	4
moravia	2016	23.000000	3.5929223	29	68	22	145	0	12	187	6	83	6	0	0	19	10	239	0	2
moravia	2017	16.916667	3.2039275	31	28	19	117	0	8	136	3	64	3	1	0	24	16	157	0	2
moravia	2018	20.416667	5.4013186	25	35	19	154	0	12	147	2	96	2	0	5	25	45	166	0	2
moscu no. 1	2014	6.333333	3.0550505	7	25	5	38	0	1	55	0	21	0	0	0	10	2	64	0	0
moscu no. 1	2015	5.500000	2.5761141	3	18	4	39	0	2	37	0	29	0	0	0	9	1	56	0	0
moscu no. 1	2016	6.250000	2.7010099	8	14	9	38	0	6	49	0	26	0	0	0	10	3	62	0	0
moscu no. 1	2017	4.500000	1.9771421	7	5	7	31	0	4	36	0	18	0	0	0	10	7	37	0	0
moscu no. 1	2018	5.833333	2.4432963	7	15	11	37	0	0	49	0	21	0	2	0	10	14	43	0	1
moscu no. 2	2014	4.833333	2.3677121	10	18	11	18	0	1	51	0	7	0	0	0	5	4	49	0	0
moscu no. 2	2015	6.500000	2.4308622	12	20	13	29	0	4	65	0	13	0	0	0	10	3	65	0	0
moscu no. 2	2016	4.750000	2.3403574	5	19	9	20	0	4	43	0	14	0	0	0	5	2	49	0	1
moscu no. 2	2017	5.333333	2.3484360	8	21	10	25	0	0	47	1	16	1	0	0	9	10	44	0	0
moscu no. 2	2018	4.363636	2.0626550	8	11	8	19	0	2	34	0	14	0	0	0	1	12	35	0	0
moscu no.1	2015	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
moscu no.2	2014	1.000000	NA	0	0	0	0	0	1	1	0	0	0	0	0	0	0	1	0	0
moscu no.2	2015	1.000000	0.0000000	0	1	0	1	0	0	1	0	1	0	0	0	0	0	2	0	0
moscu no.2	2016	1.000000	0.0000000	1	1	1	0	0	0	3	0	0	0	0	0	0	0	3	0	0
moscu no.2	2017	1.000000	NA	0	1	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
moscu no.2	2018	1.000000	0.0000000	0	1	1	1	0	0	2	0	1	0	0	0	2	0	1	0	0
naranjal	2014	44.666667	7.1647284	50	31	40	408	0	7	232	4	300	4	3	0	44	29	451	0	5
naranjal	2015	53.000000	10.2691064	63	32	42	487	0	12	241	3	392	3	0	0	55	25	546	0	7
naranjal	2016	42.500000	8.3502858	45	25	38	392	0	10	213	3	294	3	0	1	43	28	425	0	10
naranjal	2017	44.750000	7.1747664	60	30	36	397	0	14	262	0	275	0	9	1	75	60	378	0	14
naranjal	2018	40.833333	7.5297390	49	28	25	369	0	19	217	2	271	2	0	0	75	66	334	0	13
nueva villa de aburra	2014	3.181818	1.9400094	2	8	2	23	0	0	20	0	15	0	0	0	2	0	33	0	0
nueva villa de aburra	2015	2.833333	1.7494588	4	0	2	28	0	0	12	0	22	0	0	0	5	0	29	0	0
nueva villa de aburra	2016	3.200000	1.4757296	4	2	3	22	0	1	22	1	9	1	0	0	4	2	25	0	0
nueva villa de aburra	2017	3.727273	1.9540168	5	3	2	29	0	2	19	0	22	0	0	0	9	5	27	0	0
nueva villa de aburra	2018	2.818182	1.4709304	3	2	2	24	0	0	15	0	16	0	0	0	8	1	22	0	0
nueva villa de la iguana	2014	6.916667	3.6045006	13	5	8	56	0	1	56	0	27	0	1	0	11	2	68	0	1
nueva villa de la iguana	2015	6.500000	2.4308622	9	5	5	55	0	4	48	1	29	1	0	0	16	2	59	0	0
nueva villa de la iguana	2016	7.250000	2.4167973	12	9	9	54	0	3	46	1	40	1	0	0	11	3	72	0	0
nueva villa de la iguana	2017	7.583333	3.4234043	11	6	4	67	0	3	59	0	32	0	2	0	20	5	63	1	0
nueva villa de la iguana	2018	7.500000	1.6787441	10	4	10	63	0	3	57	0	33	0	1	1	16	10	60	0	2
nuevos conquistadores	2014	2.444444	1.6666667	4	7	4	7	0	0	18	1	3	1	0	0	0	2	19	0	0
nuevos conquistadores	2015	2.083333	0.9962049	7	7	3	8	0	0	17	0	8	0	0	0	1	1	23	0	0
nuevos conquistadores	2016	2.181818	1.3280197	4	8	4	4	0	4	23	0	1	0	0	0	1	4	19	0	0
nuevos conquistadores	2017	1.625000	0.7440238	1	3	1	8	0	0	7	0	6	0	0	0	1	2	10	0	0
nuevos conquistadores	2018	2.000000	1.1547005	0	2	4	8	0	0	7	0	7	0	0	0	2	2	10	0	0
ocho de marzo	2014	1.111111	0.3333333	0	1	1	6	0	2	7	1	2	1	0	0	0	0	9	0	0
ocho de marzo	2015	1.444444	0.5270463	0	2	0	10	0	1	9	0	4	0	0	0	1	0	12	0	0
ocho de marzo	2016	1.800000	1.3038405	5	2	0	2	0	0	8	1	0	1	0	0	1	1	6	0	0
ocho de marzo	2017	1.222222	0.4409586	0	4	0	7	0	0	6	0	5	0	0	0	1	2	8	0	0
ocho de marzo	2018	1.857143	0.3779645	1	1	1	9	0	1	6	0	7	0	0	0	1	1	11	0	0
olaya herrera	2014	2.500000	1.5075567	6	12	2	10	0	0	24	0	6	0	0	0	1	4	25	0	0
olaya herrera	2015	3.200000	1.8135294	6	13	4	8	0	1	28	0	4	0	0	0	0	3	29	0	0
olaya herrera	2016	2.700000	1.2516656	3	5	6	13	0	0	21	1	5	1	0	0	1	3	22	0	0
olaya herrera	2017	4.000000	1.6514456	7	7	4	26	0	4	34	0	14	0	0	1	4	10	32	0	1
olaya herrera	2018	3.916667	1.7816404	9	6	11	21	0	0	32	0	15	0	0	0	2	12	33	0	0
oleoducto	2014	5.000000	2.8284271	4	4	5	47	0	0	31	1	28	1	0	0	1	0	58	0	0
oleoducto	2015	6.416667	2.8109634	3	4	6	62	0	2	42	0	35	0	0	0	2	1	74	0	0
oleoducto	2016	4.181818	2.2723636	3	2	1	37	0	3	27	2	17	2	0	0	3	1	40	0	0
oleoducto	2017	10.583333	4.9259671	12	5	13	93	0	4	85	0	42	0	0	0	4	8	108	0	7
oleoducto	2018	14.000000	3.6680438	16	7	11	122	0	12	106	3	59	2	1	0	7	13	129	0	16
oriente	2014	1.600000	0.8432740	1	5	3	5	0	2	11	1	4	1	0	0	1	0	14	0	0
oriente	2015	1.600000	0.6992059	1	10	2	2	0	1	15	0	1	0	0	0	0	1	15	0	0
oriente	2016	1.909091	1.0444659	1	11	1	7	0	1	18	0	3	0	0	0	2	3	16	0	0
oriente	2017	1.875000	1.3562027	2	0	1	10	0	2	11	1	3	1	0	0	0	3	11	0	0
oriente	2018	2.200000	1.1352924	3	4	5	9	0	1	17	2	3	1	0	0	3	10	8	0	0
pablo vi	2014	1.727273	0.4670994	2	6	2	9	0	0	14	0	5	0	0	0	1	0	18	0	0
pablo vi	2015	2.200000	1.2292726	2	9	2	8	0	1	15	1	6	1	0	0	0	0	20	0	1
pablo vi	2016	1.666667	0.7784989	2	7	1	8	0	2	13	0	7	0	1	0	0	0	19	0	0
pablo vi	2017	1.900000	0.7378648	1	6	0	12	0	0	11	0	8	0	0	0	3	3	13	0	0
pablo vi	2018	1.714286	0.4879500	1	2	1	7	0	1	7	1	4	1	0	0	2	1	8	0	0
pajarito	2014	1.600000	0.5477226	2	1	2	2	0	1	7	0	1	0	0	0	0	1	7	0	0
pajarito	2015	1.600000	1.0749677	3	1	3	7	0	2	14	0	2	0	0	0	0	3	13	0	0
pajarito	2016	1.909091	0.9438798	3	1	5	11	0	1	13	0	8	0	0	0	2	1	18	0	0
pajarito	2017	2.272727	1.1908744	6	2	1	15	0	1	15	0	10	0	0	0	6	5	14	0	0
pajarito	2018	2.750000	1.2154311	9	4	10	9	0	1	28	0	5	0	0	0	4	10	19	0	0
palenque	2014	8.250000	2.5980762	16	11	14	53	0	5	65	0	34	0	2	0	7	3	87	0	0
palenque	2015	7.083333	2.5030285	13	6	18	48	0	0	57	0	28	0	0	0	14	2	69	0	0
palenque	2016	7.416667	2.9682665	12	10	9	57	0	1	49	1	39	1	0	0	8	1	79	0	0
palenque	2017	4.583333	2.1514618	6	5	7	36	0	1	31	0	24	0	1	0	12	5	37	0	0
palenque	2018	5.916667	2.8749177	7	5	8	48	0	3	44	0	27	0	0	0	14	19	36	0	2
palermo	2014	3.583333	1.1645002	5	9	4	24	1	0	29	0	14	0	0	0	2	1	40	0	0
palermo	2015	4.416667	1.7298625	5	8	3	34	0	3	33	1	19	1	0	0	10	0	42	0	0
palermo	2016	5.416667	3.3967453	11	11	7	33	0	3	46	0	19	0	0	6	4	1	52	0	2
palermo	2017	7.333333	2.9949452	5	17	11	52	0	3	52	1	35	1	0	8	8	8	54	0	9
palermo	2018	9.083333	1.8809250	16	13	10	66	0	4	71	1	37	1	1	13	12	10	69	0	3
parque juan pablo ii	2014	10.416667	2.5030285	10	7	10	93	0	5	69	2	54	2	0	0	17	4	102	0	0
parque juan pablo ii	2015	9.083333	2.6784776	11	9	10	75	0	4	74	3	32	3	0	0	13	3	90	0	0
parque juan pablo ii	2016	13.750000	4.3301270	28	4	14	109	0	10	113	0	52	0	0	1	22	4	138	0	0
parque juan pablo ii	2017	13.000000	3.0748245	15	6	12	114	0	9	78	1	77	1	1	11	29	25	89	0	0
parque juan pablo ii	2018	12.500000	4.2958754	12	11	5	115	0	7	84	2	64	1	0	17	17	18	97	0	0
parque norte	2014	7.833333	3.4067669	11	8	3	71	0	1	45	0	49	0	1	0	11	1	79	0	2
parque norte	2015	8.083333	2.0207259	12	9	4	69	0	3	53	1	43	1	0	0	7	0	86	0	3
parque norte	2016	8.416667	2.9987371	7	9	11	70	0	4	61	0	40	0	0	0	16	1	83	0	1
parque norte	2017	3.727273	2.4531983	5	3	5	26	0	2	25	0	16	0	0	0	6	7	28	0	0
parque norte	2018	3.300000	1.8287822	2	5	2	23	0	1	16	0	17	0	0	0	6	3	24	0	0
patio bonito	2014	15.666667	6.7733882	16	9	13	146	0	4	78	0	110	0	1	0	25	5	156	0	1
patio bonito	2015	14.750000	5.7227616	11	4	6	154	0	2	68	1	108	1	0	0	26	3	147	0	0
patio bonito	2016	14.333333	4.7161875	11	5	7	141	0	8	69	1	102	1	0	0	18	3	150	0	0
patio bonito	2017	18.166667	3.5376760	16	6	8	183	0	5	81	0	137	0	1	0	31	12	171	0	3
patio bonito	2018	17.083333	5.3335701	8	9	8	177	0	3	71	0	134	0	1	1	33	14	153	0	3
pedregal	2014	15.583333	5.0535016	39	32	40	71	0	5	156	0	31	0	2	0	27	7	151	0	0
pedregal	2015	14.833333	3.0100841	25	37	19	88	0	9	138	1	39	1	0	2	38	8	129	0	0
pedregal	2016	14.250000	4.2022721	24	34	31	77	0	5	137	2	32	2	0	2	35	8	124	0	0
pedregal	2017	15.000000	5.5595945	32	33	28	80	0	7	144	1	35	1	1	1	29	34	114	0	0
pedregal	2018	15.416667	4.1221868	27	34	42	77	0	5	146	3	36	2	0	4	35	57	87	0	0
pedregal alto	2014	1.000000	0.0000000	1	0	1	3	0	0	3	0	2	0	0	0	0	0	5	0	0
pedregal alto	2015	1.500000	0.8366600	1	0	2	4	0	2	7	0	2	0	0	0	0	1	8	0	0
pedregal alto	2016	2.000000	1.2247449	3	2	3	2	0	0	9	0	1	0	0	0	0	1	9	0	0
pedregal alto	2017	1.285714	0.4879500	3	0	2	3	0	1	8	0	1	0	0	0	1	2	6	0	0
pedregal alto	2018	1.300000	0.6749486	4	0	4	5	0	0	10	0	3	0	0	0	1	6	6	0	0
pedregal bajo	2014	2.750000	1.5447860	12	1	5	14	0	1	25	0	8	0	0	0	2	1	30	0	0
pedregal bajo	2015	2.454546	1.3684763	3	3	8	10	0	3	24	0	3	0	0	0	1	1	25	0	0
pedregal bajo	2016	2.181818	1.3280197	5	1	5	11	0	2	21	0	3	0	0	0	1	2	21	0	0
pedregal bajo	2017	2.000000	1.6733201	0	0	4	7	0	1	9	0	3	0	0	0	1	3	8	0	0
pedregal bajo	2018	1.000000	0.0000000	1	1	1	1	0	0	3	1	0	1	0	0	0	0	3	0	0
perpetuo socorro	2014	64.583333	8.6493125	72	29	40	612	0	22	384	2	389	2	4	19	112	15	603	0	20
perpetuo socorro	2015	67.000000	7.8624539	55	41	52	632	0	24	388	4	412	4	4	17	150	18	602	0	9
perpetuo socorro	2016	72.916667	10.6979890	96	32	54	673	0	20	402	5	468	5	2	22	145	20	665	0	16
perpetuo socorro	2017	72.583333	6.4731380	63	28	54	702	0	24	373	0	498	0	4	24	201	55	542	0	45
perpetuo socorro	2018	66.416667	10.0946280	67	30	48	629	0	23	349	3	445	1	3	22	172	61	496	0	42
picachito	2014	1.714286	0.9511897	4	4	4	0	0	0	12	0	0	0	0	0	0	0	12	0	0
picachito	2015	1.571429	0.5345225	4	3	0	4	0	0	10	0	1	0	0	0	1	0	10	0	0
picachito	2016	1.625000	1.1877349	3	3	3	3	0	1	12	0	1	0	0	0	2	3	8	0	0
picachito	2017	1.500000	0.7977240	1	5	4	4	0	4	16	0	2	0	1	0	0	4	13	0	0
picachito	2018	2.000000	1.0954451	6	0	9	6	0	1	18	0	4	0	0	0	2	11	9	0	0
picacho	2014	12.250000	3.8641711	29	25	35	57	0	1	118	0	29	0	0	0	10	7	130	0	0
picacho	2015	12.916667	2.7455198	29	18	38	63	0	7	120	0	35	0	0	0	12	6	137	0	0
picacho	2016	14.000000	3.7899388	32	42	28	61	0	5	130	0	38	0	0	0	19	12	137	0	0
picacho	2017	13.000000	5.5103209	30	24	36	61	0	5	123	1	32	1	0	0	13	34	108	0	0
picacho	2018	12.166667	3.5632807	20	21	35	68	0	2	109	0	37	0	0	0	16	57	71	0	2
piedra gorda	2017	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	1	0	0	0	0
piedras blancas	2014	1.272727	0.6466698	2	5	2	4	0	1	11	0	3	0	0	0	0	2	12	0	0
piedras blancas	2015	2.300000	1.3374935	1	10	3	7	0	2	21	0	2	0	0	0	0	1	22	0	0
piedras blancas	2016	1.600000	0.6992059	1	6	3	6	0	0	12	1	3	1	0	0	0	2	13	0	0
piedras blancas	2017	2.500000	1.2692955	3	12	3	6	0	1	21	0	4	0	1	0	1	9	14	0	0
piedras blancas	2018	2.333333	1.4142136	0	7	2	12	0	0	14	0	7	0	0	0	0	5	16	0	0
piedras blancas - matasano	2015	1.000000	NA	0	0	1	0	0	0	1	0	0	0	0	0	0	1	0	0	0
piedras blancas represa	2014	1.333333	0.8164966	2	1	3	1	0	1	7	0	1	0	0	0	0	0	8	0	0
piedras blancas represa	2015	1.666667	0.5773503	0	0	0	5	0	0	3	0	2	0	0	0	0	0	5	0	0
piedras blancas represa	2016	1.000000	0.0000000	0	0	2	1	0	0	2	0	1	0	1	0	1	0	1	0	0
piedras blancas represa	2017	1.000000	0.0000000	1	0	0	0	0	1	2	0	0	0	0	0	0	0	2	0	0
piedras blancas represa	2018	1.500000	0.5773503	2	0	1	2	0	1	5	0	1	0	0	0	0	1	5	0	0
playon de los comuneros	2014	5.333333	2.2696949	7	23	4	30	0	0	48	0	16	0	1	0	7	1	55	0	0
playon de los comuneros	2015	5.416667	2.4293034	6	7	12	36	0	4	47	1	17	1	0	0	7	2	55	0	0
playon de los comuneros	2016	4.500000	2.2763607	4	15	4	25	0	6	43	0	11	0	0	0	3	3	48	0	0
playon de los comuneros	2017	5.250000	2.0943647	9	8	2	43	0	1	34	0	29	0	0	0	21	8	34	0	0
playon de los comuneros	2018	6.166667	2.3677121	9	10	5	46	0	4	43	2	29	1	0	0	10	12	50	0	1
plaza de ferias	2014	2.333333	1.3026779	2	1	2	23	0	0	18	0	10	0	0	0	3	0	25	0	0
plaza de ferias	2015	2.333333	1.5811388	1	5	0	14	0	1	11	1	9	1	0	0	3	0	16	0	1
plaza de ferias	2016	3.000000	2.0449494	1	4	2	29	0	0	23	0	13	0	0	0	6	2	28	0	0
plaza de ferias	2017	2.363636	1.2060454	0	3	2	20	0	1	18	0	8	0	0	0	8	3	15	0	0
plaza de ferias	2018	2.000000	0.8660254	0	0	0	18	0	0	8	0	10	0	0	0	1	1	16	0	0
popular	2014	10.083333	3.8954130	18	35	18	48	1	1	85	1	35	1	2	0	4	1	113	0	0
popular	2015	7.916667	3.1176429	11	25	16	39	0	4	71	0	24	0	0	0	7	7	81	0	0
popular	2016	7.333333	3.0846639	9	29	6	41	0	3	60	0	28	0	0	0	5	3	80	0	0
popular	2017	6.583333	1.8809250	6	20	16	33	0	4	55	1	23	1	0	0	7	14	57	0	0
popular	2018	6.750000	2.0504988	16	18	13	32	0	2	57	0	24	0	0	0	5	30	46	0	0
potrerito	2014	1.000000	0.0000000	0	1	0	1	0	0	1	0	1	0	0	0	1	0	1	0	0
potrerito	2015	1.000000	NA	0	0	0	1	0	0	1	0	0	0	0	0	0	0	1	0	0
potrerito	2017	1.000000	NA	0	0	0	1	0	0	1	0	0	0	0	0	0	0	1	0	0
potrerito	2018	1.000000	NA	0	0	0	1	0	0	1	0	0	0	0	0	0	0	1	0	0
prado	2014	38.583333	6.0371326	42	41	36	335	0	9	252	2	209	2	0	0	116	3	342	0	0
prado	2015	36.166667	6.8600733	34	35	36	311	0	18	236	2	196	2	1	1	121	5	304	0	0
prado	2016	33.500000	6.5017480	37	36	25	284	1	19	233	2	167	2	3	0	110	9	278	0	0
prado	2017	31.666667	7.7733032	29	23	21	296	0	11	214	0	166	0	0	0	187	25	167	0	1
prado	2018	29.000000	6.1200119	25	29	25	261	0	8	212	8	128	5	2	0	176	37	128	0	0
robledo	2014	14.500000	2.9076701	29	18	23	100	0	4	107	0	67	0	0	0	25	5	143	0	1
robledo	2015	17.500000	5.1433982	35	25	27	108	0	15	143	1	66	1	1	0	28	7	172	0	1
robledo	2016	17.416667	4.9627400	42	17	36	97	0	17	160	1	48	1	0	0	15	10	182	0	1
robledo	2017	20.750000	5.9103146	53	13	41	125	0	17	174	2	73	2	0	0	39	43	164	0	1
robledo	2018	15.750000	3.8168288	26	11	41	101	0	10	134	1	54	1	0	0	25	56	106	0	1
rosales	2014	22.333333	3.1430539	19	17	21	208	0	3	135	0	133	0	1	0	56	5	203	0	3
rosales	2015	23.833333	6.6446606	21	13	16	229	0	7	148	1	137	1	0	3	78	3	199	0	2
rosales	2016	27.500000	4.3379928	20	11	30	255	0	14	180	2	148	2	1	2	76	8	239	1	1
rosales	2017	25.500000	6.4737231	31	18	16	230	0	11	174	0	132	0	1	0	120	25	156	0	4
rosales	2018	26.083333	4.2949936	18	19	15	257	0	4	160	3	150	2	0	4	107	26	170	0	4
san antonio	2014	1.400000	0.5477226	2	1	2	2	0	0	5	0	2	0	0	0	0	0	7	0	0
san antonio	2015	1.400000	0.5477226	0	1	1	4	0	1	4	0	3	0	0	0	0	0	7	0	0
san antonio	2016	1.200000	0.4472136	0	2	1	2	0	1	6	0	0	0	0	0	0	0	6	0	0
san antonio	2017	2.000000	NA	1	0	1	0	0	0	2	0	0	0	0	0	0	1	1	0	0
san antonio	2018	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	1	0	0	0
san benito	2014	58.000000	11.3458042	46	97	45	497	0	11	305	7	384	7	2	0	83	17	580	0	7
san benito	2015	72.333333	14.4243061	55	105	53	633	0	22	369	13	486	13	1	2	74	22	751	0	5
san benito	2016	60.833333	8.8094302	56	88	46	519	0	21	333	4	393	4	1	0	82	26	608	2	7
san benito	2017	47.083333	10.5525381	48	55	23	425	0	14	224	3	338	3	2	2	99	43	405	0	11
san benito	2018	48.166667	8.9932635	32	65	31	435	1	14	240	1	337	1	0	1	111	61	392	0	12
san bernardo	2014	15.166667	3.0100841	15	17	17	125	0	8	99	0	83	0	1	0	32	1	148	0	0
san bernardo	2015	15.916667	2.2343733	12	26	16	131	0	6	120	1	70	1	0	0	32	6	152	0	0
san bernardo	2016	19.916667	4.0330078	30	27	22	152	0	8	146	1	92	1	0	0	56	7	174	0	1
san bernardo	2017	17.333333	5.1049590	30	20	19	129	0	10	123	1	84	1	2	0	61	28	116	0	0
san bernardo	2018	15.750000	3.3063300	19	21	11	132	0	6	108	6	75	4	1	0	70	24	90	0	0
san diego	2014	45.666667	9.7731853	48	41	51	393	0	15	248	2	298	2	1	17	47	17	447	0	17
san diego	2015	48.666667	7.8315601	55	32	36	446	0	15	244	0	340	0	1	32	42	24	480	0	5
san diego	2016	49.833333	6.0877423	51	22	32	477	0	16	238	2	358	2	1	35	45	30	473	0	12
san diego	2017	48.916667	7.2545701	60	31	36	444	0	16	246	2	339	2	1	45	70	63	381	0	25
san diego	2018	45.250000	7.2503918	29	22	22	454	0	16	174	6	363	4	1	50	83	67	318	0	20
san german	2014	8.416667	3.6545945	12	13	7	69	0	0	50	0	51	0	2	0	12	4	83	0	0
san german	2015	9.583333	3.7284736	11	15	6	78	0	5	66	3	46	3	1	1	16	2	92	0	0
san german	2016	10.583333	2.7784343	11	14	6	92	0	4	78	0	49	0	1	0	12	6	105	0	3
san german	2017	11.083333	3.8954130	12	7	8	102	0	4	69	0	64	0	0	0	31	13	86	0	3
san german	2018	14.583333	5.5670840	14	17	12	128	0	4	92	2	81	2	1	1	32	25	112	0	2
san isidro	2014	13.166667	3.4067669	30	25	24	74	0	5	113	2	43	2	1	0	23	2	128	0	2
san isidro	2015	15.416667	3.7284736	26	31	26	97	0	5	139	1	45	1	0	0	34	5	143	0	2
san isidro	2016	19.083333	3.3967453	37	33	31	116	0	12	173	2	54	2	1	2	49	7	167	0	1
san isidro	2017	19.000000	3.5675303	37	21	25	139	0	6	157	0	71	0	0	2	69	40	115	0	2
san isidro	2018	17.333333	6.4291005	25	25	31	119	0	8	144	0	64	0	1	8	49	40	103	0	7
san javier	2017	1.000000	0.0000000	0	1	0	1	0	0	0	2	0	2	0	0	0	0	0	0	0
san javier no.1	2014	13.500000	3.0000000	25	23	23	84	0	7	119	0	43	0	0	3	24	6	128	0	1
san javier no.1	2015	11.666667	2.5346089	20	17	15	79	0	9	90	1	49	1	0	7	21	6	105	0	0
san javier no.1	2016	12.583333	2.9987371	18	20	20	84	0	9	106	2	43	2	0	9	28	2	110	0	0
san javier no.1	2017	12.750000	4.7887178	25	17	20	83	0	8	111	1	41	1	0	10	39	30	73	0	0
san javier no.1	2018	10.250000	4.4543135	12	20	13	74	0	4	84	0	39	0	0	9	42	23	49	0	0
san javier no.2	2014	5.666667	1.5569979	8	16	7	36	0	1	42	1	25	1	1	0	13	1	52	0	0
san javier no.2	2015	4.250000	1.7645499	5	11	7	28	0	0	35	0	16	0	0	1	5	2	43	0	0
san javier no.2	2016	6.250000	1.9128750	8	20	8	35	0	4	55	0	20	0	0	0	14	2	59	0	0
san javier no.2	2017	4.454546	1.7529196	8	6	4	31	0	0	30	0	19	0	0	0	15	8	26	0	0
san javier no.2	2018	4.000000	1.8586408	5	6	8	28	0	1	25	0	23	0	0	0	14	8	26	0	0
san joaquin	2014	11.000000	2.8919952	9	9	6	105	0	3	57	2	73	2	0	0	21	4	105	0	0
san joaquin	2015	11.333333	3.7979261	8	12	8	105	0	3	73	0	63	0	0	0	21	2	112	0	1
san joaquin	2016	13.416667	3.9648073	14	13	7	119	0	8	88	1	72	1	0	0	30	6	123	1	0
san joaquin	2017	8.833333	3.5118846	8	10	3	82	0	3	47	1	58	1	0	0	24	6	75	0	0
san joaquin	2018	10.750000	3.8876261	8	7	4	107	0	3	56	3	70	2	1	0	38	9	79	0	0
san jose de la montana	2017	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	1	0	0	0
san jose de la montana	2018	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
san jose la cima no. 1	2014	1.000000	0.0000000	1	2	0	1	0	1	4	0	1	0	0	0	0	1	4	0	0
san jose la cima no. 1	2015	1.571429	0.7867958	0	4	0	7	0	0	7	1	3	1	0	0	0	0	10	0	0
san jose la cima no. 1	2016	1.333333	0.5163978	2	1	2	3	0	0	8	0	0	0	0	0	0	0	8	0	0
san jose la cima no. 1	2017	1.400000	0.5477226	3	0	1	3	0	0	4	0	3	0	0	0	1	2	4	0	0
san jose la cima no. 1	2018	1.250000	0.5000000	0	4	1	0	0	0	5	0	0	0	0	0	0	2	3	0	0
san jose la cima no.2	2014	1.000000	0.0000000	4	2	2	0	0	0	8	0	0	0	1	0	0	1	6	0	0
san jose la cima no.2	2015	1.000000	0.0000000	0	1	1	1	0	1	3	0	1	0	0	0	0	0	4	0	0
san jose la cima no.2	2016	1.000000	0.0000000	1	0	1	0	0	0	2	0	0	0	0	0	0	0	2	0	0
san jose la cima no.2	2017	1.500000	0.7071068	2	0	1	0	0	0	3	0	0	0	0	0	0	3	0	0	0
san jose la cima no.2	2018	1.000000	0.0000000	0	1	1	0	0	1	3	0	0	0	0	0	1	1	1	0	0
san lucas	2014	2.750000	1.4222262	1	1	1	30	0	0	8	0	25	0	0	1	1	2	29	0	0
san lucas	2015	1.750000	1.2154311	1	2	0	17	0	1	6	1	14	1	0	0	3	3	14	0	0
san lucas	2016	2.416667	1.1645002	4	2	1	21	0	1	10	0	19	0	0	0	0	0	29	0	0
san lucas	2017	4.636364	2.2033033	2	1	2	45	0	1	10	0	41	0	0	1	5	9	36	0	0
san lucas	2018	4.909091	2.4679767	2	3	1	45	0	3	13	0	41	0	0	0	4	10	39	0	1
san martin de porres	2014	10.166667	2.9797295	19	20	31	50	0	2	88	1	33	1	1	0	11	4	105	0	0
san martin de porres	2015	10.083333	2.6443192	20	20	17	54	0	10	86	0	35	0	1	0	18	7	95	0	0
san martin de porres	2016	9.583333	3.2601822	25	18	21	44	0	7	88	0	27	0	0	0	15	7	93	0	0
san martin de porres	2017	10.416667	3.9876704	19	21	18	60	0	7	91	0	34	0	1	0	24	26	74	0	0
san martin de porres	2018	10.916667	3.6296339	21	19	31	56	0	4	102	0	29	0	2	0	23	45	61	0	0
san miguel	2014	16.000000	4.1778637	21	17	25	124	0	5	138	3	51	3	1	0	57	2	129	0	0
san miguel	2015	14.000000	3.4112115	12	13	8	127	0	8	112	1	55	1	0	0	62	4	101	0	0
san miguel	2016	12.583333	3.0289012	22	16	13	93	0	7	112	0	39	0	0	0	65	2	84	0	0
san miguel	2017	13.416667	3.8954130	16	10	17	110	0	8	109	0	52	0	0	0	79	23	58	1	0
san miguel	2018	11.583333	3.9186810	14	10	15	93	0	7	96	0	43	0	0	0	56	20	62	0	1
san pablo	2014	6.818182	2.9603440	6	37	8	22	0	2	67	0	8	0	0	0	4	2	69	0	0
san pablo	2015	7.166667	1.6966991	10	24	17	31	0	4	70	0	16	0	0	0	9	3	74	0	0
san pablo	2016	6.333333	3.3393884	10	21	11	31	0	3	58	0	18	0	0	0	7	3	66	0	0
san pablo	2017	5.583333	1.7816404	10	8	10	37	0	2	42	0	25	0	0	0	10	4	53	0	0
san pablo	2018	5.000000	1.5954481	7	13	14	21	0	5	48	0	12	0	0	0	7	24	29	0	0
san pedro	2014	16.916667	4.9074773	22	17	25	136	0	3	114	1	88	1	0	16	43	2	141	0	0
san pedro	2015	15.500000	4.2958754	21	16	14	133	0	2	95	2	89	2	0	12	38	3	131	0	0
san pedro	2016	17.166667	6.5758972	13	23	22	146	0	2	111	3	92	3	2	13	42	3	143	0	0
san pedro	2017	14.916667	3.0289012	20	19	7	128	0	5	94	0	85	0	2	26	53	17	81	0	0
san pedro	2018	14.750000	4.0926764	12	20	11	130	0	4	85	0	92	0	0	19	51	20	87	0	0
santa cruz	2014	6.583333	3.4498573	10	21	11	34	0	3	59	2	18	2	2	0	10	3	62	0	0
santa cruz	2015	4.416667	1.8809250	4	15	7	26	0	1	45	1	7	1	0	0	11	0	41	0	0
santa cruz	2016	4.500000	2.5045413	7	14	2	31	0	0	41	0	13	0	0	0	7	3	44	0	0
santa cruz	2017	5.000000	1.8090681	7	16	5	30	0	2	38	5	17	5	1	0	8	3	43	0	0
santa cruz	2018	5.916667	2.8109634	13	12	6	38	0	2	53	0	18	0	0	1	13	18	39	0	0
santa fe	2014	56.083333	8.7952294	58	34	60	491	1	29	364	3	306	3	2	10	74	4	572	0	8
santa fe	2015	47.916667	6.5151339	57	48	61	390	0	19	336	3	236	3	2	18	62	9	478	0	3
santa fe	2016	58.000000	8.9035233	72	51	41	510	0	22	381	3	312	3	0	16	75	23	571	0	8
santa fe	2017	59.666667	9.6137528	87	25	42	530	0	32	395	3	318	3	5	32	109	63	492	0	12
santa fe	2018	59.666667	10.2985730	63	35	35	560	1	22	335	8	373	6	2	27	125	44	509	0	3
santa ines	2014	11.333333	3.2844906	23	33	16	59	0	5	106	0	30	0	1	1	9	5	120	0	0
santa ines	2015	8.250000	2.1794495	16	17	17	47	0	2	68	1	30	1	0	0	11	2	85	0	0
santa ines	2016	9.083333	1.6213537	14	23	13	56	0	3	81	0	28	0	0	1	14	5	89	0	0
santa ines	2017	7.416667	1.7816404	10	14	9	53	0	3	58	0	31	0	0	1	20	10	58	0	0
santa ines	2018	9.583333	3.7284736	19	25	8	58	0	5	81	2	32	2	1	0	17	32	63	0	0
santa lucia	2014	5.111111	2.1473498	4	9	8	24	0	1	31	0	15	0	0	0	4	0	42	0	0
santa lucia	2015	4.666667	1.5569979	5	12	8	30	0	1	37	0	19	0	0	0	7	1	48	0	0
santa lucia	2016	3.583333	1.4433757	1	9	7	21	0	5	31	0	12	0	0	0	5	1	37	0	0
santa lucia	2017	5.250000	1.9128750	9	7	2	42	0	3	41	0	22	0	0	0	20	4	39	0	0
santa lucia	2018	3.916667	1.7816404	1	11	3	32	0	0	23	1	23	1	0	0	13	4	29	0	0
santa margarita	2014	2.444444	2.2973415	4	1	3	10	0	4	16	0	6	0	0	0	3	0	19	0	0
santa margarita	2015	2.083333	1.1645002	2	4	10	9	0	0	16	0	9	0	1	0	1	0	22	0	1
santa margarita	2016	2.636364	1.5015144	5	3	8	10	0	3	22	0	7	0	0	0	4	1	24	0	0
santa margarita	2017	5.090909	2.8444523	10	2	12	30	0	2	44	0	12	0	0	0	4	12	40	0	0
santa margarita	2018	7.083333	2.8749177	14	9	18	41	0	3	63	2	20	2	0	0	10	22	49	0	2
santa maria de los angeles	2014	13.750000	3.0785179	13	4	7	139	0	2	56	0	109	0	1	0	20	8	134	0	2
santa maria de los angeles	2015	14.583333	3.3967453	8	4	6	152	0	5	58	1	116	1	1	0	12	9	150	0	2
santa maria de los angeles	2016	15.416667	3.3427896	24	7	12	138	0	4	76	3	106	3	0	0	8	11	163	0	0
santa maria de los angeles	2017	22.833333	3.5376760	28	3	15	217	0	11	115	0	159	0	2	0	32	32	201	0	7
santa maria de los angeles	2018	14.583333	4.6992907	18	7	9	137	0	4	67	3	105	2	2	0	21	17	132	0	1
santa monica	2014	6.833333	1.3371158	11	4	8	59	0	0	46	1	35	1	0	0	24	1	56	0	0
santa monica	2015	6.583333	2.3915888	15	5	5	51	0	3	54	1	24	1	0	0	24	2	52	0	0
santa monica	2016	8.250000	2.8643578	9	3	17	69	0	1	67	0	32	0	0	0	29	3	67	0	0
santa monica	2017	6.333333	3.0251471	7	4	9	53	0	3	53	0	23	0	0	0	32	11	33	0	0
santa monica	2018	5.333333	1.8257419	6	6	4	47	0	1	39	0	25	0	1	0	27	7	29	0	0
santa rosa de lima	2014	1.400000	0.5477226	1	1	2	2	0	1	5	1	1	1	0	0	2	0	4	0	0
santa rosa de lima	2015	1.333333	0.5773503	0	1	0	3	0	0	3	0	1	0	0	0	2	0	2	0	0
santa rosa de lima	2016	1.000000	NA	0	0	1	0	0	0	1	0	0	0	0	0	0	0	1	0	0
santa rosa de lima	2017	1.333333	0.5163978	1	0	3	4	0	0	5	0	3	0	0	0	0	2	6	0	0
santa rosa de lima	2018	1.000000	0.0000000	2	2	0	2	0	0	5	0	1	0	0	0	0	2	4	0	0
santa teresita	2014	4.583333	1.8319554	4	3	2	45	0	1	32	0	23	0	1	0	15	2	37	0	0
santa teresita	2015	4.583333	1.5050420	4	5	1	43	0	2	29	0	26	0	0	0	16	2	37	0	0
santa teresita	2016	4.666667	2.3484360	2	3	2	45	0	4	29	0	27	0	0	0	25	1	30	0	0
santa teresita	2017	4.750000	1.4847712	8	3	2	43	0	1	32	0	25	0	0	0	23	10	24	0	0
santa teresita	2018	5.181818	2.0404990	4	2	3	48	0	0	27	0	30	0	0	0	22	7	28	0	0
santander	2014	8.166667	2.6571801	15	29	20	32	0	2	80	1	17	1	0	0	7	5	85	0	0
santander	2015	7.583333	3.2601822	9	22	22	33	0	5	75	1	15	1	0	0	4	9	77	0	0
santander	2016	9.333333	4.1633320	21	20	21	47	0	3	84	3	25	3	0	0	13	3	93	0	0
santander	2017	10.833333	4.4890439	23	31	24	50	0	2	105	1	24	1	2	0	27	22	78	0	0
santander	2018	8.666667	3.6762959	12	26	25	40	0	1	85	2	17	2	0	0	16	37	49	0	0
santo domingo savio no. 1	2014	9.666667	2.8069179	14	41	19	32	0	10	89	1	26	1	0	0	5	5	105	0	0
santo domingo savio no. 1	2015	8.333333	3.0550505	14	41	19	23	0	3	83	1	16	1	0	0	6	7	86	0	0
santo domingo savio no. 1	2016	9.166667	2.8867513	19	34	18	33	0	6	87	0	23	0	0	0	3	10	97	0	0
santo domingo savio no. 1	2017	6.666667	3.0550505	10	24	3	38	0	5	51	0	29	0	0	0	7	13	60	0	0
santo domingo savio no. 1	2018	7.750000	3.1370223	22	33	12	23	0	3	78	3	12	3	0	0	7	35	48	0	0
santo domingo savio no. 2	2014	3.250000	1.5447860	2	14	8	15	0	0	34	0	5	0	0	0	1	3	35	0	0
santo domingo savio no. 2	2015	3.272727	1.7372915	2	20	5	8	0	1	28	1	7	1	1	0	0	2	32	0	0
santo domingo savio no. 2	2016	3.416667	2.2746961	5	19	7	10	0	0	35	1	5	1	0	0	0	4	36	0	0
santo domingo savio no. 2	2017	3.200000	1.2292726	7	10	4	11	0	0	21	0	11	0	0	0	3	10	19	0	0
santo domingo savio no. 2	2018	2.250000	0.9653073	1	8	5	12	0	1	18	0	9	0	0	0	2	9	16	0	0
santo domingo savio no.1	2014	1.000000	0.0000000	1	0	1	0	0	0	2	0	0	0	0	0	0	0	2	0	0
santo domingo savio no.1	2015	1.000000	NA	0	1	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
santo domingo savio no.1	2017	1.000000	0.0000000	0	1	0	1	0	0	1	0	1	0	0	0	0	0	2	0	0
santo domingo savio no.1	2018	1.000000	0.0000000	0	0	1	1	0	0	2	0	0	0	0	0	0	0	2	0	0
sevilla	2014	21.000000	3.9312270	18	31	19	181	0	3	123	3	126	3	0	10	42	4	192	1	0
sevilla	2015	20.333333	5.9288713	29	22	31	157	0	5	138	2	104	2	2	4	35	10	191	0	0
sevilla	2016	19.583333	5.5507302	19	17	18	177	0	4	115	2	118	2	0	13	46	8	165	1	0
sevilla	2017	24.583333	7.0124348	40	23	30	194	0	8	165	1	129	1	0	16	55	40	183	0	0
sevilla	2018	19.666667	5.8981250	15	27	18	171	0	5	127	2	107	1	0	14	60	29	132	0	0
simon bolivar	2014	5.500000	2.2360680	5	7	5	49	0	0	29	0	37	0	0	0	16	0	50	0	0
simon bolivar	2015	8.333333	2.5346089	9	6	6	76	0	3	61	1	38	1	0	0	30	3	66	0	0
simon bolivar	2016	7.416667	2.5746433	1	3	5	77	0	3	47	0	42	0	0	0	31	2	56	0	0
simon bolivar	2017	6.583333	1.9286516	3	7	3	66	0	0	46	0	33	0	0	6	33	2	37	0	1
simon bolivar	2018	6.500000	2.1532217	5	1	5	67	0	0	40	0	38	0	0	4	38	6	30	0	0
sin nombre	2014	1.000000	0.0000000	1	0	0	1	0	0	2	0	0	0	0	0	1	0	1	0	0
sin nombre	2015	2.000000	NA	1	0	0	1	0	0	2	0	0	0	0	0	1	0	1	0	0
sin nombre	2018	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	1	0	0	0	0
suburbano altavista	2014	2.000000	0.8660254	4	2	4	8	0	0	15	0	3	0	0	0	0	2	16	0	0
suburbano altavista	2015	2.875000	1.5526475	3	3	2	14	0	1	17	0	6	0	0	0	1	1	21	0	0
suburbano altavista	2016	1.666667	0.8660254	0	3	2	9	0	1	10	1	4	1	0	0	0	0	14	0	0
suburbano altavista	2017	2.375000	1.7677670	5	3	2	8	0	1	14	0	5	0	0	0	1	2	16	0	0
suburbano altavista	2018	1.625000	1.0606602	3	2	1	6	0	1	10	0	3	0	0	0	0	4	9	0	0
suburbano chacaltaya	2014	4.083333	2.1514618	13	1	8	20	0	7	33	5	11	5	0	0	0	1	43	0	0
suburbano chacaltaya	2015	3.250000	1.1381804	4	0	6	25	0	4	20	1	18	1	0	0	3	2	33	0	0
suburbano chacaltaya	2016	4.125000	2.5877458	8	1	8	14	0	2	27	0	6	0	0	0	1	1	31	0	0
suburbano chacaltaya	2017	2.250000	1.8929694	1	0	0	8	0	0	5	1	3	1	0	0	0	0	8	0	0
suburbano chacaltaya	2018	2.000000	1.4142136	2	0	2	11	0	1	10	3	3	3	0	0	0	1	12	0	0
suburbano el llano	2014	1.166667	0.4082483	2	0	1	4	0	0	3	0	4	0	0	0	1	0	6	0	0
suburbano el llano	2015	1.000000	0.0000000	0	0	0	3	0	0	2	0	1	0	0	0	0	0	3	0	0
suburbano el llano	2016	1.000000	0.0000000	0	0	1	1	0	0	1	0	1	0	0	0	0	0	2	0	0
suburbano el llano	2017	1.285714	0.4879500	0	0	1	8	0	0	2	0	7	0	0	0	0	1	8	0	0
suburbano el llano	2018	1.500000	0.5345225	1	2	0	7	0	2	5	0	7	0	0	0	1	1	10	0	0
suburbano el plan	2014	14.250000	8.0693021	52	12	44	45	0	18	145	0	26	0	3	0	0	28	140	0	0
suburbano el plan	2015	7.166667	8.4405227	21	10	21	26	0	8	69	0	17	0	0	0	0	32	54	0	0
suburbano el plan	2016	2.750000	1.4222262	3	9	12	5	0	4	32	0	1	0	0	0	0	30	3	0	0
suburbano el plan	2017	3.142857	1.5735916	5	4	4	7	0	2	18	0	4	0	0	0	1	11	10	0	0
suburbano el tesoro	2014	2.000000	0.0000000	0	0	1	3	0	0	2	0	2	0	0	0	0	0	4	0	0
suburbano el tesoro	2015	1.500000	0.5477226	1	0	1	6	0	1	4	0	5	0	0	0	1	0	8	0	0
suburbano el tesoro	2016	1.000000	0.0000000	2	0	0	1	0	0	2	1	0	1	0	0	0	0	2	0	0
suburbano el tesoro	2017	1.000000	0.0000000	0	0	1	2	0	0	2	0	1	0	0	0	0	0	3	0	0
suburbano el tesoro	2018	1.000000	0.0000000	0	0	0	5	0	2	2	0	5	0	0	1	0	2	4	0	0
suburbano la loma	2014	3.636364	1.0269106	2	4	6	26	0	2	23	0	17	0	0	0	1	0	39	0	0
suburbano la loma	2015	4.000000	1.4770979	7	4	7	29	0	1	32	0	16	0	0	0	1	1	46	0	0
suburbano la loma	2016	4.500000	2.4308622	13	4	9	26	0	2	34	1	19	1	0	0	2	5	45	0	1
suburbano la loma	2017	2.833333	1.6966991	4	9	3	18	0	0	22	1	11	1	0	0	5	3	24	0	1
suburbano la loma	2018	4.916667	2.2343733	14	7	4	31	0	3	38	1	20	1	0	0	3	13	42	0	0
suburbano mirador del poblado	2014	1.333333	0.5163978	0	0	1	6	0	1	3	0	5	0	0	0	0	0	8	0	0
suburbano mirador del poblado	2015	1.500000	0.7559289	1	0	2	7	0	2	7	0	5	0	0	0	0	0	12	0	0
suburbano mirador del poblado	2016	1.200000	0.4472136	0	0	0	5	0	1	4	0	2	0	0	0	0	0	6	0	0
suburbano mirador del poblado	2017	2.142857	1.4638501	3	0	1	10	0	1	8	0	7	0	0	0	4	2	9	0	0
suburbano mirador del poblado	2018	2.000000	1.2649111	3	0	3	14	1	1	10	0	12	0	0	2	0	3	17	0	0
suburbano palma patio	2014	1.666667	0.5773503	0	0	1	4	0	0	3	0	2	0	0	0	1	0	4	0	0
suburbano palma patio	2015	1.333333	0.5773503	0	0	2	2	0	0	4	0	0	0	0	0	0	1	3	0	0
suburbano palma patio	2016	2.000000	1.0000000	2	1	2	1	0	0	5	0	1	0	0	0	0	1	5	0	0
suburbano palma patio	2017	1.750000	0.9574271	0	1	1	5	0	0	3	0	4	0	0	0	2	0	3	0	2
suburbano palma patio	2018	1.750000	0.9574271	0	1	1	5	0	0	3	2	2	2	0	0	0	0	5	0	0
suburbano palmitas	2015	1.000000	0.0000000	1	0	0	1	0	0	1	0	1	0	0	0	0	1	1	0	0
suburbano palmitas	2016	1.333333	0.5773503	0	0	0	4	0	0	1	0	3	0	0	0	0	0	4	0	0
suburbano palmitas	2017	1.000000	0.0000000	0	0	0	2	0	1	1	0	2	0	0	0	0	1	2	0	0
suburbano palmitas	2018	1.000000	0.0000000	0	1	0	3	0	0	0	4	0	4	0	0	0	0	0	0	0
suburbano pedregal alto	2014	1.250000	0.5000000	2	0	0	2	0	1	4	0	1	0	0	0	0	0	5	0	0
suburbano pedregal alto	2015	1.000000	0.0000000	1	0	1	2	0	0	4	0	0	0	0	0	0	0	4	0	0
suburbano pedregal alto	2016	1.222222	0.4409586	5	1	3	1	0	1	11	0	0	0	0	0	0	2	9	0	0
suburbano pedregal alto	2017	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
suburbano pedregal alto	2018	1.000000	0.0000000	1	0	0	0	0	1	2	0	0	0	0	0	0	0	2	0	0
suburbano potrerito	2017	1.000000	NA	0	1	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
suburbano travesias	2014	1.500000	0.5270463	4	5	1	5	0	0	12	0	3	0	0	0	1	3	11	0	0
suburbano travesias	2015	1.500000	0.8366600	3	0	2	3	0	1	7	0	2	0	0	0	0	3	6	0	0
suburbano travesias	2016	2.100000	1.1005049	1	5	4	10	0	1	17	0	4	0	0	0	4	1	16	0	0
suburbano travesias	2017	1.625000	0.7440238	4	2	1	4	0	2	11	0	2	0	0	0	1	3	8	0	1
suburbano travesias	2018	2.333333	1.1180340	2	6	4	8	0	1	15	0	6	0	0	0	2	4	14	0	1
sucre	2014	12.083333	4.1000739	15	23	10	91	0	6	92	1	52	1	0	0	30	2	111	0	1
sucre	2015	12.333333	3.6013465	15	19	8	101	0	5	96	1	51	1	0	0	31	2	114	0	0
sucre	2016	12.250000	4.1148291	20	12	9	98	0	8	99	0	48	0	1	0	28	5	111	0	2
sucre	2017	9.916667	2.6097138	14	10	9	81	0	5	81	0	38	0	1	1	48	15	53	0	1
sucre	2018	10.000000	2.6285150	15	7	12	81	0	5	88	2	30	2	0	1	42	26	49	0	0
suramericana	2014	27.583333	5.4013186	21	16	15	276	0	3	128	2	201	2	0	0	68	4	255	0	2
suramericana	2015	29.916667	5.4181233	22	10	16	307	0	4	127	1	231	1	2	0	55	8	293	0	0
suramericana	2016	25.083333	6.2152062	36	16	19	225	0	5	134	3	164	3	0	0	39	10	247	0	2
suramericana	2017	29.583333	5.4515775	27	16	26	273	0	13	163	0	192	0	1	0	92	22	240	0	0
suramericana	2018	26.000000	5.4104276	29	21	13	243	1	5	145	2	165	1	2	0	79	33	195	0	2
tejelo	2014	11.000000	4.8429893	27	19	20	63	0	3	94	4	34	4	1	0	23	3	101	0	0
tejelo	2015	10.333333	2.9644357	21	15	21	62	0	5	92	1	31	1	1	0	29	5	88	0	0
tejelo	2016	14.500000	3.3709993	28	31	30	77	0	8	132	0	42	0	0	0	32	10	132	0	0
tejelo	2017	11.333333	3.4728383	20	19	20	69	0	8	109	0	27	0	0	0	36	17	83	0	0
tejelo	2018	13.083333	3.5791907	11	26	39	76	0	5	117	0	40	0	0	0	39	37	81	0	0
tenche	2014	15.000000	3.3574882	9	10	14	142	0	5	88	0	92	0	2	0	31	1	146	0	0
tenche	2015	18.916667	5.0173940	15	8	7	191	0	6	105	3	119	3	0	0	36	4	184	0	0
tenche	2016	20.083333	5.5178773	23	18	11	185	0	4	136	0	105	0	0	0	51	6	181	0	3
tenche	2017	14.666667	3.5248039	10	4	8	149	0	5	80	0	96	0	2	0	56	10	108	0	0
tenche	2018	14.916667	4.3788403	16	2	6	155	0	0	80	3	96	2	1	0	51	16	106	0	3
terminal de transporte	2014	54.833333	8.2443737	85	47	52	465	0	9	298	3	357	3	1	48	25	24	541	0	16
terminal de transporte	2015	47.666667	5.3143602	64	24	49	418	0	17	250	5	317	5	0	50	24	17	467	0	9
terminal de transporte	2016	45.166667	8.2553931	70	25	26	411	0	10	231	3	308	3	2	66	35	19	406	0	11
terminal de transporte	2017	52.583333	10.0313901	87	36	49	431	0	28	318	5	308	5	5	105	36	71	391	0	18
terminal de transporte	2018	41.916667	7.2420280	40	28	37	382	0	16	235	3	265	3	1	79	35	84	279	0	22
toscana	2014	9.583333	2.1514618	16	7	10	78	0	4	67	2	46	2	0	0	7	3	103	0	0
toscana	2015	10.750000	4.6539328	14	10	15	85	0	5	81	3	45	3	0	0	6	2	115	0	3
toscana	2016	11.083333	3.5791907	15	9	14	92	0	3	85	2	46	2	1	0	6	1	119	0	4
toscana	2017	17.000000	4.1341153	23	13	14	148	0	6	111	0	93	0	0	0	13	14	170	0	7
toscana	2018	19.416667	4.7569726	17	14	14	177	0	11	129	4	100	3	0	0	14	16	192	0	8
travesias	2017	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
trece de noviembre	2014	1.500000	0.5477226	0	1	2	6	0	0	4	0	5	0	0	0	0	0	9	0	0
trece de noviembre	2015	1.200000	0.4472136	0	4	0	2	0	0	4	0	2	0	0	0	0	0	6	0	0
trece de noviembre	2016	1.555556	1.0137938	0	2	0	12	0	0	4	0	10	0	0	0	0	0	14	0	0
trece de noviembre	2017	1.875000	1.1259916	1	3	0	11	0	0	5	0	10	0	0	0	1	1	13	0	0
trece de noviembre	2018	1.500000	0.7559289	1	4	0	7	0	0	7	0	5	0	1	0	0	0	11	0	0
tricentenario	2014	15.000000	4.5527215	21	10	18	127	0	4	96	0	84	0	0	0	5	5	170	0	0
tricentenario	2015	14.833333	4.7065396	12	8	16	137	0	5	103	2	73	2	0	0	12	2	162	0	0
tricentenario	2016	15.833333	3.9041547	20	11	17	137	0	5	102	1	87	1	0	0	10	4	174	0	1
tricentenario	2017	18.166667	4.4890439	20	11	13	153	0	21	117	1	100	1	1	0	11	19	183	0	3
tricentenario	2018	17.166667	5.0060569	27	8	26	141	0	4	130	1	75	1	0	0	10	27	165	0	3
trinidad	2014	18.833333	3.0401356	27	32	10	152	0	5	139	1	86	1	2	0	55	6	162	0	0
trinidad	2015	19.083333	2.9063671	12	40	13	157	0	7	138	1	90	1	1	0	49	3	175	0	0
trinidad	2016	19.500000	3.5290998	16	27	18	168	0	5	134	3	97	3	0	0	44	5	182	0	0
trinidad	2017	16.583333	3.5280263	22	18	17	133	0	9	119	1	79	1	1	0	53	25	119	0	0
trinidad	2018	15.500000	3.4245106	16	23	4	141	0	2	90	0	96	0	0	0	59	15	112	0	0
u.d. atanasio girardot	2014	5.750000	2.5271256	4	6	5	54	0	0	38	0	31	0	1	0	11	0	57	0	0
u.d. atanasio girardot	2015	5.000000	2.0000000	7	10	4	39	0	0	36	0	24	0	1	0	5	2	52	0	0
u.d. atanasio girardot	2016	5.916667	3.3698755	11	8	5	46	0	1	42	0	29	0	1	0	9	3	58	0	0
u.d. atanasio girardot	2017	4.416667	2.4664414	7	3	1	40	0	2	21	0	32	0	0	1	14	5	32	0	1
u.d. atanasio girardot	2018	4.500000	2.4308622	6	6	6	35	0	1	28	0	26	0	2	0	10	9	33	0	0
u.p.b.	2014	2.333333	1.3662601	4	0	1	9	0	0	8	0	6	0	0	0	0	5	9	0	0
u.p.b.	2015	2.750000	2.1876275	2	1	1	17	0	1	7	0	15	0	0	0	2	3	17	0	0
u.p.b.	2016	2.000000	1.1547005	3	3	0	14	0	0	9	0	11	0	0	0	3	0	17	0	0
u.p.b.	2017	3.666667	1.9694639	2	1	0	38	0	3	11	0	33	0	0	3	12	2	26	0	1
u.p.b.	2018	2.800000	1.3165612	3	1	5	19	0	0	12	1	15	0	0	1	2	3	22	0	0
universidad de antioquia	2014	13.083333	4.1000739	12	16	11	113	0	5	71	0	86	0	3	1	4	1	142	0	6
universidad de antioquia	2015	12.083333	3.5021638	13	10	4	111	0	7	58	1	86	1	0	0	11	4	125	0	4
universidad de antioquia	2016	11.833333	3.7859389	20	4	12	101	0	5	76	0	66	0	0	0	8	3	128	0	3
universidad de antioquia	2017	20.166667	13.9273004	46	7	31	138	0	20	163	1	78	1	2	0	15	24	198	0	2
universidad de antioquia	2018	16.833333	6.2498485	26	10	22	136	0	8	119	2	81	1	0	1	22	22	148	0	8
universidad nacional	2014	34.083333	6.0371326	39	28	25	305	0	12	186	2	221	2	3	0	29	10	354	0	11
universidad nacional	2015	34.583333	4.8702872	38	20	27	312	0	18	215	4	196	4	1	0	41	5	360	0	4
universidad nacional	2016	34.500000	5.7603661	48	14	28	303	0	21	213	2	199	2	0	0	30	11	362	0	9
universidad nacional	2017	28.083333	4.5618643	28	13	24	264	0	8	189	1	147	1	3	1	31	20	253	0	28
universidad nacional	2018	22.500000	3.4245106	22	15	19	201	0	13	138	3	129	3	0	0	25	27	197	0	18
veinte de julio	2014	7.500000	2.7797972	10	19	11	50	0	0	70	2	18	2	1	0	13	1	73	0	0
veinte de julio	2015	6.000000	2.5584086	14	18	5	33	0	2	52	2	18	2	0	0	6	4	60	0	0
veinte de julio	2016	6.000000	2.4120908	8	14	6	38	0	6	55	0	17	0	0	0	14	1	57	0	0
veinte de julio	2017	5.333333	2.7743413	6	17	10	30	0	1	54	2	8	2	0	0	12	7	43	0	0
veinte de julio	2018	5.083333	1.8319554	10	10	5	36	0	0	42	0	19	0	0	0	12	12	37	0	0
versalles no. 1	2014	9.000000	2.6967994	13	32	17	43	0	3	82	1	25	1	0	0	15	5	87	0	0
versalles no. 1	2015	9.583333	3.5021638	21	26	18	44	0	6	83	0	32	0	0	0	12	2	101	0	0
versalles no. 1	2016	8.500000	2.3159526	11	19	10	58	0	4	63	0	39	0	0	0	13	4	85	0	0
versalles no. 1	2017	8.250000	2.5980762	20	27	10	41	0	1	66	1	32	1	2	0	18	14	64	0	0
versalles no. 1	2018	6.416667	1.7298625	13	22	11	27	0	4	56	1	20	1	0	0	7	21	48	0	0
versalles no. 2	2014	1.571429	0.5345225	1	4	1	5	0	0	6	0	5	0	1	0	0	0	10	0	0
versalles no. 2	2015	1.428571	0.5345225	0	3	2	5	0	0	6	0	4	0	0	0	1	0	9	0	0
versalles no. 2	2016	1.142857	0.3779645	1	3	0	4	0	0	4	0	4	0	0	0	0	1	7	0	0
versalles no. 2	2017	1.555556	0.8819171	1	3	3	5	0	2	9	0	5	0	0	0	1	3	10	0	0
versalles no. 2	2018	1.571429	0.5345225	2	3	0	6	0	0	8	0	3	0	0	0	0	3	8	0	0
versalles no.1	2014	1.000000	0.0000000	0	1	0	2	0	0	2	0	1	0	0	0	0	1	2	0	0
versalles no.1	2015	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
versalles no.1	2016	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
versalles no.1	2017	1.000000	0.0000000	0	1	0	3	0	0	1	0	3	0	0	0	0	1	3	0	0
versalles no.1	2018	1.000000	0.0000000	0	0	0	1	0	1	1	0	1	0	0	0	0	0	2	0	0
versalles no.2	2015	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
versalles no.2	2016	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
versalles no.2	2017	1.000000	NA	0	1	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
villa carlota	2014	34.250000	5.2936497	20	19	26	340	0	6	183	3	225	3	1	0	39	12	352	1	3
villa carlota	2015	34.500000	5.8542914	22	14	18	349	0	11	172	3	239	3	2	0	38	12	359	0	0
villa carlota	2016	39.583333	9.0900378	25	18	14	403	0	15	208	1	266	1	0	0	49	22	396	0	7
villa carlota	2017	36.500000	8.2406972	21	8	17	376	2	14	152	1	285	1	0	0	63	35	336	0	3
villa carlota	2018	40.916667	7.5010100	24	17	16	424	0	10	170	2	319	2	1	1	64	50	371	0	2
villa del socorro	2014	7.250000	2.0943647	10	24	16	36	0	1	55	3	29	3	1	0	4	0	79	0	0
villa del socorro	2015	6.583333	2.1933094	11	17	9	39	0	3	59	0	20	0	0	0	5	2	72	0	0
villa del socorro	2016	8.416667	2.8431204	17	18	8	54	0	4	67	0	34	0	1	0	8	3	89	0	0
villa del socorro	2017	6.416667	1.9752253	10	16	10	40	0	1	50	0	27	0	0	0	5	11	61	0	0
villa del socorro	2018	7.083333	1.8809250	11	17	4	51	0	2	51	0	34	0	0	0	9	21	55	0	0
villa flora	2014	13.000000	6.3389130	20	8	19	108	0	1	85	0	71	0	0	0	19	3	134	0	0
villa flora	2015	14.916667	3.1176429	22	11	21	117	0	8	109	0	70	0	1	0	18	2	158	0	0
villa flora	2016	12.750000	2.7675063	29	11	20	87	0	6	105	0	48	0	0	0	24	5	124	0	0
villa flora	2017	13.000000	1.9069252	28	5	24	93	0	6	107	0	49	0	1	0	27	22	106	0	0
villa flora	2018	14.666667	4.5193188	36	10	29	96	0	5	113	0	63	0	0	0	28	57	91	0	0
villa guadalupe	2014	6.500000	3.2891005	11	22	8	33	0	4	60	0	18	0	0	0	6	3	69	0	0
villa guadalupe	2015	5.750000	2.3788844	10	15	9	34	0	1	42	2	25	2	1	0	3	1	61	0	1
villa guadalupe	2016	5.000000	2.6285150	8	17	7	27	0	1	46	0	14	0	0	0	5	1	54	0	0
villa guadalupe	2017	6.166667	2.2087978	16	18	11	25	0	4	59	0	15	0	1	0	11	14	47	0	1
villa guadalupe	2018	6.750000	1.9128750	8	22	12	35	0	4	63	0	18	0	0	0	17	16	48	0	0
villa hermosa	2014	10.333333	3.5760144	22	22	19	57	0	4	97	1	26	1	0	0	28	4	91	0	0
villa hermosa	2015	9.416667	3.2039275	18	24	11	53	0	7	89	0	24	0	0	0	29	3	81	0	0
villa hermosa	2016	9.000000	3.3844564	16	13	10	64	0	5	76	0	32	0	0	0	20	5	83	0	0
villa hermosa	2017	8.166667	2.7906771	10	20	10	53	0	5	63	1	34	1	0	0	26	11	60	0	0
villa hermosa	2018	9.416667	4.5016832	15	19	17	55	0	7	81	0	32	0	0	1	30	26	56	0	0
villa liliam	2014	1.818182	1.2504545	5	6	3	5	0	1	18	0	2	0	0	0	2	1	17	0	0
villa liliam	2015	2.181818	1.1677484	2	9	4	8	0	1	18	0	6	0	1	0	0	1	22	0	0
villa liliam	2016	1.833333	0.8348471	3	6	4	9	0	0	19	0	3	0	1	0	1	3	17	0	0
villa liliam	2017	2.222222	1.2018504	4	6	2	8	0	0	15	0	5	0	0	0	4	5	11	0	0
villa liliam	2018	2.250000	1.4222262	1	10	4	9	0	3	23	0	4	0	0	0	1	11	15	0	0
villa lilliam	2014	1.000000	0.0000000	0	1	1	0	0	0	2	0	0	0	0	0	0	1	1	0	0
villa lilliam	2015	1.000000	0.0000000	1	1	0	0	0	0	2	0	0	0	0	0	0	0	2	0	0
villa lilliam	2016	1.000000	NA	0	0	0	1	0	0	0	0	1	0	0	0	0	0	1	0	0
villa lilliam	2017	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	1	0	0	0
villa lilliam	2018	1.000000	NA	0	0	1	0	0	0	1	0	0	0	0	0	0	1	0	0	0
villa niza	2014	3.800000	1.6193277	8	9	2	17	0	2	24	0	14	0	0	0	4	3	31	0	0
villa niza	2015	2.916667	1.5050420	6	10	3	14	0	2	20	1	14	1	0	0	4	0	30	0	0
villa niza	2016	2.181818	1.3280197	5	3	5	11	0	0	20	1	3	1	0	0	1	3	19	0	0
villa niza	2017	3.250000	1.7645499	3	7	7	21	0	1	28	0	11	0	0	0	3	3	33	0	0
villa niza	2018	3.454546	1.6949122	2	7	6	22	0	1	26	0	12	0	0	0	3	6	29	0	0
villa nueva	2014	50.166667	8.7472940	41	102	45	404	0	10	286	8	308	8	3	0	108	5	476	1	1
villa nueva	2015	53.166667	12.6694574	49	74	40	458	0	17	291	3	344	3	1	1	123	13	495	0	2
villa nueva	2016	46.000000	8.3883035	44	75	41	371	0	21	273	5	274	5	0	1	96	11	435	0	4
villa nueva	2017	47.333333	8.7835935	36	69	34	410	1	18	275	2	291	2	6	0	166	40	341	0	13
villa nueva	2018	45.666667	8.6269486	41	80	38	379	0	10	262	1	285	1	3	1	160	55	320	0	8
villa turbay	2014	1.250000	0.4629100	4	2	2	2	0	0	9	0	1	0	0	0	1	1	8	0	0
villa turbay	2015	1.428571	0.5345225	1	2	2	5	0	0	8	0	2	0	0	0	0	0	10	0	0
villa turbay	2016	1.571429	0.5345225	1	4	4	2	0	0	9	0	2	0	0	0	1	1	9	0	0
villa turbay	2017	1.333333	0.5773503	0	0	2	2	0	0	4	0	0	0	0	0	0	0	4	0	0
villa turbay	2018	1.600000	1.3416408	3	0	1	4	0	0	5	0	3	0	0	0	0	1	7	0	0
villatina	2014	7.416667	2.8109634	12	20	17	34	1	5	65	0	24	0	0	1	3	3	82	0	0
villatina	2015	7.916667	3.1176429	18	21	19	30	0	7	76	0	19	0	0	0	5	2	88	0	0
villatina	2016	8.583333	2.1933094	13	18	14	53	0	5	69	1	33	1	1	0	5	4	92	0	0
villatina	2017	7.000000	2.2156468	11	18	19	31	0	5	65	1	18	1	0	0	8	24	51	0	0
villatina	2018	8.333333	3.2003788	11	18	18	51	0	2	65	0	35	0	0	0	8	24	68	0	0
volcana guayabal	2018	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	1	0	0	0	0
yolombo	2014	1.000000	NA	0	0	1	0	0	0	1	0	0	0	0	0	0	0	1	0	0
yolombo	2016	1.000000	NA	1	0	0	0	0	0	1	0	0	0	0	0	0	0	1	0	0
yolombo	2017	1.000000	0.0000000	1	0	0	1	0	0	2	0	0	0	0	0	0	1	1	0	0
yolombo	2018	1.625000	0.9161254	1	1	0	10	0	1	5	0	8	0	0	0	0	1	12	0	0

Clustering año 2014

Antes de realizar cualquier técnica de clustering, procederemos a realizar un imputado de variables en caso de que existan valores nulos. Para esto, usaremos la imputación por constante y será cero, ya que la variable más propensa a tener valores faltantes será la desviación estandar para los casos de los barrios que no tengan más de 1 registro en todo el año de choques, para los cuales tiene sentido hacer dicha imputación.

cluster_df_2014 <- cluster_df %>% 
  filter(PERIODO==2014) %>% 
  select(-c(PERIODO)) %>% 
  arrange(promedio_accidente_mes) %>% 
  mutate_at(.vars = vars(-BARRIO), .funs = funs(na.constant(.x=., .na = 0)))

## Warning: `funs()` is deprecated as of dplyr 0.8.0.
## Please use a list of either functions or lambdas: 
## 
##   # Simple named list: 
##   list(mean = mean, median = median)
## 
##   # Auto named with `tibble::lst()`: 
##   tibble::lst(mean, median)
## 
##   # Using lambdas
##   list(~ mean(., trim = .2), ~ median(., na.rm = TRUE))
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.

cluster_df_2014 %>% select(-c(BARRIO)) %>%   mutate_all(funs(is.na(.))) %>% colSums()

##  promedio_accidente_mes      std_accidentes_mes      AVG_OTRO_ACCIDENTE 
##                       0                       0                       0 
##          AVG_ATROPELLOS      AVG_CAIDA_OCUPANTE              AVG_CHOQUE 
##                       0                       0                       0 
##            AVG_INCENDIO        AVG_VOLCAMIENTOS              AVG_HERIDO 
##                       0                       0                       0 
##              AVG_MUERTO          AVG_SOLO_DANOS          AVG_SIN_DISENO 
##                       0                       0                       0 
##          AVG_CICLO_RUTA            AVG_GLORIETA        AVG_INTERSECCION 
##                       0                       0                       0 
##         AVG_LOTE_PREDIO          AVG_TRAMO_VIDA       AVG_VIA_PEATOLNAL 
##                       0                       0                       0 
## AVG_DISENO_TUNEL_PUENTE 
##                       0

Comprobamos que ninguna variable tiene valores faltantes, por lo que procedemos a realizar una estandarización de los datos para que la escala de algunas de las variables no afecte el algoritmo que busca minimizar las distancias, adicional por tener un importante número de variables, cualquier las escalas en un espacio de 30 dimensiones tiene un impacto significativamente en las métricas de distancias.

cluster_df_2014_sc <- cluster_df_2014 %>% 
  select(-c(BARRIO)) %>% 
  scale() %>% 
  data.frame(.)

fviz_nbclust(cluster_df_2014_sc, kmeans, method = "wss", k.max = 15)

Como se puede evidenciar, entre 3 y 5 clusters, la ganancia marginal en la suma total de cuadrados es poca en función del aumento del número de clusters, por lo que haremos 4 clusters para dicho año.

set.seed(0)
kmeans.2014 <- kmeans(x = cluster_df_2014_sc, centers = 4, iter.max = 200)
cluster_df_2014$cluster <- as.integer(kmeans.2014$cluster)

Veamos algunas estadísticas de los clusters

cluster_df_2014 %>% 
  select(-c(BARRIO)) %>% 
  group_by(cluster) %>% 
  summarise_all(funs(mean(.))) %>% 
  merge(cluster_df_2014 %>% 
          group_by(cluster) %>% 
          summarise(numero_barrios=n(), .groups="drop"), by="cluster") %>% 
  kable() %>% 
  kable_styling(bootstrap_options = c("striped"), position = "left") %>%
  scroll_box(height = "300px")

cluster	promedio_accidente_mes	std_accidentes_mes	AVG_OTRO_ACCIDENTE	AVG_ATROPELLOS	AVG_CAIDA_OCUPANTE	AVG_CHOQUE	AVG_INCENDIO	AVG_VOLCAMIENTOS	AVG_HERIDO	AVG_MUERTO	AVG_SOLO_DANOS	AVG_SIN_DISENO	AVG_CICLO_RUTA	AVG_GLORIETA	AVG_INTERSECCION	AVG_LOTE_PREDIO	AVG_TRAMO_VIDA	AVG_VIA_PEATOLNAL	AVG_DISENO_TUNEL_PUENTE	numero_barrios
1	9.701734	3.177636	14.927835	15.505155	14.237113	68.29897	0.0721649	3.3092784	72.07216	0.7010309	43.57732	0.7010309	0.5773196	0.5567010	14.505155	3.3402062	96.22680	0.0206186	0.4226804	97
2	2.780002	1.191549	3.260563	4.619718	3.049296	16.90845	0.0000000	0.6901408	17.61972	0.1408451	10.76761	0.1408451	0.1408451	0.0633803	3.338028	0.9507042	23.87324	0.0000000	0.0211268	142
3	54.219298	9.141590	54.210526	60.421053	47.894737	475.73684	0.0526316	12.3157895	298.89474	4.1578947	347.57895	4.1578947	2.6842105	19.4736842	69.263158	14.9473684	529.47368	0.0526316	10.5789474	19
4	21.442901	4.913191	29.259259	27.240741	26.537037	168.37037	0.0000000	5.9074074	146.38889	1.6481481	109.27778	1.6481481	1.2037037	4.9814815	39.037037	6.2962963	202.98148	0.1481481	1.0185185	54

A nivel general de todas las estadísticas, se observa que los clusters formados son a nivel general una descripción de barrios con diferentes niveles de accidentalidad, indiscriminadamente de la gravedad, clase o zona donde se produjo el accidente. Es importante recalcar, que las zonas de mayor accidentalidad se concentran en unos cuantos barrios, específicamente, 11 barrios. Estos barrios están teniendo aproximadamente 2 accidentes por día, seguido del siguiente grupo de barrios que pueden tener hasta casi 1 accidente diario. Los otros dos clusters son de una accidentalidad relativamente baja en comparación a los primeros dos grupos y contienen el 76% de los barrios de Medellín.

Es importante llevar el análisis al espacio geográfico para entender las características de ubicación de los barrios con alta accidentalidad dentro de los grupos.

cluster_2014_map <- df %>% 
  filter(PERIODO==2014, BARRIO!="") %>% 
  group_by(BARRIO) %>% 
  summarise(
    lat=mean(LATITUD), lng=mean(LONGITUD), .groups="drop"
  ) %>% merge(cluster_df_2014 %>% select(BARRIO, cluster), by="BARRIO") %>% 
  mutate(
    cluster_colors=as.character(ifelse(cluster==3, "red", 
                                       ifelse(cluster==4, "orange", 
                                              ifelse(cluster==1, "yellow", "green"))))
    )


leaflet(cluster_2014_map) %>% addTiles() %>%
  addCircleMarkers(
    color = ~cluster_colors,
    stroke = FALSE, 
    fillOpacity = 0.5,
    lng = ~lng, lat = ~lat,
    label = ~as.character(BARRIO)
  )

La primera carácteristica que se puede evidenciar de los clusters de los barrios respecto a la ciudad de Medellín, es que aquellos barrios con mayor accidentalidad se encuentran ubicados por las zonas valle y mayormente transitadas en la ciudad, calles como la avenida del río, la avenida guayabal, la avenida de la 33 y sus altededores, y calles como la 30 a la altura de la 80, la 33 con la 65 y la alpujarra entre otros. Mientras que las zonas con menor accidentalidad justamente se encuentran en las periferías de la ciudad, específicamente en el oriente y occidente de la ciudad. Mientras que zonas con el poblado, belen, robledo, se encuentran los niveles de accidentalidad media-alta.

Clustering año 2015

cluster_df_2015 <- cluster_df %>% 
  filter(PERIODO==2015) %>% 
  select(-c(PERIODO)) %>% 
  arrange(promedio_accidente_mes) %>% 
  mutate_at(.vars = vars(-BARRIO), .funs = funs(na.constant(.x=., .na = 0)))

cluster_df_2015_sc <- cluster_df_2015 %>% 
  select(-c(BARRIO)) %>% 
  scale() %>% 
  data.frame(.)

fviz_nbclust(cluster_df_2015_sc, kmeans, method = "wss", k.max = 15)

set.seed(0)
kmeans.2015 <- kmeans(x = cluster_df_2015_sc, centers = 4, iter.max = 200)
cluster_df_2015$cluster <- as.integer(kmeans.2015$cluster)

Veamos algunas estadísticas de los clusters

cluster_df_2015 %>% 
  select(-c(BARRIO)) %>% 
  group_by(cluster) %>% 
  summarise_all(funs(mean(.))) %>% 
  merge(cluster_df_2015 %>% 
          group_by(cluster) %>% 
          summarise(numero_barrios=n(), .groups="drop"), by="cluster") %>% 
  kable() %>% 
  kable_styling(bootstrap_options = c("striped"), position = "left") %>%
  scroll_box(height = "300px")

cluster	promedio_accidente_mes	std_accidentes_mes	AVG_OTRO_ACCIDENTE	AVG_ATROPELLOS	AVG_CAIDA_OCUPANTE	AVG_CHOQUE	AVG_INCENDIO	AVG_VOLCAMIENTOS	AVG_HERIDO	AVG_MUERTO	AVG_SOLO_DANOS	AVG_SIN_DISENO	AVG_CICLO_RUTA	AVG_GLORIETA	AVG_INTERSECCION	AVG_LOTE_PREDIO	AVG_TRAMO_VIDA	AVG_VIA_PEATOLNAL	AVG_DISENO_TUNEL_PUENTE	numero_barrios
1	11.762028	3.626827	16.206186	17.639175	14.247423	87.54639	0.0000000	5.505155	87.72165	0.7010309	52.72165	0.7010309	0.2577320	0.9175258	22.453608	4.402062	112.13402	0.0206186	0.2577320	97
2	3.238126	1.341640	3.512048	4.656626	3.343374	21.45783	0.0000000	1.198795	20.18072	0.2168675	13.77108	0.2168675	0.0722892	0.0903614	3.909639	1.343373	28.40964	0.0060241	0.1204819	166
3	56.986111	9.462775	55.666667	58.888889	47.000000	503.72222	0.0000000	18.555556	315.11111	4.8888889	363.83333	4.8888889	1.5000000	20.8333333	78.000000	15.111111	554.94444	0.2222222	8.3333333	18
4	24.780952	5.589009	30.342857	26.885714	25.942857	203.65714	0.0285714	10.514286	164.05714	1.6571429	131.65714	1.6571429	0.8285714	7.7714286	44.657143	8.485714	232.77143	0.0000000	1.2000000	35

Para el año 2015, vemos que se conserva una estructura muy similar a la clusterización de los barrios por los diferentes niveles de accidentes, se puede dividir entre niveles de muy alta, alta, moderada y baja accidentalidad.

cluster_2015_map <- df %>% 
  filter(PERIODO==2015, BARRIO!="") %>% 
  group_by(BARRIO) %>% 
  summarise(
    lat=mean(LATITUD), lng=mean(LONGITUD), .groups="drop"
  ) %>% merge(cluster_df_2015 %>% select(BARRIO, cluster), by="BARRIO") %>% 
  mutate(
    cluster_colors=as.character(ifelse(cluster==3, "red", 
                                       ifelse(cluster==4, "orange", 
                                              ifelse(cluster==1, "yellow", "green"))))
    )


leaflet(cluster_2015_map) %>% addTiles() %>%
  addCircleMarkers(
    color = ~cluster_colors,
    stroke = FALSE, 
    fillOpacity = 0.5,
    lng = ~lng, lat = ~lat,
    label = ~as.character(BARRIO)
  )

Clustering año 2016

cluster_df_2016 <- cluster_df %>% 
  filter(PERIODO==2016) %>% 
  select(-c(PERIODO)) %>% 
  arrange(promedio_accidente_mes) %>% 
  mutate_at(.vars = vars(-BARRIO), .funs = funs(na.constant(.x=., .na = 0)))

cluster_df_2016_sc <- cluster_df_2016 %>% 
  select(-c(BARRIO)) %>% 
  scale() %>% 
  data.frame(.)

fviz_nbclust(cluster_df_2016_sc, kmeans, method = "wss", k.max = 15)

Veamos algunas estadísticas de los clusters

set.seed(0)
kmeans.2016 <- kmeans(x = cluster_df_2016_sc, centers = 4, iter.max = 200)
cluster_df_2016$cluster <- as.integer(kmeans.2016$cluster)

cluster_df_2016 %>% 
  select(-c(BARRIO)) %>% 
  group_by(cluster) %>% 
  summarise_all(funs(mean(.))) %>% 
  merge(cluster_df_2016 %>% 
          group_by(cluster) %>% 
          summarise(numero_barrios=n(), .groups="drop"), by="cluster") %>% 
  kable() %>% 
  kable_styling(bootstrap_options = c("striped"), position = "left") %>%
  scroll_box(height = "300px")

cluster	promedio_accidente_mes	std_accidentes_mes	AVG_OTRO_ACCIDENTE	AVG_ATROPELLOS	AVG_CAIDA_OCUPANTE	AVG_CHOQUE	AVG_INCENDIO	AVG_VOLCAMIENTOS	AVG_HERIDO	AVG_MUERTO	AVG_SOLO_DANOS	AVG_SIN_DISENO	AVG_CICLO_RUTA	AVG_GLORIETA	AVG_INTERSECCION	AVG_LOTE_PREDIO	AVG_TRAMO_VIDA	AVG_VIA_PEATOLNAL	AVG_DISENO_TUNEL_PUENTE	numero_barrios
1	12.855611	3.564796	20.099010	17.128713	15.772277	95.22772	0.00	6.039604	96.74257	0.8217822	56.70297	0.8217822	0.2673267	1.2772277	24.376238	6.50495	120.44554	0.049505	0.5247525	101
2	3.446464	1.501098	4.469512	5.182927	3.987805	22.21341	0.00	1.518293	23.14024	0.2012195	14.03049	0.2012195	0.0792683	0.0853659	4.713415	1.72561	30.46951	0.000000	0.0975610	164
3	54.562500	8.356290	62.400000	51.000000	41.500000	481.80000	0.05	18.000000	309.95000	4.0500000	340.75000	4.0500000	1.3500000	25.0500000	85.850000	20.85000	506.95000	0.350000	10.3000000	20
4	26.786667	5.587381	34.560000	22.680000	24.120000	229.36000	0.12	10.600000	169.16000	1.5200000	150.76000	1.5200000	1.0400000	10.2800000	47.880000	9.52000	247.64000	0.280000	3.2800000	25

Entre los clusters del 2014, 2015 y 2016 se ve un ligero cambio en el número de barrios por cluster, en espacial para los clusters de más alta accidentalidad, lo cual refleja las matrices de transición denotadas en la parte superior del análisis.

cluster_2016_map <- df %>% 
  filter(PERIODO==2016, BARRIO!="") %>% 
  group_by(BARRIO) %>% 
  summarise(
    lat=mean(LATITUD), lng=mean(LONGITUD), .groups="drop"
  ) %>% merge(cluster_df_2016 %>% select(BARRIO, cluster), by="BARRIO") %>% 
  mutate(
    cluster_colors=as.character(ifelse(cluster==3, "red", 
                                       ifelse(cluster==4, "orange", 
                                              ifelse(cluster==1, "yellow", "green"))))
    )


leaflet(cluster_2016_map) %>% addTiles() %>%
  addCircleMarkers(
    color = ~cluster_colors,
    stroke = FALSE, 
    fillOpacity = 0.5,
    lng = ~lng, lat = ~lat,
    label = ~as.character(BARRIO)
  )

Clustering año 2017

cluster_df_2017 <- cluster_df %>% 
  filter(PERIODO==2017) %>% 
  select(-c(PERIODO)) %>% 
  arrange(promedio_accidente_mes) %>% 
  mutate_at(.vars = vars(-BARRIO), .funs = funs(na.constant(.x=., .na = 0)))

cluster_df_2017_sc <- cluster_df_2017 %>% 
  select(-c(BARRIO)) %>% 
  scale() %>% 
  data.frame(.)

fviz_nbclust(cluster_df_2017_sc, kmeans, method = "wss", k.max = 15)

Veamos algunas estadísticas de los clusters

set.seed(0)
kmeans.2017 <- kmeans(x = cluster_df_2017_sc, centers = 3, iter.max = 200)
cluster_df_2017$cluster <- as.integer(kmeans.2017$cluster)

cluster_df_2017 %>% 
  select(-c(BARRIO)) %>% 
  group_by(cluster) %>% 
  summarise_all(funs(mean(.))) %>% 
  merge(cluster_df_2017 %>% 
          group_by(cluster) %>% 
          summarise(numero_barrios=n(), .groups="drop"), by="cluster") %>% 
  kable() %>% 
  kable_styling(bootstrap_options = c("striped"), position = "left") %>%
  scroll_box(height = "300px")

cluster	promedio_accidente_mes	std_accidentes_mes	AVG_OTRO_ACCIDENTE	AVG_ATROPELLOS	AVG_CAIDA_OCUPANTE	AVG_CHOQUE	AVG_INCENDIO	AVG_VOLCAMIENTOS	AVG_HERIDO	AVG_MUERTO	AVG_SOLO_DANOS	AVG_SIN_DISENO	AVG_CICLO_RUTA	AVG_GLORIETA	AVG_INTERSECCION	AVG_LOTE_PREDIO	AVG_TRAMO_VIDA	AVG_VIA_PEATOLNAL	AVG_DISENO_TUNEL_PUENTE	numero_barrios
1	17.693841	4.596793	24.282609	16.521739	18.673913	144.96739	0.0217391	7.858696	117.50000	0.7065217	94.11957	0.7065217	0.9891304	5.663043	46.14130	24.043478	132.53261	0.0217391	2.2282609	92
2	4.073018	1.657475	5.407767	5.514563	3.941748	27.79126	0.0000000	1.805825	26.04369	0.3543689	18.06311	0.3543689	0.1553398	0.461165	8.61165	6.412621	28.21845	0.0048544	0.2427184	206
3	52.541667	9.121845	62.272727	44.727273	41.045454	460.68182	0.0909091	21.681818	304.09091	4.0909091	322.31818	4.0909091	3.1818182	34.090909	101.31818	54.318182	412.77273	0.1363636	20.5909091	22

Para el año 2017 se intentó realizar la clusterización con k = 4, sin embargo, agrupo no más de 5 barrios para la accidentalidad más baja y la diferencia en las estadísticas eran mínimas, por lo que hizó más sentido hacer el agrupamiento para un parámetro de k = 3.

cluster_2017_map <- df %>% 
  filter(PERIODO==2017, BARRIO!="") %>% 
  group_by(BARRIO) %>% 
  summarise(
    lat=mean(LATITUD), lng=mean(LONGITUD), .groups="drop"
  ) %>% merge(cluster_df_2017 %>% select(BARRIO, cluster), by="BARRIO") %>% 
  mutate(
    cluster_colors=as.character(
      ifelse(
        cluster==3, "red", 
        ifelse(cluster==1, "orange",
               "green")
      )
    )
  )


leaflet(cluster_2017_map) %>% addTiles() %>%
  addCircleMarkers(
    color = ~cluster_colors,
    stroke = FALSE, 
    fillOpacity = 0.5,
    lng = ~lng, lat = ~lat,
    label = ~as.character(BARRIO)
  )

Clustering año 2018

cluster_df_2018 <- cluster_df %>% 
  filter(PERIODO==2018) %>% 
  select(-c(PERIODO)) %>% 
  arrange(promedio_accidente_mes) %>% 
  mutate_at(.vars = vars(-BARRIO), .funs = funs(na.constant(.x=., .na = 0)))

cluster_df_2018_sc <- cluster_df_2018 %>% 
  select(-c(BARRIO)) %>% 
  scale() %>% 
  data.frame(.)

fviz_nbclust(cluster_df_2018_sc, kmeans, method = "wss", k.max = 15)

Veamos algunas estadísticas de los clusters

set.seed(0)
kmeans.2018 <- kmeans(x = cluster_df_2018_sc, centers = 4, iter.max = 200)
cluster_df_2018$cluster <- as.integer(kmeans.2018$cluster)

cluster_df_2018 %>% 
  select(-c(BARRIO)) %>% 
  group_by(cluster) %>% 
  summarise_all(funs(mean(.))) %>% 
  merge(cluster_df_2018 %>% 
          group_by(cluster) %>% 
          summarise(numero_barrios=n(), .groups="drop"), by="cluster") %>% 
  kable() %>% 
  kable_styling(bootstrap_options = c("striped"), position = "left") %>%
  scroll_box(height = "300px")

cluster	promedio_accidente_mes	std_accidentes_mes	AVG_OTRO_ACCIDENTE	AVG_ATROPELLOS	AVG_CAIDA_OCUPANTE	AVG_CHOQUE	AVG_INCENDIO	AVG_VOLCAMIENTOS	AVG_HERIDO	AVG_MUERTO	AVG_SOLO_DANOS	AVG_SIN_DISENO	AVG_CICLO_RUTA	AVG_GLORIETA	AVG_INTERSECCION	AVG_LOTE_PREDIO	AVG_TRAMO_VIDA	AVG_VIA_PEATOLNAL	AVG_DISENO_TUNEL_PUENTE	numero_barrios
1	14.479854	3.998100	18.054945	16.901099	19.186813	113.96703	0.0109890	5.637363	100.79121	1.4175824	71.54945	1.0219780	0.5494505	2.8461538	37.747253	30.000000	100.28571	0.0219780	1.2857143	91
2	3.707659	1.499981	4.314433	4.603093	4.247423	26.21649	0.0051546	1.216495	22.71649	0.2628866	17.62371	0.2164948	0.0979381	0.3556701	7.520619	7.402062	24.81443	0.0000000	0.1958763	194
3	57.597222	8.792773	57.666667	53.666667	47.583333	512.75000	0.4166667	19.083333	327.66667	5.2500000	358.25000	3.8333333	2.4166667	25.2500000	120.416667	74.833333	444.83333	0.1666667	19.4166667	12
4	34.916667	7.156753	28.350000	26.750000	23.800000	330.30000	0.0000000	9.800000	174.00000	2.8500000	242.15000	2.0500000	1.8000000	33.5500000	78.600000	43.100000	243.15000	0.0500000	16.7000000	20

Para el año 2018, se mantuvo la estructura de 4 clusters con diferencias importantes entre las estadísticas de accidentes.

cluster_2018_map <- df %>% 
  filter(PERIODO==2018, BARRIO!="") %>% 
  group_by(BARRIO) %>% 
  summarise(
    lat=mean(LATITUD), lng=mean(LONGITUD), .groups="drop"
  ) %>% merge(cluster_df_2018 %>% select(BARRIO, cluster), by="BARRIO") %>% 
  mutate(
    cluster_colors=as.character(
      ifelse(
        cluster==3, "red", 
        ifelse(
          cluster==4, "orange",
          ifelse(
            cluster==1, "yellow",
            "green"
          )
        )
      )
    )
  )


leaflet(cluster_2018_map) %>% addTiles() %>%
  addCircleMarkers(
    color = ~cluster_colors,
    stroke = FALSE, 
    fillOpacity = 0.5,
    lng = ~lng, lat = ~lat,
    label = ~as.character(BARRIO)
  )