Se tomo el dataset Arbolado en Espacios Verdes provisto por el Gobierno de la Ciudad de Buenos Aires con información geolocalizada de los árboles en espacios verdes (jardín, parque, patio recreativo, plaza, plazoleta, cantero y polideportivo) de la Ciudad según su especie.
| Título de la columna | Tipo de dato | Descripción |
|---|---|---|
| long | Número flotante | Coordenadas para geolocalización |
| lat | Número flotante | Coordenadas para geolocalización |
| id_arbol | Número entero | Identificador único del árbol |
| altura_tot | Número entero | Altura del árbol (m) |
| diametro | Número entero | Diámetro del árbol (cm) |
| inclinacio | Número entero | Inclinación del árbol (grados) |
| id_especie | Número entero | Identificador de la especie |
| nombre_com | Texto | Nombre común del árbol |
| nombre_cie | Texto | Nombre científico del árbol |
| tipo_folla | Texto | Tipo de follaje del árbol |
| espacio_ve | Texto | Nombre del espacio verde |
| ubicacion | Texto | Dirección del espacio verde |
| nombre_fam | Texto | Nombre de la familia del árbol |
| nombre_gen | Texto | Nombre del género del árbol |
| origen | Texto | Origen del árbol |
| coord_x | Número flotante | Coordenadas para localización |
| coord_y | Número flotante | Coordenadas para localización |
CREATE TABLE arbol (
id_arbol int4 NOT NULL,
id_especie int4 NOT NULL,
id_ubicacion int4 NOT NULL,
id_follaje int4 NOT NULL,
long numeric NULL,
lat numeric NULL,
coord_x numeric NULL,
coord_y numeric NULL,
inclinacion int4 NULL,
diametro int4 NULL,
altura_total int4 NULL,
CONSTRAINT pk_arbol PRIMARY KEY (id_arbol),
CONSTRAINT fk_arbol_especie FOREIGN KEY (id_especie) REFERENCES especie(id_especie) ON UPDATE CASCADE,
CONSTRAINT fk_arbol_follaje FOREIGN KEY (id_follaje) REFERENCES follaje(id_follaje) ON UPDATE CASCADE,
CONSTRAINT fk_arbol_ubicacion FOREIGN KEY (id_ubicacion) REFERENCES ubicacion(id_ubicacion) ON UPDATE CASCADE
);
CREATE TABLE especie (
id_especie int4 NOT NULL,
nombre_comun bpchar(100) NULL,
nombre_cientifico bpchar(100) NULL,
id_genero int4 NOT NULL,
id_origen int4 NOT NULL,
CONSTRAINT pk_especie PRIMARY KEY (id_especie),
CONSTRAINT fk_especie_genero FOREIGN KEY (id_genero) REFERENCES genero(id_genero) ON UPDATE CASCADE,
CONSTRAINT fk_especie_origen FOREIGN KEY (id_origen) REFERENCES origen(id_origen) ON UPDATE CASCADE
);
CREATE TABLE familia (
id_familia int4 NOT NULL,
nombre_familia bpchar(30) NULL,
CONSTRAINT pk_familia PRIMARY KEY (id_familia)
);
CREATE TABLE follaje (
id_follaje int4 NOT NULL,
tipo_follaje bpchar(50) NULL,
CONSTRAINT pk_follaje PRIMARY KEY (id_follaje)
);
CREATE TABLE origen (
id_origen int4 NOT NULL,
origen bpchar(100) NULL,
CONSTRAINT pk_origen PRIMARY KEY (id_origen)
);
CREATE TABLE ubicacion (
id_ubicacion int4 NOT NULL,
espacio_verde bpchar(500) NULL,
ubicacion bpchar(500) NULL,
CONSTRAINT pk_ubicacion PRIMARY KEY (id_ubicacion)
);
- Container: pg_container - Imagen: postgres:12.7
- Crea de base de datos ejecutando el script /bash/creacion.sh
- Container: cargar - Imagen: python:3.7.5-slim
- Popula la base mediante el script python-carga\script\carga.py
- Container: consultar - Imagen: python:3.7.5-slim
- Realiza las consultas mediante el script python-consulta\script\consulta.py
Con la ejecucion de del script de bash end2end.sh se dispara docker-compose.yml encargado de creacion y ejecucion de las imagenes y containers del proceso.
En caso de querer hacer consultas por separado o nuevas, se puede editar el archivo python-consulta\script\consulta.py y ejecutar los siguientes comandos:
docker build -t consulta .
docker run --net tpf-foundations-sebastardo_sebanet consulta
Se realizaron 5 consultas para la prueba de la base datos combinando consultas sql y manejo en pandas. Se utilizo la biblioteca sqlalchemy
Mediante una consulta sql a la base se extrae la cantidad de arboles segun el nombre. Para el titulo se suman todas esas cantidades, para el informe se ordenan esas cantidades y tambien se calcula cual es el porcentaje del total.
Se hace una consulta sql a las tablas arbol, especie, origen y ubicacion que tengan un campo origen como 'Exótico' agrupandolo por espacio_verde primero y por nombre_comun despues. La consulta se guarda en un dataframe al cual se le suma el total de arboles de cada espacio verde en un nuevo dataframe y de cada espacio verde, el arbol que mas cantidad tiene en otro dataframe. Una vez conseguidos esos datos, se hace merge de ambos dataframe, se renombran columnas para mejor lectura y se muestran.
Se consultan datos de tablas arbol, especie y origen buscando que el origen sea Nativo/Autóctono y tambien se consulta la tabla completa de ubicacion. Se hace merge de los dataframes haciendo join por id_ubicacion y se ordena segun la altura total.
En este caso se hacen dos consultas, una a arbol con solo los ids de arbol y follaje, y otra completa a follaje. Los dataframes se agrupan por tipo de follaje y se hace un conteo de los arboles de cada grupo. Ese df se ordena por la cantidad calculada y se ordena mostrando los 3 tipos mas predominantes.
Se realiza una query completa de ubicacion y una query de los campos id_arbol y id_ubicacion de arbol. Se unen los dataframes creados y se agrupa el nuevo df mediante espacio verde y ubicacion para asi contar los arboles, se lo ordena de mayor a menor y se muestran los 5 primeros.
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent