Este repositorio contiene datos, código y notebooks relacionados con cursos (Visualización de Información, Ciencia de Datos Geográficos) y el trabajo diario de Eduardo Graells-Garrido y Daniela Opitz.
Todavía no existe una documentación exhaustiva para aves, ya que su uso es primariamente interno, pero estos ejemplos muestran cómo se utilizan sus funciones. En lo que respecta a visualización, se mantiene el esquema típico que se utiliza en matplotlib y seaborn, las bibliotecas de visualización de bajo nivel más utilizadas en Python. De cierto modo, aves es un conjunto de herramientas de bajos niveles de abstracción, es decir, utiliza un paradigma imperativo, donde le damos instrucciones específicas al programa (cómo hacerlo); en contraste, una herramienta de alto nivel se enfoca en qué hacer, ocultando los detalles de implementación.
Para comprender la funcionalidad del código puedes explorar la carpeta notebooks. Sin embargo, los notebooks se preocupan de trabajar conceptos que en ocasiones están más allá del alcance de aves, ya que los utilizo en los cursos que dicto. Esos conceptos incluyen trabajar con DataFrames de pandas o utilizar técnicas de visualización implementadas en bibliotecas como geopandas, matplotlib y seaborn (que aves utiliza de manera interna).
from aves.visualization.tables import barchart
fig, ax = plt.subplots(1, 1, figsize=(12, 4))
barchart(ax, modo_comuna, stacked=True, sort_categories=True, sort_items=True)
ax.set_title("Uso de Modo de Transporte en Viajes al Trabajo (Día Laboral)", loc="left")
ax.set_ylim([0, 1])
ax.set_xlabel("")
ax.set_ylabel("Fracción de los Viajes")
from aves.visualization.tables import scatterplot
fig, ax = plt.subplots(1, 1, figsize=(12, 6))
scatterplot(
ax,
modo_comuna_ingreso,
"ingreso",
"Bip!",
annotate=True,
avoid_collisions=True,
text_args=dict(fontsize="x-small"),
scatter_args=dict(color="purple"),
)
ax.set_xlabel("Ingreso Promedio por Hogar")
ax.set_ylabel("Proporción de Uso de Transporte Público")
ax.set_title(
"Relación entre Uso de Transporte Público e Ingreso por Comunas de RM (Fuente: EOD2012)",
loc="left",
)
ax.grid(alpha=0.5)
ax.ticklabel_format(style="plain")
sns.despine(ax=ax, left=True, bottom=True, right=True, top=True)
from aves.visualization.figures import GeoFacetGrid
from aves.visualization.maps import choropleth_map
grid = GeoFacetGrid(zones.join(distancia_zonas, how="inner"), height=7)
grid.add_basemap("../data/processed/scl_toner_12.tif")
grid.add_layer(
choropleth_map,
"distancia_al_trabajo",
k=6,
linewidth=0.5,
edgecolor="black",
binning="fisher_jenks",
palette="RdPu",
alpha=0.75,
cbar_args=dict(
label="Distancia (m)",
height="20%",
width="1%",
orientation="vertical",
location="center right",
label_size="x-small",
bbox_to_anchor=(0.0, 0.0, 0.9, 1.0),
),
)
grid.add_map_elements()
grid.set_title("Distancia al Trabajo")
from aves.visualization.figures import GeoFacetGrid
from aves.visualization.maps import heat_map
grid = GeoFacetGrid(
origenes_urbanos[origenes_urbanos["Proposito"] == "Al trabajo"],
context=zones,
col="ModoDifusion",
col_wrap=2,
col_order=["Auto", "Bip!", "Caminata", "Bicicleta"],
height=7,
)
grid.add_basemap("../data/processed/scl_toner_12.tif")
grid.add_layer(
heat_map,
weight="PesoLaboral",
n_levels=10,
bandwidth=1000,
low_threshold=0.05,
alpha=0.75,
palette="inferno",
)
grid.add_global_colorbar(
"inferno",
10,
title="Intensidad de Viajes (de menos a más)",
orientation="horizontal",
)
from aves.models.network import Network
from aves.visualization.networks import NodeLink
network = Network.from_edgelist(edgelist, directed=False)
nodelink = NodeLink(network)
nodelink.layout_nodes()
nodelink.set_node_drawing(method="plain", weights=network.node_degree("total"))
fig, ax = plt.subplots(figsize=(16, 16))
nodelink.plot(ax, nodes=dict(node_size=150, edgecolor="black", linewidth=1))
ax.set_axis_off()
ax.set_aspect("equal")
from aves.models.network import Network
from aves.visualization.networks import NodeLink
network = Network.from_edgelist(edgelist, directed=False)
nodelink = NodeLink(network)
heb = nodelink.bundle_edges(method="hierarchical")
nodelink.set_node_drawing(
"labeled",
radial=True,
offset=0.1,
weights=network.node_degree("total"),
categories=heb.get_node_memberships(1),
)
nodelink.set_edge_drawing(
"community-gradient", node_communities=heb.get_node_memberships(1)
)
fig, ax = plt.subplots(figsize=(12, 12))
nodelink.plot(
ax,
nodes=dict(
node_size=150, palette="plasma", edgecolor="none", alpha=0.75, fontsize="medium"
),
edges=dict(color="#abacab", palette="plasma", alpha=0.5),
)
ax.set_axis_off()
ax.set_aspect("equal")
from aves.visualization.figures import GeoFacetGrid
from aves.models.network import Network
from aves.visualization.networks import NodeLink
zone_od_network = Network.from_edgelist(
matriz_zonas, source="ZonaOrigen", target="ZonaDestino", weight="n_viajes"
)
zone_nodelink = NodeLink(zone_od_network)
zone_nodelink.layout_nodes(method="geographical", geodataframe=merged_zones)
zone_nodelink.bundle_edges(
method="force-directed", K=1, S=500, I=30, compatibility_threshold=0.65, C=6
)
zone_nodelink.set_node_drawing("plain", weights=zone_od_network.node_degree("in"))
zone_nodelink.set_edge_drawing(method="origin-destination")
def plot_network(ax, geo_data, *args, **kwargs):
zone_nodelink.plot(ax, *args, **kwargs)
grid = GeoFacetGrid(zones, context=zones, height=7)
grid.add_layer(zones, facecolor="#efefef", edgecolor="white")
grid.add_layer(comunas_urbanas, facecolor="none", edgecolor="#abacab")
grid.add_layer(
plot_network,
nodes=dict(color="white", edgecolor="black", node_size=100, alpha=0.95),
edges=dict(linewidth=0.5, alpha=0.25),
)
grid.set_title("Viajes al trabajo en Santiago (en días laborales, EOD 2012)")
El dataframe unisex_names se calcula a partir del dataset guaguas (ver sección datasets).
from aves.visualization.tables.bubbles import bubble_plot
fig, ax = plt.subplots(figsize=(16, 9))
bubble_plot(
ax,
unisex_names.reset_index(),
"tendency",
"n",
label_column="nombre",
palette="cool",
max_label_size=56,
starting_y_range=60, margin=2
)
ax.set_axis_off()
ax.set_title(
"Nombres compartidos por hombres y mujeres (1920-2020, Registro Civil de Chile)"
)
ax.annotate(
"Más usado por mujeres →",
(0.95, 0.01),
xycoords="axes fraction",
ha="right",
va="bottom",
fontsize="medium",
color="#abacab",
)
ax.annotate(
"← Más usado por hombres",
(0.05, 0.01),
xycoords="axes fraction",
ha="left",
va="bottom",
fontsize="medium",
color="#abacab",
)
ax.annotate(
"Fuente: guaguas, por @RivaQuiroga.",
(0.5, 0.01),
xycoords="axes fraction",
ha="center",
va="bottom",
fontsize="medium",
color="#abacab",
)
fig.set_facecolor("#efefef")
fig.tight_layout()
Se recomienda usar sistema operativo Linux, o bien el Windows Subsystem for Linux en caso de usar Windows. En cuanto a distribución, se recomienda Ubuntu 22.04.
Para instalar las bibliotecas necesarias para el funcionamiento de aves, abre la consola (shell) de Ubuntu y ejecuta el siguiente comando:
sudo apt install make libxcursor1 libgdk-pixbuf2.0-dev libxdamage-dev osmctools gcc libarchive-dev libxcomposite-devAdemás, para administrar el entorno de ejecución de aves necesitas una instalación de conda (Miniconda es una buena alternativa) y de mamba. Primero debes instalar conda, y una vez que la tengas, puedes ejecutar:
conda install mamba -n base -c conda-forge¿Por qué mamba? Es una versión más eficiente de conda. ¡Te ahorrará muchos minutos de instalación!
Una vez que se ha instalado conda y mamba, es necesario modificar el archivo .condarc que está en la carpeta raíz de la cuenta de usuario/a del sistema. El archivo debe contener lo siguiente:
channels:
- conda-forge
ssl_verify: true
channel_priority: strict
Descarga o clona el repositorio usando el comando git clone, luego accede al directorio aves desde la terminal e instala el entorno de desarrollo con los siguientes comandos:
make conda-create-env
make install-packageEllo creará un entorno llamado aves que puedes utilizar a través del comando conda activate aves. Para dejar de trabajar en el entorno, usa el comando conda deactivate.
El principal modo de uso de aves es a través de los notebooks de Jupyter.
Es posible que ya tengas un entorno de conda en el que ejecutes Jupyter. En ese caso, puedes agregar el entorno de aves como kernel ejecutando este comando desde el entorno que contiene Jupyter:
make install-kernelAsí quedará habilitado acceder al entorno de aves desde Jupyter.
Para añadir o actualizar dependencias:
- Agrega el nombre (y la versión si es necesaria) a la lista en
environment.yml. - Ejecuta
conda env update --name aves --file environment.yml --prune. - Actualiza el archivo
environment.lock.ymlejecutandoconda env export > environment.lock.yml.
Parte del tiempo dedicado a este código ha sido financiado por el proyecto ANID Fondecyt de Iniciación #11180913 de Eduardo Graells-Garrido, ANID Fondecyt de Iniciación #11220799 de Daniela Opitz, y Fondo de Instalación FCFM de Eduardo Graells-Garrido.
- La implementación de Force Directed Edge Bundling está inspirada en la versión de Javascript de esa técnica, y fue inicialmente desarrollada por Vera Sativa y luego modificada por Tabita Catalán. Adapté esa versión inicial para que fuese 100% Python y funcionase con el resto de
aves. - El módulo
aves.features.twokenizees una versión modificada de ark-twokenize de Myle Ott. - Este repositorio fue creado gracias al template de Cookie Cutter / Data Science with Conda hecho por Patricio Reyes.
- Gran parte de la funcionalidad de
aveses proporcionada por las bibliotecasmatplotlib,seaborn,pandas,geopandas,contextily,graph-tool,scikit-learn,pysal,scikit-fusiony más. - Para los notebooks de mapas: Map tiles by Stamen Design, under CC BY 3.0. Data by OpenStreetMap, under ODbL.
Este repositorio incluye los siguientes datasets:
- Encuesta Origen-Destino, Santiago 2012 (por SECTRA).
- Arenas' Jazz Network.
- Shapefiles del Censo 2017 de Chile para la Región Metropolitana. En este repositorio de Diego Caro pueden encontrar todas las regiones del país.
- Inscripciones de nombres en el Registro Civil de Chile a través del dataset guaguas preparado por Riva Quiroga.
En los notebooks me gusta utilizar la familia de fuentes Fira Sans y Fira Code. Copia la fuente en la carpeta .fonts de tu directorio principal y luego ejecuta esto en un intérprete de Python o en un notebook:
from matplotlib.font_manager import FontManager; FontManager().findfont('Fira Sans Extra Condensed', rebuild_if_missing=True)Después de copiar las fuentes, debes eliminar este fichero: ~/.cache/matplotlib/fontlist-v330.json.