Book a Demo!
CoCalc Logo Icon
StoreFeaturesDocsShareSupportNewsAboutPoliciesSign UpSign In
robertopucp
GitHub Repository: robertopucp/1eco35_2022_2
 Path: blob/main/Trabajo_grupal/WG8/Grupo_4_jupyter.ipynb
2714 views
Kernel: Python 3 (ipykernel)
from IPython.display import display, HTML

display(HTML(data="""
<style>
    div#notebook-container    { width: 80%; }
    div#menubar-container     { width: 65%; }
    div#maintoolbar-container { width: 80%; }a
</style>
"""))

Tarea 8 - Grupo 4:

Gráficos en Jupyter Notebook : Encuesta de población - EE. UU. (2015)

Integrantes:

  • Luana Morales

  • Marcela Quintero

  • Seidy Ascencios

  • Flavia Oré

import numpy as np   
import pandas as pd
from pandas import Series, DataFrame
import matplotlib.pyplot as plt  # libreria de gráficos 
import seaborn as sns  # libreria 2 para gráficos 
import datetime as dt # manejar fechas 
import warnings
warnings.filterwarnings('ignore') # eliminar warning messages

Cargamos la base de datos

!pip install pyreadr

import pyreadr
Requirement already satisfied: pyreadr in c:\users\marcela quintero\anaconda3\lib\site-packages (0.4.7) Requirement already satisfied: pandas>=1.2.0 in c:\users\marcela quintero\anaconda3\lib\site-packages (from pyreadr) (1.4.2) Requirement already satisfied: numpy>=1.18.5 in c:\users\marcela quintero\anaconda3\lib\site-packages (from pandas>=1.2.0->pyreadr) (1.21.5) Requirement already satisfied: pytz>=2020.1 in c:\users\marcela quintero\anaconda3\lib\site-packages (from pandas>=1.2.0->pyreadr) (2021.3) Requirement already satisfied: python-dateutil>=2.8.1 in c:\users\marcela quintero\anaconda3\lib\site-packages (from pandas>=1.2.0->pyreadr) (2.8.2) Requirement already satisfied: six>=1.5 in c:\users\marcela quintero\anaconda3\lib\site-packages (from python-dateutil>=2.8.1->pandas>=1.2.0->pyreadr) (1.16.0) 
encuesta = pyreadr.read_r("../1ECO35_2022_2/data/wage2015_subsample_inference.RData")
encuesta
OrderedDict([('data', wage lwage sex shs hsg scl clg ad mw so we \ rownames 10 9.615385 2.263364 1.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 12 48.076923 3.872802 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 15 11.057692 2.403126 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 0.0 18 13.942308 2.634928 1.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 19 28.846154 3.361977 1.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 ... ... ... ... ... ... ... ... ... ... ... ... 32620 14.769231 2.692546 0.0 0.0 0.0 0.0 1.0 0.0 0.0 0.0 1.0 32624 23.076923 3.138833 1.0 0.0 0.0 1.0 0.0 0.0 0.0 0.0 1.0 32626 38.461538 3.649659 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 32631 32.967033 3.495508 0.0 0.0 1.0 0.0 0.0 0.0 0.0 0.0 1.0 32643 17.307692 2.851151 0.0 0.0 0.0 0.0 0.0 1.0 0.0 0.0 1.0 ne exp1 exp2 exp3 exp4 occ occ2 ind ind2 rownames 10 1.0 7.0 0.49 0.343 0.2401 3600 11 8370 18 12 1.0 31.0 9.61 29.791 92.3521 3050 10 5070 9 15 1.0 18.0 3.24 5.832 10.4976 6260 19 770 4 18 1.0 25.0 6.25 15.625 39.0625 420 1 6990 12 19 1.0 22.0 4.84 10.648 23.4256 2015 6 9470 22 ... ... ... ... ... ... ... ... ... ... 32620 0.0 9.0 0.81 0.729 0.6561 4700 16 4970 9 32624 0.0 12.0 1.44 1.728 2.0736 4110 13 8680 20 32626 0.0 11.0 1.21 1.331 1.4641 1550 4 3680 6 32631 0.0 10.0 1.00 1.000 1.0000 2920 9 6570 11 32643 0.0 14.0 1.96 2.744 3.8416 1610 5 7460 14 [5150 rows x 20 columns])])
type (encuesta)
collections.OrderedDict
encuesta_eu = encuesta['data']
encuesta_eu

type(encuesta_eu)
pandas.core.frame.DataFrame

1) Histograma del salario

# Frecuencia absoluta del salario

encuesta_eu['wage']
rownames 10 9.615385 12 48.076923 15 11.057692 18 13.942308 19 28.846154 ... 32620 14.769231 32624 23.076923 32626 38.461538 32631 32.967033 32643 17.307692 Name: wage, Length: 5150, dtype: float64
fig, ax = plt.subplots( figsize=(5,5) ) # objeto figura

encuesta_eu['wage'].plot(kind = 'hist', bins = 30) # cantidad de barras, dividir el rango de la variable en 30 
plt.title('Salario por hora')

# kind= hist es un histograma de frecuencias absolutas 

txt="Elboración propia de Encuesta de población - EE. UU. (2015)"  
plt.figtext(0.5, 0.01, txt, wrap=True, horizontalalignment='center', fontsize=5)
plt.show()
Image in a Jupyter notebook
# Logaritmo del salario

encuesta_eu['lwage']
rownames 10 2.263364 12 3.872802 15 2.403126 18 2.634928 19 3.361977 ... 32620 2.692546 32624 3.138833 32626 3.649659 32631 3.495508 32643 2.851151 Name: lwage, Length: 5150, dtype: float64
fig, ax = plt.subplots( figsize=(5,5) ) # objeto figura

encuesta_eu['lwage'].plot(kind = 'hist', bins = 50) # cantidad de barras, dividir el rango de la variable en 30 
plt.title('Logaritmo del salario por hora')

# kind= hist es un histograma de frecuencias absolutas 

txt="Elboración propia de Encuesta de población - EE. UU. (2015)"  
plt.figtext(0.5, 0.01, txt, wrap=True, horizontalalignment='center', fontsize=5)
plt.show()
Image in a Jupyter notebook

Cuando vemos el histograma de los valores del salario, notamos que hay una gran parte de la población estodounidense que se recibe menos de 50 dolares por hora de trabajo. La distribución de los datos, nos podría llevar a pensar que la variable está censurada o truncada, ya que está concentrada en la cola izquierda. Por otro lado, cuando vemos el logaritmo del salario,notamos una distribución más parecida a una normal, ha disminuido la variabilidad, además se ha acortado el rango del salario en una cantidad más pequeña que la original. El log salario reduce la sensibilidad de las estimaciones a las observaciones extremas o atípicas.

2) Gráfico de densidad

Salario de mujeres y hombres que terminaron la universidad

# Para mujeres cig = 1 y sex = 0 
# Para hombres cig = 1 y sex = 1

base_muj_uni = encuesta_eu[(encuesta_eu["sex"] == 0.0) ^ (encuesta_eu["clg"] == 1.0)]
base_hom_uni = encuesta_eu[(encuesta_eu["sex"] == 1.0) ^ (encuesta_eu["clg"] == 1.0)]                                    

plt.figure(figsize=(4, 4))

sns.kdeplot(base_muj_uni['lwage'], label = "Densidad mujer", color = 'red', shade=True) 
sns.kdeplot(base_hom_uni['lwage'], label = "Densidad hombre", color = 'blue', shade=True) 
plt.title('Densidad del salario por sexo')
plt.xlabel(' ')
plt.show()
Image in a Jupyter notebook

3) Gráfico Pie

Porcentaje de personas según nivel educativo 

# Creamos una base que cuente los valores de cada categoría de nivel educativo

base_ne=encuesta_eu.groupby( [ 'shs', 'hsg','scl','clg','ad' ] ).size()
base_ne
shs hsg scl clg ad 0.0 0.0 0.0 0.0 1.0 706 1.0 0.0 1636 1.0 0.0 0.0 1432 1.0 0.0 0.0 0.0 1256 1.0 0.0 0.0 0.0 0.0 120 dtype: int64
#Cambiamos los labels 

labels=['Secundaria incompleta','Secundaria completa' , 'Universitaria incompleta', 'Universitaria completa', 'Advanced degree']

#Realizamos el gráfico pie para los niveles educativos

plt.figure(figsize=(10,10)) # tamaño de gráfico 

ax = plt.pie(base_ne, labels=labels, autopct='%.1f %%')
plt.title('Niveles educativos')
plt.show()
Image in a Jupyter notebook

4) Box - Plot

# Para realizar el diagrama de cajas (box-plot), comenzamos por crear una variable dummy asociada a un mayor nivel educativo (ad)

encuesta_eu['dummyad']=np.where(encuesta_eu['ad']> 0.0,1,0)

encuesta_eu['dummyad']
rownames 10 0 12 0 15 0 18 1 19 0 .. 32620 0 32624 0 32626 1 32631 0 32643 1 Name: dummyad, Length: 5150, dtype: int32
#Luego, procedemos a crear el box plot usando la dummy para seleccionar a las personas con mayor nivel educativo (ad) según género.

fig, ax = plt.subplots(figsize=(10,6))

box = sns.boxplot(data=encuesta_eu[encuesta_eu.dummyad == 1], x='sex', y='lwage', palette='pastel')
plt.xlabel('Individuos con mayor nivel educativo')
plt.ylabel('ln del salario por hora')
(box.set_xticklabels(["Hombre","Mujer"]))
[Text(0, 0, 'Hombre'), Text(1, 0, 'Mujer')]
Image in a Jupyter notebook