Práctica 12: Datos Especiales (GeoPandas)

Autores: Joaquín Batista, Milagros Cancela, Valentín Rodríguez, Alexia Aurrecoechea, Nahuel López (G1)
Unidad temática: UT4 · Datos Especiales
Tipo: Práctica guiada – Assignment UT4-12
Entorno: Python · GeoPandas · Shapely · Contextily · Folium · MapClassify
Datasets: Radios censales CABA (CABA_rc.geojson) + SUACI GCBA (gcba_suaci_comunas.csv)
Fecha: Noviembre 2025
Notebook: Práctica 12 - Datos Especiales (GeoPandas)

🎯 Objetivos de Aprendizaje

Implementar un pipeline geoespacial end-to-end usando GeoPandas y Shapely.
Validar y estandarizar sistemas de referencia de coordenadas (CRS) antes de medir áreas o distancias.
Construir coropletas normalizadas por densidad/km² con tiles de contexto.
Aplicar dissolves y joins atributivos para consolidar información a nivel barrio.
Calcular indicadores per cápita combinando datos demográficos y métricas de servicio ciudadano.
Reflexionar sobre patrones espaciales y decisiones cartográficas.

🗺️ Datasets y Preparación

Radios censales (CABA)

GeoJSON público con atributos poblacionales y geometrías de radios.
CRS original EPSG:4326 (WGS84); se reproyecta a EPSG:3857 para trabajar en metros.
Se calculan áreas (m²) y densidades habitacionales (hab/km²) como base para normalizaciones.

Radios censales y densidad

Atenciones ciudadanas (SUACI)

CSV con totales de contactos por barrio (campo BARRIO).
Se agrupan los registros, se disuelven los radios y se realiza un merge atributivo.
Se generan métricas contactos_pc (per cápita) para comparar carga relativa.

🔧 Metodologías Aplicadas

1. Limpieza geométrica y reproyección

Lectura del GeoJSON con gpd.read_file.
Conversión a CRS proyectado mediante .to_crs(epsg=3857) para garantizar consistencia métrica.
Cálculo de áreas y densidades derivadas como columnas auxiliares del pipeline.

2. Visualización coroplética

Uso de GeoDataFrame.plot con esquemas quantiles para evitar clases vacías.
Contextualización con tiles CartoDB.Positron a través de Contextily y ajuste de límites/leyendas.
Comparación de hotspots de densidad frente a zonas residenciales tradicionales.

Coropleta de densidad habitacional

3. Attribute join y agregaciones zonales

Disolución de radios a nivel barrio preservando totales poblacionales.
Unión con la tabla SUACI para enriquecer con métricas de servicio ciudadano.
Cómputo de indicadores normalizados (contactos_pc) y ranking de barrios con mayor carga.

Carga SUACI per cápita

4. Reflexión guiada

Justificación de elecciones cartográficas (CRS, esquema de clasificación, tiles).
Identificación de hotspots de densidad y atención para análisis urbano accionable.

📌 Resultados Destacados

Densidad habitacional: radios centrales concentran los valores más altos, priorizando intervenciones urbanas.
Carga SUACI per cápita: los barrios con más contactos destacan necesidades específicas de servicio ciudadano.
Buenas prácticas CRS: reproyectar y normalizar evita comparaciones sesgadas entre polígonos heterogéneos.
Mapas con contexto: los tiles de fondo facilitan reconocer rápidamente los hotspots sobre el tejido urbano.

🧪 Tarea Extra · Hexgrid/H3

Objetivo: Discretizar el espacio y agregar métricas por celdas hexagonales comparables.

Cobertura H3 (resolución 8) construida con h3.geo_to_cells sobre la huella urbana de CABA.
Intersección de hexágonos con barrios asumiendo distribución uniforme dentro de cada polígono.
Cálculo de densidades:
- contactos_density = total / area_m2
- poblacion_density = POBLACION / area_m2
Estimación de contribuciones por solape:
- contactos_contrib = contactos_density * area_overlap
- poblacion_contrib = poblacion_density * area_overlap
Tasa hexagonal: contactos_pc_hex = contactos_contrib / poblacion_contrib (por cada 1 000 habitantes).
Visualización en Matplotlib sobre el contorno de barrios para contrastar hotspots hex vs. administrativos.

💡 Hint: Normalizar por superficie garantiza comparabilidad entre hexágonos y ordenar por percentiles (p. ej. P90) ayuda a priorizar outliers reales frente al ranking tradicional por barrio.

🧭 Reflexiones y Aprendizajes

Reproyectar temprano (EPSG:3857) mantiene consistencia en áreas y distancias.
Los esquemas quantiles se alinean al objetivo analítico y evitan clases vacías.
dissolve habilita indicadores robustos al escalar de radio → barrio.
Cruzar datos demográficos con SUACI entrega evidencia para priorizar políticas públicas.

✅ Checklist de Implementación

Lectura de datos geoespaciales y validación de geometrías.
Reproyección a CRS métrico y cálculo de áreas/densidades.
Coropletas con clasificación apropiada y tiles de referencia.
Attribute join entre radios y SUACI tras el dissolve.
Cálculo de métricas per cápita y ranking de hotspots.
Reflexión documentada sobre decisiones cartográficas y hallazgos.

📚 Referencias

Kaggle Learn — Geospatial Analysis.
GeoPandas Documentation — CRS y plotting.
GCBA Datos Abiertos — Radios censales y SUACI.

Práctica 12

On this page