In [11]:

    

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
%matplotlib inline
plt.rcParams["axes.grid"] = True


    

In [3]:

    

soy = pd.read_csv("soy.csv",delimiter="\t")
gini = pd.read_csv("gini.csv")
gdp = pd.read_csv("gdpcap.csv")
data = pd.concat([gdp,gini]).groupby("Country Name")

ax = soy.plot(x="Month",y="Price[USD]",legend=False)
ax.set_ylabel('Precio[USD]')
ax.set_xlabel("Mes")
data = pd.DataFrame(data.get_group("Argentina").iloc[:,5:-1].dropna(axis=1).T.reset_index().values, 
                    columns=["Date","GDP","GINI"], dtype=float)
plt.figure(2)
plt.plot(data.values[:,1],data.values[:,2],"ro-")
for i in data.values:
    plt.annotate(s=int(i[0]),xy=(i[1],i[2]))


    

In [38]:

    

#Obtengo los datos directamente de la página web. No es necesario bajarlos!
educa = pd.read_csv(r"https://recursos-data.buenosaires.gob.ar/ckan2/estadistica-educativa/estadistica-educativa.csv", 
                    delimiter=";")
print(educa.shape) #Imprime la cantidad de filas primero, y después la cantidad de columnas
educa.head() #Imprime los 5 primeros datos


    

    




(308, 25)






    
Out[38]:






  

    

      

      
id
      
tipo_gestion
      
nivel_educ_madre
      
iecep
      
one_alto_cs_nat
      
one_bajo_cs_nat
      
one_medio_cs_nat
      
one_alto_cs_soc
      
one_bajo_cs_soc
      
one_medio_cs_soc
      
...
      
one_medio_mat
      
tasa_repeticion_2012
      
tasa_sobreedad_2012
      
tasa_sobreedad_avanzada_2012
      
promocionados_2011
      
salidos_sin_pase_2011
      
ive_2011
      
domiciliados_pba
      
extranjeros_2013
      
inversion_alumnos_2013
    
  
  

    

      
0
      
1
      
Privada
      
5.79
      
6.65855
      
0.290
      
0.097
      
0.613
      
0.519
      
0.037
      
0.444
      
...
      
0.615
      
16.50940
      
17.45280
      
2.35849
      
83.1818
      
1.29310
      
0.131480
      
0.0
      
5.17241
      
24340.9
    
    

      
1
      
2
      
Privada
      
6.25
      
6.43845
      
0.000
      
0.214
      
0.786
      
0.227
      
0.227
      
0.545
      
...
      
0.714
      
0.00000
      
60.14490
      
9.42029
      
61.7188
      
0.00000
      
0.076608
      
0.0
      
2.29008
      
26374.0
    
    

      
2
      
3
      
Privada
      
5.53
      
7.19646
      
0.300
      
0.025
      
0.675
      
0.561
      
0.073
      
0.366
      
...
      
0.561
      
2.06186
      
6.95876
      
2.06186
      
92.2078
      
2.78481
      
0.067712
      
0.0
      
4.63918
      
15561.5
    
    

      
3
      
4
      
Estatal
      
6.06
      
6.95247
      
0.265
      
0.229
      
0.506
      
0.463
      
0.053
      
0.484
      
...
      
0.671
      
3.27869
      
13.93440
      
1.31148
      
87.2659
      
1.65441
      
0.074672
      
3.5
      
5.87156
      
20568.4
    
    

      
4
      
5
      
Estatal
      
4.65
      
3.95331
      
0.054
      
0.518
      
0.429
      
0.182
      
0.109
      
0.709
      
...
      
0.547
      
21.49630
      
70.81140
      
44.36250
      
72.1358
      
20.14050
      
0.553109
      
17.4
      
10.75610
      
25034.3
    
  

5 rows × 25 columns

In [39]:

    

#Imprimamos las columnas para saber los datos
educa.columns


    

    
Out[39]:





Index(['id', 'tipo_gestion', 'nivel_educ_madre', 'iecep', 'one_alto_cs_nat',
       'one_bajo_cs_nat', 'one_medio_cs_nat', 'one_alto_cs_soc',
       'one_bajo_cs_soc', 'one_medio_cs_soc', 'one_alto_lengua',
       'one_bajo_lengua', 'one_medio_lengua', 'one_alto_mat', 'one_bajo_mat',
       'one_medio_mat', 'tasa_repeticion_2012', 'tasa_sobreedad_2012',
       'tasa_sobreedad_avanzada_2012', 'promocionados_2011',
       'salidos_sin_pase_2011', 'ive_2011', 'domiciliados_pba',
       'extranjeros_2013', 'inversion_alumnos_2013'],
      dtype='object')

In [40]:

    

features = ["nivel_educ_madre","iecep","tasa_repeticion_2012","domiciliados_pba","inversion_alumnos_2013"]


    

In [43]:

    

#Ahora, para analizar los datos, usamos el pairplot de seaborn, 
#que te permite hacer histogramas 2d y agregarle una regresión lineal
sns.pairplot(educa[educa.tipo_gestion == "Estatal"], 
             vars=features, kind="reg")


    

    
Out[43]:





<seaborn.axisgrid.PairGrid at 0x417dcc18>






    




C:\Users\sadeus\Anaconda3\lib\site-packages\matplotlib\collections.py:590: FutureWarning: elementwise comparison failed; returning scalar instead, but in the future will perform elementwise comparison
  if self._edgecolors == str('face'):