#instalación e importación de las librerías
!pip install pandas
import numpy as np
import pandas as pd
import geopandas as gpd
import seaborn as sns
import matplotlib.pyplot as plt

Requirement already satisfied: pandas in /usr/local/lib/python3.10/dist-packages (2.0.3)
Requirement already satisfied: python-dateutil>=2.8.2 in /usr/local/lib/python3.10/dist-packages (from pandas) (2.8.2)
Requirement already satisfied: pytz>=2020.1 in /usr/local/lib/python3.10/dist-packages (from pandas) (2023.4)
Requirement already satisfied: tzdata>=2022.1 in /usr/local/lib/python3.10/dist-packages (from pandas) (2024.1)
Requirement already satisfied: numpy>=1.21.0 in /usr/local/lib/python3.10/dist-packages (from pandas) (1.25.2)
Requirement already satisfied: six>=1.5 in /usr/local/lib/python3.10/dist-packages (from python-dateutil>=2.8.2->pandas) (1.16.0)

from google.colab import drive #importamos la biblioteca
drive.mount('/content/drive') #montamos nuestro drive
df = pd.read_csv("/content/drive/MyDrive/Colab Notebooks/Proyecto-Halictidae/Abejas.csv")

df.columns

Drive already mounted at /content/drive; to attempt to forcibly remount, call drive.mount("/content/drive", force_remount=True).

<ipython-input-7-c4dad9a447c7>:3: DtypeWarning: Columns (39,46) have mixed types. Specify dtype option on import or set low_memory=False.
  df = pd.read_csv("/content/drive/MyDrive/Colab Notebooks/Proyecto-Halictidae/Abejas.csv")

Index(['gbifID', 'datasetKey', 'occurrenceID', 'kingdom', 'phylum', 'class',
       'order', 'family', 'genus', 'species', 'infraspecificEpithet',
       'taxonRank', 'scientificName', 'verbatimScientificName',
       'verbatimScientificNameAuthorship', 'countryCode', 'locality',
       'stateProvince', 'occurrenceStatus', 'individualCount',
       'publishingOrgKey', 'decimalLatitude', 'decimalLongitude',
       'coordinateUncertaintyInMeters', 'coordinatePrecision', 'elevation',
       'elevationAccuracy', 'depth', 'depthAccuracy', 'eventDate', 'day',
       'month', 'year', 'taxonKey', 'speciesKey', 'basisOfRecord',
       'institutionCode', 'collectionCode', 'catalogNumber', 'recordNumber',
       'identifiedBy', 'dateIdentified', 'license', 'rightsHolder',
       'recordedBy', 'typeStatus', 'establishmentMeans', 'lastInterpreted',
       'mediaType', 'issue'],
      dtype='object')

#reducción de las columnas que se van a usar
df = df.drop (['gbifID', 'datasetKey', 'taxonRank', 'verbatimScientificName', 'countryCode',
       'occurrenceStatus', 'publishingOrgKey', 'coordinateUncertaintyInMeters', 'day', 'month', 'year', 'taxonKey', 'speciesKey',
       'basisOfRecord', 'institutionCode', 'collectionCode', 'catalogNumber', 'identifiedBy', 'dateIdentified', 'license', 'rightsHolder',
       'recordedBy', 'lastInterpreted', 'issue', 'infraspecificEpithet','mediaType'], axis=1)
df.columns

Index(['occurrenceID', 'kingdom', 'phylum', 'class', 'order', 'family',
       'genus', 'species', 'scientificName',
       'verbatimScientificNameAuthorship', 'locality', 'stateProvince',
       'individualCount', 'decimalLatitude', 'decimalLongitude',
       'coordinatePrecision', 'elevation', 'elevationAccuracy', 'depth',
       'depthAccuracy', 'eventDate', 'recordNumber', 'typeStatus',
       'establishmentMeans'],
      dtype='object')

#Observar datos previos
df.nunique()

df.info()

#Grafico de pay de ejemplares identificados a nivel de especie
categoria = [33526,26151]
nombres = ["Con nombre","Sin nombre"]
plt.pie(categoria, labels=nombres)
plt.title('Cantidad de ejemplares identificados a nivel de especie')
plt.show()

#conteo de las especies con valores más frecuentes
df['species'].value_counts()

#selección de las primeras 10 especies más frecuentes
plot_df = (
    df['species'].value_counts()
        .head(10)
        .rename_axis('value')
        .reset_index(name='cantidad')
)

plot_df

#grafico de barras de las especies más frecuentes
plot_df.plot(kind='bar', color = (0.5,0.1,0.5,0.6))

# Título
plt.title('Especies con mayor frecuencia')

# Crear nombres del eje x
tick_labels = tuple(plot_df['value'])
# Posisión de la leyenda
x_max = int(max(plt.xticks()[0]))
# poner las leyendas en el gráfico
plt.xticks(range(0, x_max + 1), tick_labels, rotation=90)


plt.show()

# Gráficos por género
plt.figure(figsize=(6, 6))

# Agrupar especies únicas por género
sp_unique = df.groupby('genus')['species'].nunique()

# Crear gráfico de barras
sp_unique.plot(kind='barh')

# Título del gráfico
plt.title('Número de especies únicas por género')

# Etiqueta del eje Y
plt.ylabel('Género')

# Etiqueta del eje X
plt.xlabel('Número de especies únicas')
plt.grid()
plt.show()

#Conteo de las ocurrencias por mes
counts = df.groupby('month').count()
#sólo seleccionar una columna a graficar
counts_1 = counts['occurrenceID']

#Grafica
ax = counts_1.plot(color="red")

# Título del gráfico
ax.set_title('Oservaciones para los diferentes meses del año')
# Etiqueta del eje X
ax.set_xlabel('Mes')
# Etiqueta del eje Y
ax.set_ylabel('No. observaciones')
# Mostrar cuadrícula en el gráfico
ax.grid(True)
plt.show()

#Conteo de las ocurrencias por año
counts = df.groupby('year').count()
#sólo seleccionar una columna a graficar
counts_1 = counts['occurrenceID']

#Grafica
ax = counts_1.plot(color="green")

# Título del gráfico
ax.set_title('Oservaciones para los diferentes años')
# Etiqueta del eje X
ax.set_xlabel('Año')
# Etiqueta del eje Y
ax.set_ylabel('No. observaciones')
# Mostrar cuadrícula en el gráfico
ax.grid(True)
plt.show()

### Obtenemos la cantidad de registros para cada género en la familia Halictidae y lo guardamos en la variable registros.

registros = df.value_counts('genus')
print(type(registros))

### Obtenemos los nombres de cada género registrado y los guardamos en la variable generos_registros
generos_registros = registros.keys()

print(generos_registros, type(generos_registros), registros)

### revisamos que los géneros estén guardados en la lista generos_registros para posteriormente poder consultar y hacer filtros en nuestra data frame principal.
for genus in generos_registros:
  print(f"El genero {genus} tiene {registros[genus]} registros")

<class 'pandas.core.series.Series'>
Index(['Lasioglossum', 'Halictus', 'Agapostemon', 'Augochlora',
       'Augochloropsis', 'Augochlorella', 'Sphecodosoma', 'Dufourea',
       'Dialictus', 'Caenaugochlora', 'Pseudaugochlora', 'Sphecodes',
       'Dieunomia', 'Neocorynura', 'Nomia', 'Pereirapis', 'Caenohalictus',
       'Paragapostemon', 'Megalopta', 'Habralictus', 'Mexalictus',
       'Pseudaugochloropsis', 'Dinagapostemon', 'Evylaeus', 'Conanthalictus',
       'Temnosoma', 'Seladonia', 'Eickwortia', 'Paralictus', 'Protodufourea',
       'Ptilocleptis', 'Sphecodogastra', 'Microsphecodes', 'Micralictoides',
       'Thectochlora'],
      dtype='object', name='genus') <class 'pandas.core.indexes.base.Index'> genus
Lasioglossum           22432
Halictus                9072
Agapostemon             6370
Augochlora              6017
Augochloropsis          3250
Augochlorella           1938
Sphecodosoma            1506
Dufourea                1304
Dialictus                877
Caenaugochlora           858
Pseudaugochlora          703
Sphecodes                669
Dieunomia                635
Neocorynura              609
Nomia                    569
Pereirapis               454
Caenohalictus            316
Paragapostemon           271
Megalopta                229
Habralictus              191
Mexalictus               156
Pseudaugochloropsis      127
Dinagapostemon           110
Evylaeus                  91
Conanthalictus            79
Temnosoma                 22
Seladonia                 11
Eickwortia                 8
Paralictus                 7
Protodufourea              6
Ptilocleptis               3
Sphecodogastra             3
Microsphecodes             2
Micralictoides             1
Thectochlora               1
Name: count, dtype: int64
El genero Lasioglossum tiene 22432 registros
El genero Halictus tiene 9072 registros
El genero Agapostemon tiene 6370 registros
El genero Augochlora tiene 6017 registros
El genero Augochloropsis tiene 3250 registros
El genero Augochlorella tiene 1938 registros
El genero Sphecodosoma tiene 1506 registros
El genero Dufourea tiene 1304 registros
El genero Dialictus tiene 877 registros
El genero Caenaugochlora tiene 858 registros
El genero Pseudaugochlora tiene 703 registros
El genero Sphecodes tiene 669 registros
El genero Dieunomia tiene 635 registros
El genero Neocorynura tiene 609 registros
El genero Nomia tiene 569 registros
El genero Pereirapis tiene 454 registros
El genero Caenohalictus tiene 316 registros
El genero Paragapostemon tiene 271 registros
El genero Megalopta tiene 229 registros
El genero Habralictus tiene 191 registros
El genero Mexalictus tiene 156 registros
El genero Pseudaugochloropsis tiene 127 registros
El genero Dinagapostemon tiene 110 registros
El genero Evylaeus tiene 91 registros
El genero Conanthalictus tiene 79 registros
El genero Temnosoma tiene 22 registros
El genero Seladonia tiene 11 registros
El genero Eickwortia tiene 8 registros
El genero Paralictus tiene 7 registros
El genero Protodufourea tiene 6 registros
El genero Ptilocleptis tiene 3 registros
El genero Sphecodogastra tiene 3 registros
El genero Microsphecodes tiene 2 registros
El genero Micralictoides tiene 1 registros
El genero Thectochlora tiene 1 registros

### con la funcion generar_filtros se filtra el dataframe principal por géneros y se guarda cada dataframe como elementos de una lista,
### como resultado regresa la lista con el dataframe filtrado por géneros.

### en la variable mapas se guarda el resultado de la funcion generar_filtros.

def generar_filtros(lista_generos, dataframe):
  lista = []
  for genus in lista_generos:
    genero = df["genus"] == genus
    genus_lista = dataframe[genero]
    lista.append(genus_lista)
    #print(lista)

  return lista

mapas = generar_filtros(generos_registros, df)

### Con la funcion guardar_puntos introducimos la lista con los dataframe filtrados por género,
### y para cada uno de estos generamos los puntos que son lo que se graficará.
### Estos se guardan en la lista registros que será devuelta en la función.


### guardamos el resultado de esta función en la variable lista_mapas.

def guardar_puntos (datos):
  generos = range(len(datos))
  registros = []
  for genero in generos:
    puntos = gpd.points_from_xy(datos[genero].decimalLongitude, datos[genero].decimalLatitude)
    datos_juntos = gpd.GeoDataFrame(datos[genero], geometry=puntos)
    registros.append(datos_juntos)

  return registros

lista_mapas = guardar_puntos(mapas)

#Lasioglossum_registros = mapas[5]

lista_mapas[17]

### en la variable world  guardamos el mapa del mundo de los datasets naturalearth_lowers
### en la variable Mexico guardamos el mapa de Mexico extrayendolo de la variable world
### En la variable Mexico_estados leemos el mapa de México con división politica obtenido del INEGI, para esto guardamos los archivos Mexico-estados.shp y .shx en la carpeta

world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))
world
Mexico = world[world.name == "Mexico"]
#Mexico.plot()
Mexico
Mexico_estados = gpd.read_file("Mexico-estados.shp")
Mexico_estados.plot()

<ipython-input-127-f87795ee1768>:1: FutureWarning: The geopandas.dataset module is deprecated and will be removed in GeoPandas 1.0. You can get the original 'naturalearth_lowres' data from https://www.naturalearthdata.com/downloads/110m-cultural-vectors/.
  world = gpd.read_file(gpd.datasets.get_path('naturalearth_lowres'))

<Axes: >

#Lasioglossum_points = gpd.points_from_xy(Lasioglossum_registros.decimalLongitude, Lasioglossum_registros.decimalLatitude)
#Lasioglossum_points


#Lasioglossum_puntos = gpd.GeoDataFrame(Lasioglossum_registros, geometry=Lasioglossum_points)
#Lasioglossum_puntos.plot()

## La funcion plotear_mapas, nos permite plotear los mapas para el set de datos, los geodataframes en la variable datos_untos, el mapa en la varaiable mapa_pais,
## y los nombres de los géneros para crear el titulo guardados en la variable generos.


def plotear_mapas(datos_puntos, mapa_pais, generos):
  nu_mapas = range(len(datos_puntos))
  mapas_list = []
  for mapa in nu_mapas:
    nombre = datos_puntos[mapa]
    lienzo = mapa_pais.plot(
    figsize = (20,20),
    color="lightgreen",
    edgecolor="black",
    linewidth = 0.6
  )
    title = f'Obvservaciones del género {generos[mapa]} (Insecta: Hymenoptera: Apoidea: Halictidae) para México'
    lienzo.set_title(title)
    lienzo.set_ylabel("Latitud")
    lienzo.set_xlabel("Longitud")
    datos_puntos[mapa].plot(ax=lienzo, color="k")


plotear_mapas(lista_mapas, Mexico_estados, generos_registros)

/usr/local/lib/python3.10/dist-packages/geopandas/plotting.py:675: RuntimeWarning: More than 20 figures have been opened. Figures created through the pyplot interface (`matplotlib.pyplot.figure`) are retained until explicitly closed and may consume too much memory. (To control this warning, see the rcParam `figure.max_open_warning`). Consider using `matplotlib.pyplot.close()`.
  fig, ax = plt.subplots(figsize=figsize)
/usr/local/lib/python3.10/dist-packages/geopandas/plotting.py:417: UserWarning: The GeoSeries you are attempting to plot is composed of empty geometries. Nothing has been displayed.
  warnings.warn(
/usr/local/lib/python3.10/dist-packages/geopandas/plotting.py:417: UserWarning: The GeoSeries you are attempting to plot is composed of empty geometries. Nothing has been displayed.
  warnings.warn(

	value	cantidad
0	Halictus ligatus	4185
1	Halictus hesperus	3279
2	Agapostemon nasutus	2379
3	Lasioglossum microlepoides	1691
4	Lasioglossum comulum	1438
5	Sphecodosoma beameri	1224
6	Augochloropsis metallica	1045
7	Agapostemon melliventris	797
8	Augochloropsis ignita	718
9	Halictus tripartitus	710

	occurrenceID	kingdom	phylum	class	order	family	genus	species	scientificName	verbatimScientificNameAuthorship	...	coordinatePrecision	elevation	elevationAccuracy	depth	depthAccuracy	eventDate	recordNumber	typeStatus	establishmentMeans	geometry
4586	3ac99e309d12d8e5efecfa1ed940a2ee	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	NaN	Paragapostemon Vachal, 1903	Vachal, 1903	...	NaN	1170.0	1170.0	0.0	0.0	1985-10-06	NaN	NaN	NaN	POINT (-98.79360 19.03910)
6907	1a72a0fc67322d2317156e12ad7ea065	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	NaN	Paragapostemon Vachal, 1903	Vachal, 1903	...	NaN	1130.0	1130.0	0.0	0.0	2005-08-01	NaN	NaN	NaN	POINT (-98.88870 19.49110)
7399	https://www.inaturalist.org/observations/39338337	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	Paragapostemon coelestinus	Paragapostemon coelestinus (Westwood, 1875)	NaN	...	NaN	NaN	NaN	NaN	NaN	2020-01-18T10:35	NaN	NaN	NaN	POINT (-99.05879 19.25938)
7408	https://www.inaturalist.org/observations/8808934	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	Paragapostemon coelestinus	Paragapostemon coelestinus (Westwood, 1875)	NaN	...	NaN	NaN	NaN	NaN	NaN	2017-11-14T12:09	NaN	NaN	NaN	POINT (-98.42695 19.37000)
7653	a1e1c8c43e7cc186ad452b652c644da6	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	Paragapostemon coelestinus	Paragapostemon coelestinus (Westwood, 1875)	(Westwood, 1875)	...	NaN	959.5	959.5	0.0	0.0	2014-09-27	NaN	NaN	NaN	POINT (-100.54964 25.03144)
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
55888	82efbf66-d8e1-11e2-99a2-0026552be7ea	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	Paragapostemon coelestinus	Paragapostemon coelestinus (Westwood, 1875)	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	POINT (-105.29889 23.84500)
57896	ECOSUR-SC:ECOAB:122916	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	NaN	Paragapostemon Vachal, 1903	NaN	...	NaN	2462.0	NaN	NaN	NaN	2020-08-17	NaN	NaN	NaN	POINT (-98.18200 19.41900)
57898	ECOSUR-SC:ECOAB:122915	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	NaN	Paragapostemon Vachal, 1903	NaN	...	NaN	2462.0	NaN	NaN	NaN	2020-08-17	NaN	NaN	NaN	POINT (-98.18200 19.41900)
57904	ECOSUR-SC:ECOAB:122926	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	NaN	Paragapostemon Vachal, 1903	NaN	...	NaN	2462.0	NaN	NaN	NaN	2020-08-13	NaN	NaN	NaN	POINT (-98.18200 19.41900)
57907	ECOSUR-SC:ECOAB:122925	Animalia	Arthropoda	Insecta	Hymenoptera	Halictidae	Paragapostemon	NaN	Paragapostemon Vachal, 1903	NaN	...	NaN	2462.0	NaN	NaN	NaN	2020-08-13	NaN	NaN	NaN	POINT (-98.18200 19.41900)

Introducción¶

Antcedentes¶

Objetivos¶

Resultados¶

Temporalidad¶

Abejas por años¶

Conclusiones¶

Referencias¶