Indice¶
- Introduction
- Preparando la información
- ¿Cuántos nacimientos hay por año en el país?
- ¿Cuántos nacimientos hay por año en el país según el grupo etario de la madre?
- ¿Que proporción de madres tuvo hijos antes de los 20?
- Para cada nivel de instrucción/educación, ¿Cuántos nacimientos hubo en cada grupo etario?
- Referencias técnicas
Qué información podemos obtener:¶
- ¿Cuántos nacimientos hay por año en el país?
- ¿Cuántos nacimientos hay por año en el país según el grupo etario de la madre?
- ¿Que proporción de madres tuvo hijos antes de los 20?
- Para cada nivel de instrucción/educación, ¿Cuántos nacimientos hubo en cada grupo etario?
Link donde obtengo el dataset¶
El dataset viene del ministerio de salud y puede encontrarse en: http://datos.salud.gob.ar/dataset/nacidos-vivos-registrados-por-jurisdiccion-de-residencia-de-la-madre-republica-argentina-ano-2017/archivo/3c891522-8448-4490-a7da-6deba78d3b32 Aunque los datos fueron limpiados para facilitar su uso
Antes de empezar, una aclaración: En muchos lugares de la ejecución, se puede ver un SettingWithCopyWarning que nos avisa que estamos tratando de colocar una parte de una copia del dataframe en el dataframe. Esto no es un problema y se puede ignorar
Preparando la información ¶
Primero importamos pandas, esto nos permitirá usar las funciones que provee, es costumbre renombrarla como pd y también el módulo pyplot de matplotlib normalmente abreviado como plt
import pandas as pd
import matplotlib.pyplot as plt
Usamos la función read_csv que nos transforma nuestros datos (en formato csv) a un dataframe que podemos manipular fácilmente.
nacimientos = pd.read_csv("Nacimientos_Arg_2005-2010.csv",encoding = "UTF-8")
Vamos a ver como vemos la información:
nacimientos.head()
| anio | jurisdiccion_de_residencia_id | jurisdicion_residencia_nombre | edad_madre_grupo_id | edad_madre_grupo | instruccion_madre | semana_gestacion_id | semana_gestacion | intervalo_peso_al_nacer | Sexo | nacimientos_cantidad | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 2005 | 2 | Ciudad Autónoma de Buenos Aires | 5 | 30 a 34 | Secundaria/Polimodal Incompleta | 4 | 28 a 31 | 1500 a 1999 | masculino | 1 |
| 1 | 2005 | 2 | Ciudad Autónoma de Buenos Aires | 5 | 30 a 34 | Primaria/C. EGB Completa | 4 | 28 a 31 | 500 a 999 | masculino | 2 |
| 2 | 2005 | 2 | Ciudad Autónoma de Buenos Aires | 4 | 25 a 29 | Secundaria/Polimodal Completa | 4 | 28 a 31 | 1000 a 1499 | masculino | 6 |
| 3 | 2005 | 2 | Ciudad Autónoma de Buenos Aires | 5 | 30 a 34 | Secundaria/Polimodal Incompleta | 5 | 32 a 36 | 1500 a 1999 | masculino | 5 |
| 4 | 2005 | 2 | Ciudad Autónoma de Buenos Aires | 4 | 25 a 29 | Secundaria/Polimodal Completa | 4 | 28 a 31 | 1500 a 1999 | masculino | 1 |
No vamos a trabajar con toda la información, asi que la cortamos a las columnas que nos interesan:
nacimientos = nacimientos[["anio","edad_madre_grupo","instruccion_madre","Sexo","nacimientos_cantidad"]]
nacimientos
| anio | edad_madre_grupo | instruccion_madre | Sexo | nacimientos_cantidad | |
|---|---|---|---|---|---|
| 0 | 2005 | 30 a 34 | Secundaria/Polimodal Incompleta | masculino | 1 |
| 1 | 2005 | 30 a 34 | Primaria/C. EGB Completa | masculino | 2 |
| 2 | 2005 | 25 a 29 | Secundaria/Polimodal Completa | masculino | 6 |
| 3 | 2005 | 30 a 34 | Secundaria/Polimodal Incompleta | masculino | 5 |
| 4 | 2005 | 25 a 29 | Secundaria/Polimodal Completa | masculino | 1 |
| ... | ... | ... | ... | ... | ... |
| 497969 | 2017 | 30 a 34 | Secundaria/Polimodal Completa | femenino | 1 |
| 497970 | 2017 | 30 a 34 | Secundaria/Polimodal Completa | femenino | 1 |
| 497971 | 2007 | 25 a 29 | Terciaria/Universitaria Completa | desconocido | 1 |
| 497972 | 2017 | 30 a 34 | Terciaria/Universitaria Incompleta | femenino | 1 |
| 497973 | 2017 | Sin especificar | Sin especificar | desconocido | 10 |
497974 rows × 5 columns
Pregunta: ¿Cuántos nacimientos hay por año en el país? ¶
Para esto vamos a necesitar menos información que antes, solo la cantidad de nacimientos y el año en el que ocurrieron. Se abrevia nacimientos como nac para mayor legibilidad:
nac_por_año = nacimientos[["anio","nacimientos_cantidad"]]
nac_por_año.head()
| anio | nacimientos_cantidad | |
|---|---|---|
| 0 | 2005 | 1 |
| 1 | 2005 | 2 |
| 2 | 2005 | 6 |
| 3 | 2005 | 5 |
| 4 | 2005 | 1 |
Hay un problema con esta información, como la cantidad de nacimientos no está agregada por año sino que también por otros factores, hay que agrupar por año y sumar los nacimientos de cada grupo:
nac_por_año = nac_por_año.groupby("anio").sum()
nac_por_año.head()
| nacimientos_cantidad | |
|---|---|
| anio | |
| 2005 | 712220 |
| 2006 | 696451 |
| 2007 | 700792 |
| 2008 | 746460 |
| 2009 | 745336 |
Ahora está mejor. Vamos a graficarlo con un simple gráfico de línea:
nac_por_año.plot(kind= "line",figsize= (15,7),grid=True)
plt.legend(["Cantidad de nacimientos"])
<matplotlib.legend.Legend at 0x7f705be255d0>
Hay un problema con el gráfico, el eje y no comienza en 0 y hace que el gráfico se vea mal, esto se soluciona indicando el límite inferior de y: También establecemos la leyenda del gráfico
nac_por_año.plot(kind= "line",figsize= (15,7),ylim=(0),grid=True)
plt.legend(["Cantidad de nacimientos"])
<matplotlib.legend.Legend at 0x7f705bc787d0>
Pregunta: ¿Cuántos nacimientos hay por año en el país según el grupo etario de la madre? ¶
En este caso necesitamos saber el año, el grupo etario de la madre y la cantidad:
nac_edad_madre = nacimientos[["anio","edad_madre_grupo","nacimientos_cantidad"]]
Hay algunos nacimientos donde el grupo etario de la madre no fue especificado, por lo tanto no podemos sacar conclusiones, asique se ignoran.
nac_edad_madre.drop(nac_edad_madre.index[nac_edad_madre['edad_madre_grupo'] == "Sin especificar"], inplace = True)
/usr/local/lib/python3.7/dist-packages/pandas/core/frame.py:4913: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy errors=errors,
Ahora con la información filtrada, hay que agrupar por dos criterios, primero por el año y luego por el grupo etario y finalmente sumar las cantidades de estos grupos:
nac_edad_madre = nac_edad_madre.groupby(["anio","edad_madre_grupo"]).sum()
nac_edad_madre.head()
| nacimientos_cantidad | ||
|---|---|---|
| anio | edad_madre_grupo | |
| 2005 | Menor de 15 | 2699 |
| 15 a 19 | 104410 | |
| 20 a 24 | 177813 | |
| 25 a 29 | 182778 | |
| 30 a 34 | 141689 |
La información como está no puede ser graficada, ya que está toda junta en 2 grupos, asi que usamos la función .unstack(), que despliega la información para que se puede visualizar
nac_edad_madre = nac_edad_madre.unstack()
nac_edad_madre.head()
| nacimientos_cantidad | ||||||||
|---|---|---|---|---|---|---|---|---|
| edad_madre_grupo | Menor de 15 | 15 a 19 | 20 a 24 | 25 a 29 | 30 a 34 | 35 a 39 | 40 a 44 | De 45 y más |
| anio | ||||||||
| 2005 | 2699 | 104410 | 177813 | 182778 | 141689 | 73194 | 21382 | 1575 |
| 2006 | 2766 | 103885 | 174342 | 176931 | 139003 | 73177 | 19866 | 1488 |
| 2007 | 2841 | 106720 | 174679 | 175632 | 139393 | 73532 | 19879 | 1497 |
| 2008 | 2937 | 112034 | 183265 | 184978 | 153805 | 80258 | 20824 | 1630 |
| 2009 | 3346 | 113478 | 182747 | 178935 | 155464 | 81397 | 20840 | 1546 |
Finalmente graficamos como en los ejemplos anteriores, con la diferencia de que ahora hay varios grupos lo que nos da varias líneas. No existe el mismo problema del eje y ya que ciertos grupos tienen muy pocos nacimientos y esto hace que el eje empiece en 0:
nac_edad_madre.plot(kind= "line",figsize= (30,15),grid=True)
plt.legend(["Menor de 15", "15 a 19", "20 a 24", "25 a 29", "30 a 34", "35 a 39", "40 a 44", "De 45 y más"])
<matplotlib.legend.Legend at 0x7fa99f5fd550>
Pregunta: ¿Que proporción de madres tuvo hijos antes de los 20? ¶
Igual que los ejemplos anteriores, obtenemos las columnas de interés. Pero si consultamos cuáles son los valores únicos que tiene la columna "edad_madre:grupo" nos encontramos con filas que no tienen información significativa
nac_madre_menor_20 = nacimientos[["edad_madre_grupo","nacimientos_cantidad"]]
nac_madre_menor_20["edad_madre_grupo"].unique()
array(['30 a 34', '25 a 29', '20 a 24', '15 a 19', 'Sin especificar',
'40 a 44', 'De 45 y más', ' Menor de 15', '35 a 39'], dtype=object)
Eliminamos las filas que dicen 'Sin especificar'
nac_madre_menor_20 = nac_madre_menor_20.drop(nac_madre_menor_20[nac_madre_menor_20['edad_madre_grupo'] == "Sin especificar"].index)
nac_madre_menor_20.groupby("edad_madre_grupo")["nacimientos_cantidad"].count().plot(kind='pie')
<matplotlib.axes._subplots.AxesSubplot at 0x7fa9a1378810>
Luego agrupamos los nacimientos en dos categorías, basado en si cumple o no la condición: Si está en los grupos " Menor de 15" o "15 a 19", ponerlos en un grupo, sino en otro grupo. (la | es el equivalente a un "o")
nac_madre_menor_20 = nac_madre_menor_20.groupby(
(nac_madre_menor_20.edad_madre_grupo == " Menor de 15")
| (nac_madre_menor_20.edad_madre_grupo == "15 a 19"))
Luego sumamos los nacimientos de cada grupo:
nac_madre_menor_20 = nac_madre_menor_20.sum()
nac_madre_menor_20.head()
| nacimientos_cantidad | |
|---|---|
| edad_madre_grupo | |
| False | 9630285 |
| True | 1657570 |
Hay un problema con esta información, en la columna de grupo dece "True" y "False", esto es por la operación de clasificación de más arriba. Esto se soluciona en el gráfico usando las etiquetas definidas en la lista etiquetas y pasandoselas al gráfico.
Finalmente, graficamos con un gráfico de torta para mostrar la propoción visualmente, agregando algunas cosas como los porcentajes (con autopct ='%.2f'), el título y el tamaño.
etiquetas= ["20 o mayor", "Menor a 20"]
nac_madre_menor_20.plot(kind='pie', y='nacimientos_cantidad', figsize=(10, 10),
autopct='%.2f',title = "Proporción de madres tuvo hijos antes de los 20",
labels=etiquetas
,ylabel="")
plt.legend(etiquetas)
<matplotlib.legend.Legend at 0x7fa99f6b6910>
nac_madre_menor_20 = nac_madre_menor_20.rename({True:'Menor a 20',False:'20 o mayor'})
nac_madre_menor_20.head()
| nacimientos_cantidad | |
|---|---|
| edad_madre_grupo | |
| 20 o mayor | 9630285 |
| Menor a 20 | 1657570 |
Pregunta: Para cada nivel de instrucción/educación, ¿Cuántos nacimientos hubo en cada grupo etario? ¶
Primero obtenemos la información necesaria para responder la pregunta, esta está en las columnas: instruccion_madre , edad_madre_grupo y nacimientos_cantidad
nac_edad_edu_madre= nacimientos[["instruccion_madre","edad_madre_grupo","nacimientos_cantidad"]]
nac_edad_edu_madre.head()
| instruccion_madre | edad_madre_grupo | nacimientos_cantidad | |
|---|---|---|---|
| 0 | Secundaria/Polimodal Incompleta | 30 a 34 | 1 |
| 1 | Primaria/C. EGB Completa | 30 a 34 | 2 |
| 2 | Secundaria/Polimodal Completa | 25 a 29 | 6 |
| 3 | Secundaria/Polimodal Incompleta | 30 a 34 | 5 |
| 4 | Secundaria/Polimodal Completa | 25 a 29 | 1 |
Como en la pregunta anterior hay dos campos que tienen "sin especificar", los ignoramos:
nac_edad_edu_madre.drop(nac_edad_edu_madre.index[nac_edad_edu_madre['edad_madre_grupo'] == "Sin especificar"], inplace = True)
nac_edad_edu_madre.drop(nac_edad_edu_madre.index[nac_edad_edu_madre['instruccion_madre'] == "Sin especificar"], inplace = True)
nac_edad_edu_madre.head()
/usr/local/lib/python3.7/dist-packages/pandas/core/frame.py:4913: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy errors=errors,
| instruccion_madre | edad_madre_grupo | nacimientos_cantidad | |
|---|---|---|---|
| 0 | Secundaria/Polimodal Incompleta | 30 a 34 | 1 |
| 1 | Primaria/C. EGB Completa | 30 a 34 | 2 |
| 2 | Secundaria/Polimodal Completa | 25 a 29 | 6 |
| 3 | Secundaria/Polimodal Incompleta | 30 a 34 | 5 |
| 4 | Secundaria/Polimodal Completa | 25 a 29 | 1 |
Agrupamos por instrucción/educación de la madre y grupo etario, luego se suma la cantidad de nacimientos por esas categorías:
nac_edad_edu_madre = nac_edad_edu_madre.groupby(["instruccion_madre","edad_madre_grupo"]).sum()
nac_edad_edu_madre.head()
| nacimientos_cantidad | ||
|---|---|---|
| instruccion_madre | edad_madre_grupo | |
| Primaria/C. EGB Completa | Menor de 15 | 13561 |
| 15 a 19 | 447330 | |
| 20 a 24 | 687506 | |
| 25 a 29 | 594204 | |
| 30 a 34 | 449616 |
Como agrupamos por dos categorías usamos unstack para graficar los datos más facilmente:
nac_edad_edu_madre = nac_edad_edu_madre.unstack()
nac_edad_edu_madre.head()
| nacimientos_cantidad | ||||||||
|---|---|---|---|---|---|---|---|---|
| edad_madre_grupo | Menor de 15 | 15 a 19 | 20 a 24 | 25 a 29 | 30 a 34 | 35 a 39 | 40 a 44 | De 45 y más |
| instruccion_madre | ||||||||
| Primaria/C. EGB Completa | 13561 | 447330 | 687506 | 594204 | 449616 | 271336 | 87279 | 6532 |
| Primaria/C. EGB Incompleta | 13424 | 171170 | 172795 | 128707 | 95095 | 60494 | 22362 | 1998 |
| Secundaria/Polimodal Completa | 348 | 224291 | 862070 | 875452 | 655385 | 334111 | 80448 | 5187 |
| Secundaria/Polimodal Incompleta | 13535 | 679556 | 722392 | 481346 | 305220 | 160782 | 44473 | 2972 |
| Sin instrucción | 455 | 6851 | 10413 | 10255 | 8756 | 6030 | 2618 | 317 |
Finalmente graficamos con un gáfico de barras, donde cada grupo corresponde a un nivel de educación y cada barra a un grupo etario, mientras más alta la barra, más nacimientos. También agregamos un título y la leyenda:
nac_edad_edu_madre.plot.bar(figsize= (25,13),xlabel="",title = "Cantidad de nacimientos por grupo etario y educación de la madre",grid=True)
plt.legend(["Menor de 15", "15 a 19", "20 a 24", "25 a 29", "30 a 34", "35 a 39", "40 a 44", "De 45 y más"])
<matplotlib.legend.Legend at 0x7fa99f5a3150>
Extra¶
nacimientos_sexo_anio= nacimientos[["Sexo","anio","nacimientos_cantidad"]]
nacimientos_sexo_anio.replace(to_replace=["desconocido"],value="indeterminado",inplace=True)
nacimientos_sexo_anio= nacimientos_sexo_anio.groupby(["anio","Sexo"]).sum()
nacimientos_sexo_anio.unstack().plot(figsize= (25,13))
/usr/local/lib/python3.7/dist-packages/pandas/core/frame.py:5244: SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy method=method,
<matplotlib.axes._subplots.AxesSubplot at 0x7f67bb965fd0>