`to_csv`#

Después de realizar todas las operaciones, podemos guardar el resultado en un archivo csv para reutilizarlo o compartirlo. Pandas incluye una función que facilita esta tarea, el único requisito consiste en indicar el nombre del archivo y la ruta donde se guardará.

Vamos a asegurar que tenemos el conjunto de datos que requerimos, con la información limpia, procesada y transformada.

Utilizaremos los conjuntos de datos que segmentamos previamente y los uniremos siguiendo lo que observamos en la sección combinar fuentes de datos.

covid_clean = pd.merge(muestra_covid, geolocalizacion, how='inner', on='municipio_residencia')

Llenamos los valores nulos con ‘NO APLICA’ para que no sean considerados en el análisis. Dejaremos como valores nulos los correspondientes a fecha_def para poder hacer la transformación de fechas.

covid_clean.fillna({'municipio_residencia': 'NO APLICA', 'pais_nacionalidad': 'NO APLICA'}, inplace=True)

Transformamos los valores de las columnas ['fecha_ingreso', 'fecha_sintomas', 'fecha_def'] a datetime64[ns].

columnas = ['fecha_ingreso', 'fecha_sintomas', 'fecha_def']
for columna in columnas:
    muestra_covid[columna] = pd.to_datetime(muestra_covid.loc[:, columna])

muestra_covid.dtypes

Unnamed: 0                       int64
sexo                            object
edad                             int64
entidad_nacimiento              object
municipio_residencia            object
indigena                        object
nacionalidad                    object
migrante                        object
pais_nacionalidad               object
fecha_ingreso           datetime64[ns]
fecha_sintomas          datetime64[ns]
fecha_def               datetime64[ns]
dtype: object

Y con esto tenemos listo nuestro conjunto de datos para guardarlo en un archivo csv.

ruta = '../data/covid_clean.csv'
covid_clean.to_csv(ruta, index=False) # Recuerda modificar la ruta a tu Drive. Debe ser algo como '/content/drive/MyDrive/Tu Directorio/elnombredetucsv.csv'

Y para comprobar que lo hicimos correctamente:

pd.read_csv(ruta)

	Unnamed: 0_x	sexo	edad	entidad_nacimiento	municipio_residencia	indigena	nacionalidad	migrante	pais_nacionalidad	fecha_ingreso	fecha_sintomas	fecha_def	Unnamed: 0_y	Lat_Decimal	Lon_Decimal
0	7	MUJER	75	QUERÉTARO	naucalpan de juárez	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-02-21	2022-02-16	NaN	141786	19.478803	-99.233218
1	142	MUJER	32	CIUDAD DE MÉXICO	naucalpan de juárez	NO ESPECIFICADO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-01-07	2022-01-02	NaN	141786	19.478803	-99.233218
2	153	HOMBRE	30	CIUDAD DE MÉXICO	naucalpan de juárez	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-02-04	2022-02-03	NaN	141786	19.478803	-99.233218
3	911	MUJER	51	CIUDAD DE MÉXICO	naucalpan de juárez	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-01-01	2021-12-28	NaN	141786	19.478803	-99.233218
4	1031	HOMBRE	83	GUANAJUATO	naucalpan de juárez	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-01-01	2021-12-30	NaN	141786	19.478803	-99.233218
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
158080	1300735	HOMBRE	12	VERACRUZ DE IGNACIO DE LA LLAVE	amatlán de los reyes	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-06-23	2022-06-23	NaN	257896	18.847578	-96.915484
158081	1304944	MUJER	46	CIUDAD DE MÉXICO	amatlán de los reyes	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-06-22	2022-06-19	NaN	257896	18.847578	-96.915484
158082	1306736	MUJER	59	CIUDAD DE MÉXICO	general simón bolívar	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-06-23	2022-06-22	NaN	86081	24.689074	-103.225975
158083	1308787	MUJER	27	MÉXICO	temozón	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-06-24	2022-06-22	NaN	289799	20.803680	-88.201158
158084	1311869	MUJER	32	MÉXICO	izamal	NO	MEXICANA	NO ESPECIFICADO	MÉXICO	2022-06-24	2022-06-20	NaN	286011	20.932998	-89.019715

158085 rows × 15 columns

¡Excelente! Ya estás listo para entregar la actividad de cierre de esta semana y proceder a la visualización de datos.

Visualización de datos educativos abiertos

to_csv

to_csv#

`to_csv`#