Añadir estudio viales.py

Script para el cálculo de mediana de los viales de madrid

estudio viales.py

@@ -0,0 +1,92 @@
+import geopandas as gpd
+import pandas as pd
+import requests
+import zipfile
+import io
+import os
+
+# Descargar y descomprimir el archivo
+url = "https://geoportal.madrid.es/fsdescargas/IDEAM_WBGEOPORTAL/CALLEJERO/VIALES/VIALES_SHP.zip"
+
+print("Descargando datos...")
+response = requests.get(url)
+zip_file = zipfile.ZipFile(io.BytesIO(response.content))
+zip_file.extractall("viales_madrid")
+print("Datos descargados y descomprimidos")
+
+# Cargamos el shapefile
+shp_file = None
+for file in os.listdir("viales_madrid"):
+    if file.endswith(".shp"):
+        shp_file = os.path.join("viales_madrid", file)
+        break
+
+if shp_file is None:
+    raise FileNotFoundError("No se encontró el archivo .shp en el zip")
+
+print(f"Cargando shapefile: {shp_file}")
+gdf = gpd.read_file(shp_file)
+
+# Información básica del fichero
+print(f"Número de viales cargados: {len(gdf)}")
+print(f"Columnas disponibles: {gdf.columns.tolist()}")
+
+# Inspeccionar las primeras filas para entender los datos
+print("\nPrimeras 5 filas del dataset:")
+print(gdf[['CV_TX_DENO', 'DEN_TX_NOM', 'DEN_TX_PAR']].head())
+
+# Calcular la longitud de cada vial en metros
+print("\nCalculando longitudes...")
+gdf = gdf.to_crs(epsg=25830)  # CRS proyectado para España (metros)
+gdf['longitud_metros'] = gdf.geometry.length
+
+# Calcular las estadísticas que nos interesan
+estadisticas = {
+    'Media': gdf['longitud_metros'].mean(),
+    'Mediana': gdf['longitud_metros'].median(),
+    'Mínimo': gdf['longitud_metros'].min(),
+    'Máximo': gdf['longitud_metros'].max(),
+    'Total': gdf['longitud_metros'].sum(),
+    'Cantidad de viales': len(gdf)
+}
+
+# Mostrar resultados de forma básica
+print("\n" + "="*50)
+print("ESTADÍSTICAS DE LONGITUD DE VIALES DE MADRID")
+print("="*50)
+for stat, value in estadisticas.items():
+    if stat in ['Total', 'Media', 'Mediana', 'Mínimo', 'Máximo']:
+        print(f"{stat}: {value:,.2f} metros")
+    else:
+        print(f"{stat}: {value:,}")
+
+# Estadísticas más concretas
+print(f"\nLongitud promedio por vial: {estadisticas['Media']:,.2f} metros")
+print(f"Longitud total de calles: {estadisticas['Total']/1000:,.2f} kilómetros")
+
+# Mostrar algunos ejemplos para las explicaciones
+# Viales más largos, tienen que corresponder a autopistas
+print(f"\n--- Top 10 viales más largos ---")
+# Usar DEN_TX_NOM para el nombre y CV_TX_DENO para tipo de vía
+top_largas = gdf.nlargest(10, 'longitud_metros')[['CV_TX_DENO', 'DEN_TX_NOM', 'longitud_metros']]
+for idx, row in top_largas.iterrows():
+    nombre = f"{row['CV_TX_DENO']} {row['DEN_TX_NOM']}" if pd.notna(row['DEN_TX_NOM']) else "Sin nombre"
+    print(f"{nombre}: {row['longitud_metros']:,.2f} metros")
+
+# Viales más cortos, corresponden a pasajes y plazas
+print(f"\n--- Top 10 viales más cortos ---")
+top_cortas = gdf.nsmallest(10, 'longitud_metros')[['CV_TX_DENO', 'DEN_TX_NOM', 'longitud_metros']]
+for idx, row in top_cortas.iterrows():
+    nombre = f"{row['CV_TX_DENO']} {row['DEN_TX_NOM']}" if pd.notna(row['DEN_TX_NOM']) else "Sin nombre"
+    print(f"{nombre}: {row['longitud_metros']:,.2f} metros")
+
+# Análisis adicional por tipo de vía por si fuera necesario posteriormente
+print(f"\n--- Estadísticas por tipo de vía ---")
+if 'CV_TX_DENO' in gdf.columns:
+    stats_por_tipo = gdf.groupby('CV_TX_DENO')['longitud_metros'].agg([
+        ('count', 'count'),
+        ('longitud_total', 'sum'),
+        ('longitud_promedio', 'mean'),
+        ('longitud_maxima', 'max')
+    ]).round(2)
+    print(stats_por_tipo.sort_values('longitud_total', ascending=False))