
from google.colab import drive

drive.mount('/content/drive')

Mounted at /content/drive


import pandas as pd
inmuebles = pd.read_csv('/content/drive/MyDrive/inmersion_datos/inmuebles_bogota.csv')
inmuebles.head(1)


columnas = {'Baños':'Banos','Área':'Area'}
inmuebles = inmuebles.rename(columns=columnas)
inmuebles.sample()


valor = inmuebles.Valor.str.split(expand=True)

inmuebles['Moneda'] = valor[0]
inmuebles['Precio'] = valor[1]

inmuebles['Precio'] = inmuebles['Precio'].str.replace('.','',regex=True)
inmuebles['Precio_Millon'] = inmuebles.Precio.astype('float')/1000000

pd.set_option('display.precision',2)
pd.set_option('display.float_format', lambda x: '%.2f' % x)

inmuebles.head(1)


inmuebles['Valor_m2_Millon'] = inmuebles['Precio_Millon']/inmuebles['Area']

datos_barrio = inmuebles.groupby('Barrio').sum()
datos_barrio['Valor_m2_Barrio'] = datos_barrio['Precio_Millon']/datos_barrio['Area']

m2_barrio = dict(datos_barrio['Valor_m2_Barrio'])

inmuebles['Valor_m2_Barrio'] = inmuebles['Barrio']
inmuebles['Valor_m2_Barrio'] = inmuebles['Valor_m2_Barrio'].map(m2_barrio)

inmuebles.head(1)


import matplotlib.pyplot as plt
import seaborn as sns


datos_raw = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Identificacion (Capítulo A).csv',sep=';',encoding='latin-1')
datos_raw.head()


datos_raw = datos_raw.loc[datos_raw.MPIO == 11001]
datos_raw.shape

(86504, 11)


datos_b = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Datos de la vivenda y su entorno (Capítulo B).csv',sep=';',encoding='latin-1')
datos_c = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Condiciones habitacionales del hogar (Capítulo C).csv',sep=';',encoding='latin-1')
datos_e = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Composición del hogar y demografía (Capítulo E).csv',sep=';',encoding='latin-1')
datos_h = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Educacion (Capítulo H).csv',sep=';',encoding='latin-1')
datos_l = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Percepcion sobre las condiciones de vida y el desempenio institucional (Capítulo L).csv',sep=';',encoding='latin-1')
datos_k = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Fuerza de trabajo (Capítulo K).csv',sep=';',encoding='latin-1')

<ipython-input-6-7bcb92f74816>:2: DtypeWarning: Columns (4,25,30,47) have mixed types. Specify dtype option on import or set low_memory=False.
  datos_c = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Condiciones habitacionales del hogar (Capítulo C).csv',sep=';',encoding='latin-1')
<ipython-input-6-7bcb92f74816>:3: DtypeWarning: Columns (66) have mixed types. Specify dtype option on import or set low_memory=False.
  datos_e = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Composición del hogar y demografía (Capítulo E).csv',sep=';',encoding='latin-1')
<ipython-input-6-7bcb92f74816>:4: DtypeWarning: Columns (81) have mixed types. Specify dtype option on import or set low_memory=False.
  datos_h = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Educacion (Capítulo H).csv',sep=';',encoding='latin-1')
<ipython-input-6-7bcb92f74816>:5: DtypeWarning: Columns (114,117,122,126,164,166,168) have mixed types. Specify dtype option on import or set low_memory=False.
  datos_l = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Percepcion sobre las condiciones de vida y el desempenio institucional (Capítulo L).csv',sep=';',encoding='latin-1')
<ipython-input-6-7bcb92f74816>:6: DtypeWarning: Columns (27,58,60,62,64,66,104,114,120,124,126,129,131,133) have mixed types. Specify dtype option on import or set low_memory=False.
  datos_k = pd.read_csv('/content/drive/MyDrive/inmersion_datos/Fuerza de trabajo (Capítulo K).csv',sep=';',encoding='latin-1')


datos_dane = pd.merge(datos_raw, datos_b, on='DIRECTORIO', how='left')
datos_dane.shape

(86504, 73)


datos_dane = pd.merge(datos_dane, datos_c, on='DIRECTORIO', how='left')
datos_dane.shape

(87061, 214)


datos_dane = pd.merge(datos_dane, datos_e, on='DIRECTORIO', how='left')

<ipython-input-9-fafc5821c3e2>:1: FutureWarning: Passing 'suffixes' which cause duplicate columns {'FEX_C_x'} in the result is deprecated and will raise a MergeError in a future version.
  datos_dane = pd.merge(datos_dane, datos_e, on='DIRECTORIO', how='left')


datos_dane.shape

(238559, 281)


datos_dane.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 238559 entries, 0 to 238558
Columns: 281 entries, DIRECTORIO to FEX_C_y
dtypes: float64(140), int64(126), object(15)
memory usage: 513.3+ MB


datos_dane = pd.read_csv('/content/drive/MyDrive/inmersion_datos/datos_dane.csv')
datos_dane.head()


datos_dane.shape

(9857, 55)


datos_dane.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 9857 entries, 0 to 9856
Data columns (total 55 columns):
 #   Column            Non-Null Count  Dtype  
---  ------            --------------  -----  
 0   DIRECTORIO        9857 non-null   float64
 1   NOMBRE_LOCALIDAD  9857 non-null   object 
 2   NOMBRE_ESTRATO    9857 non-null   object 
 3   NVCBP4            9857 non-null   int64  
 4   NVCBP14A          9857 non-null   int64  
 5   NVCBP14D          9857 non-null   int64  
 6   NVCBP14E          9857 non-null   int64  
 7   NVCBP14G          9857 non-null   int64  
 8   NVCBP15A          9857 non-null   int64  
 9   NVCBP15C          9857 non-null   int64  
 10  NVCBP15F          9857 non-null   int64  
 11  NVCBP15G          9857 non-null   int64  
 12  NVCBP16A3         9857 non-null   int64  
 13  NVCBP16A4         9857 non-null   int64  
 14  NPCKP17           9857 non-null   float64
 15  NPCKP18           9857 non-null   float64
 16  NPCKP23           9558 non-null   float64
 17  NPCKP44A          9857 non-null   float64
 18  NPCKPN62A         9857 non-null   float64
 19  NPCKPN62B         9558 non-null   float64
 20  NPCKP64A          9857 non-null   int64  
 21  NPCKP64E          9857 non-null   int64  
 22  NHCCP3            9857 non-null   float64
 23  NHCCP6            9857 non-null   float64
 24  NHCCP7            9558 non-null   float64
 25  NHCCP8_1          1434 non-null   float64
 26  NHCCP8_2          1434 non-null   float64
 27  NHCCP8_3          1434 non-null   float64
 28  NHCCP8_6          1434 non-null   float64
 29  NHCCP8_7          1434 non-null   float64
 30  NHCCP8_8          1434 non-null   float64
 31  NHCCP8_9          1434 non-null   float64
 32  NHCCP9            9558 non-null   float64
 33  NHCCP11           9857 non-null   int64  
 34  NHCCP11A          1177 non-null   float64
 35  NHCCP12           8680 non-null   float64
 36  NHCCP41           9857 non-null   int64  
 37  NHCCP41A          4987 non-null   float64
 38  NHCCP47A          9857 non-null   int64  
 39  NHCCP47B          9857 non-null   int64  
 40  NHCLP2A           9857 non-null   int64  
 41  NHCLP2B           9857 non-null   int64  
 42  NHCLP2C           9857 non-null   int64  
 43  NHCLP2E           9857 non-null   int64  
 44  NHCLP4            9857 non-null   int64  
 45  NHCLP5            9857 non-null   int64  
 46  NHCLP8AB          288 non-null    float64
 47  NHCLP8AE          288 non-null    float64
 48  NHCLP10           9857 non-null   int64  
 49  NHCLP11           9857 non-null   int64  
 50  NHCLP29_1A        410 non-null    float64
 51  NHCLP29_1C        143 non-null    float64
 52  NHCLP29_1E        1272 non-null   float64
 53  NHCLP29_1F        152 non-null    float64
 54  NPCHP4            9447 non-null   float64
dtypes: float64(28), int64(25), object(2)
memory usage: 4.1+ MB


dic_dane = {
       'NVCBP4':'CONJUNTO_CERRADO',
       'NVCBP14A':'FABRICAS_CERCA', 'NVCBP14D':'TERMINALES_BUS', 'NVCBP14E':'BARES_DISCO', 
       'NVCBP14G':'OSCURO_PELIGROSO', 'NVCBP15A':'RUIDO', 'NVCBP15C':'INSEGURIDAD',
       'NVCBP15F':'BASURA_INADECUADA', 'NVCBP15G':'INVASION','NVCBP16A3':'MOV_ADULTOS_MAYORES', 
       'NVCBP16A4':'MOV_NINOS_BEBES',
       'NPCKP17':'OCUPACION','NPCKP18':'CONTRATO','NPCKP23':'SALARIO_MES', 
       'NPCKP44A':'DONDE_TRABAJA', 'NPCKPN62A':'DECLARACION_RENTA', 
       'NPCKPN62B':'VALOR_DECLARACION', 'NPCKP64A':'PERDIDA_TRABAJO_C19', 
       'NPCKP64E':'PERDIDA_INGRESOS_C19',
       'NHCCP3':'TIENE_ESCRITURA', 'NHCCP6':'ANO_COMPRA', 'NHCCP7':'VALOR_COMPRA', 'NHCCP8_1':'HIPOTECA_CRED_BANCO',
       'NHCCP8_2':'OTRO_CRED_BANCO', 'NHCCP8_3':'CRED_FNA', 'NHCCP8_6':'PRESTAMOS_AMIGOS',
       'NHCCP8_7':'CESANTIAS', 'NHCCP8_8':'AHORROS', 'NHCCP8_9':'SUBSIDIOS',
       'NHCCP9':'CUANTO_PAGARIA_MENSUAL', 'NHCCP11':'PLANES_ADQUIRIR_VIVIENDA', 
       'NHCCP11A':'MOTIVO_COMPRA', 'NHCCP12':'RAZON_NO_ADQ_VIV', 'NHCCP41':'TIENE_CARRO','NHCCP41A':'CUANTOS_CARROS',
       'NHCCP47A':'TIENE_PERROS', 'NHCCP47B':'TIENE_GATOS', 'NHCLP2A':'VICTIMA_ATRACO', 'NHCLP2B':'VICTIMA_HOMICIDIO', 
       'NHCLP2C':'VICTIMA_PERSECUSION',
       'NHCLP2E':'VICTIMA_ACOSO', 'NHCLP4':'COMO_VIVE_ECON', 'NHCLP5':'COMO_NIVEL_VIDA', 
       'NHCLP8AB':'REACCION_OPORTUNA_POLICIA', 'NHCLP8AE':'COMO_TRANSPORTE_URBANO', 'NHCLP10':'SON_INGRESOS_SUFICIENTES',
       'NHCLP11':'SE_CONSIDERA_POBRE', 'NHCLP29_1A':'MED_C19_TRABAJO', 
       'NHCLP29_1C':'MED_C19_CAMBIO_VIVIENDA', 'NHCLP29_1E':'MED_C19_ENDEUDAMIENTO', 
       'NHCLP29_1F':'MED_C19_VENTA_BIENES','NPCHP4':'NIVEL_EDUCATIVO'
       }

datos_dane = datos_dane.rename(columns=dic_dane)
datos_dane.columns

Index(['DIRECTORIO', 'NOMBRE_LOCALIDAD', 'NOMBRE_ESTRATO', 'CONJUNTO_CERRADO',
       'FABRICAS_CERCA', 'TERMINALES_BUS', 'BARES_DISCO', 'OSCURO_PELIGROSO',
       'RUIDO', 'INSEGURIDAD', 'BASURA_INADECUADA', 'INVASION',
       'MOV_ADULTOS_MAYORES', 'MOV_NINOS_BEBES', 'OCUPACION', 'CONTRATO',
       'SALARIO_MES', 'DONDE_TRABAJA', 'DECLARACION_RENTA',
       'VALOR_DECLARACION', 'PERDIDA_TRABAJO_C19', 'PERDIDA_INGRESOS_C19',
       'TIENE_ESCRITURA', 'ANO_COMPRA', 'VALOR_COMPRA', 'HIPOTECA_CRED_BANCO',
       'OTRO_CRED_BANCO', 'CRED_FNA', 'PRESTAMOS_AMIGOS', 'CESANTIAS',
       'AHORROS', 'SUBSIDIOS', 'CUANTO_PAGARIA_MENSUAL',
       'PLANES_ADQUIRIR_VIVIENDA', 'MOTIVO_COMPRA', 'RAZON_NO_ADQ_VIV',
       'TIENE_CARRO', 'CUANTOS_CARROS', 'TIENE_PERROS', 'TIENE_GATOS',
       'VICTIMA_ATRACO', 'VICTIMA_HOMICIDIO', 'VICTIMA_PERSECUSION',
       'VICTIMA_ACOSO', 'COMO_VIVE_ECON', 'COMO_NIVEL_VIDA',
       'REACCION_OPORTUNA_POLICIA', 'COMO_TRANSPORTE_URBANO',
       'SON_INGRESOS_SUFICIENTES', 'SE_CONSIDERA_POBRE', 'MED_C19_TRABAJO',
       'MED_C19_CAMBIO_VIVIENDA', 'MED_C19_ENDEUDAMIENTO',
       'MED_C19_VENTA_BIENES', 'NIVEL_EDUCATIVO'],
      dtype='object')


datos_dane.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 9857 entries, 0 to 9856
Data columns (total 55 columns):
 #   Column                     Non-Null Count  Dtype  
---  ------                     --------------  -----  
 0   DIRECTORIO                 9857 non-null   float64
 1   NOMBRE_LOCALIDAD           9857 non-null   object 
 2   NOMBRE_ESTRATO             9857 non-null   object 
 3   CONJUNTO_CERRADO           9857 non-null   int64  
 4   FABRICAS_CERCA             9857 non-null   int64  
 5   TERMINALES_BUS             9857 non-null   int64  
 6   BARES_DISCO                9857 non-null   int64  
 7   OSCURO_PELIGROSO           9857 non-null   int64  
 8   RUIDO                      9857 non-null   int64  
 9   INSEGURIDAD                9857 non-null   int64  
 10  BASURA_INADECUADA          9857 non-null   int64  
 11  INVASION                   9857 non-null   int64  
 12  MOV_ADULTOS_MAYORES        9857 non-null   int64  
 13  MOV_NINOS_BEBES            9857 non-null   int64  
 14  OCUPACION                  9857 non-null   float64
 15  CONTRATO                   9857 non-null   float64
 16  SALARIO_MES                9558 non-null   float64
 17  DONDE_TRABAJA              9857 non-null   float64
 18  DECLARACION_RENTA          9857 non-null   float64
 19  VALOR_DECLARACION          9558 non-null   float64
 20  PERDIDA_TRABAJO_C19        9857 non-null   int64  
 21  PERDIDA_INGRESOS_C19       9857 non-null   int64  
 22  TIENE_ESCRITURA            9857 non-null   float64
 23  ANO_COMPRA                 9857 non-null   float64
 24  VALOR_COMPRA               9558 non-null   float64
 25  HIPOTECA_CRED_BANCO        1434 non-null   float64
 26  OTRO_CRED_BANCO            1434 non-null   float64
 27  CRED_FNA                   1434 non-null   float64
 28  PRESTAMOS_AMIGOS           1434 non-null   float64
 29  CESANTIAS                  1434 non-null   float64
 30  AHORROS                    1434 non-null   float64
 31  SUBSIDIOS                  1434 non-null   float64
 32  CUANTO_PAGARIA_MENSUAL     9558 non-null   float64
 33  PLANES_ADQUIRIR_VIVIENDA   9857 non-null   int64  
 34  MOTIVO_COMPRA              1177 non-null   float64
 35  RAZON_NO_ADQ_VIV           8680 non-null   float64
 36  TIENE_CARRO                9857 non-null   int64  
 37  CUANTOS_CARROS             4987 non-null   float64
 38  TIENE_PERROS               9857 non-null   int64  
 39  TIENE_GATOS                9857 non-null   int64  
 40  VICTIMA_ATRACO             9857 non-null   int64  
 41  VICTIMA_HOMICIDIO          9857 non-null   int64  
 42  VICTIMA_PERSECUSION        9857 non-null   int64  
 43  VICTIMA_ACOSO              9857 non-null   int64  
 44  COMO_VIVE_ECON             9857 non-null   int64  
 45  COMO_NIVEL_VIDA            9857 non-null   int64  
 46  REACCION_OPORTUNA_POLICIA  288 non-null    float64
 47  COMO_TRANSPORTE_URBANO     288 non-null    float64
 48  SON_INGRESOS_SUFICIENTES   9857 non-null   int64  
 49  SE_CONSIDERA_POBRE         9857 non-null   int64  
 50  MED_C19_TRABAJO            410 non-null    float64
 51  MED_C19_CAMBIO_VIVIENDA    143 non-null    float64
 52  MED_C19_ENDEUDAMIENTO      1272 non-null   float64
 53  MED_C19_VENTA_BIENES       152 non-null    float64
 54  NIVEL_EDUCATIVO            9447 non-null   float64
dtypes: float64(28), int64(25), object(2)
memory usage: 4.1+ MB


datos_dane.groupby('NOMBRE_ESTRATO')[['CONJUNTO_CERRADO','INSEGURIDAD','TERMINALES_BUS','BARES_DISCO','RUIDO','OSCURO_PELIGROSO','SALARIO_MES','TIENE_ESCRITURA','PERDIDA_TRABAJO_C19','PERDIDA_INGRESOS_C19','PLANES_ADQUIRIR_VIVIENDA']].mean().head()


datos = datos_dane[['NOMBRE_ESTRATO','CONJUNTO_CERRADO','INSEGURIDAD','TERMINALES_BUS','BARES_DISCO','RUIDO','OSCURO_PELIGROSO','SALARIO_MES','TIENE_ESCRITURA','PERDIDA_TRABAJO_C19','PERDIDA_INGRESOS_C19','PLANES_ADQUIRIR_VIVIENDA']].replace(2,0)
datos


datos.NOMBRE_ESTRATO.value_counts()

Niza                                                   243
SUBA: La Academia + Guaymaral + San José de Bavaria    212
CHAPINERO: Chicó Lago + El Refugio                     210
Los Libertadores                                       208
Modelia                                                205
                                                      ... 
Tunjuelito                                              26
Lourdes                                                 25
Localidad Chapinero resto                               21
Localidad Usaquén resto                                 10
Localidad Santa Fe resto                                 8
Name: NOMBRE_ESTRATO, Length: 102, dtype: int64


datos.loc[datos.NOMBRE_ESTRATO == '20 de Julio']


datos_tratados = datos.groupby('NOMBRE_ESTRATO')[['CONJUNTO_CERRADO','INSEGURIDAD','TERMINALES_BUS','BARES_DISCO','RUIDO','OSCURO_PELIGROSO','SALARIO_MES','TIENE_ESCRITURA','PERDIDA_TRABAJO_C19','PERDIDA_INGRESOS_C19','PLANES_ADQUIRIR_VIVIENDA']].mean()
datos_tratados


pd.merge(inmuebles,datos_tratados, left_on='UPZ', right_on='NOMBRE_ESTRATO', how='left')


datos_ml = pd.merge(inmuebles,datos_tratados, left_on='UPZ', right_on='NOMBRE_ESTRATO', how='left')
datos_ml.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 9520 entries, 0 to 9519
Data columns (total 24 columns):
 #   Column                    Non-Null Count  Dtype  
---  ------                    --------------  -----  
 0   Tipo                      9520 non-null   object 
 1   Descripcion               9520 non-null   object 
 2   Habitaciones              9520 non-null   int64  
 3   Banos                     9520 non-null   int64  
 4   Area                      9520 non-null   int64  
 5   Barrio                    9520 non-null   object 
 6   UPZ                       9478 non-null   object 
 7   Valor                     9520 non-null   object 
 8   Moneda                    9520 non-null   object 
 9   Precio                    9520 non-null   object 
 10  Precio_Millon             9520 non-null   float64
 11  Valor_m2_Millon           9520 non-null   float64
 12  Valor_m2_Barrio           9520 non-null   float64
 13  CONJUNTO_CERRADO          9366 non-null   float64
 14  INSEGURIDAD               9366 non-null   float64
 15  TERMINALES_BUS            9366 non-null   float64
 16  BARES_DISCO               9366 non-null   float64
 17  RUIDO                     9366 non-null   float64
 18  OSCURO_PELIGROSO          9366 non-null   float64
 19  SALARIO_MES               9366 non-null   float64
 20  TIENE_ESCRITURA           9366 non-null   float64
 21  PERDIDA_TRABAJO_C19       9366 non-null   float64
 22  PERDIDA_INGRESOS_C19      9366 non-null   float64
 23  PLANES_ADQUIRIR_VIVIENDA  9366 non-null   float64
dtypes: float64(14), int64(3), object(7)
memory usage: 1.8+ MB


upz = pd.read_csv('/content/drive/MyDrive/inmersion_datos/cod_upz.csv')
upz.head()


datos_ml = pd.merge(datos_ml,upz,left_on='UPZ',right_on='NOMBRE_ESTRATO',how='inner')
datos_ml.head()


datos_ml.shape

(9318, 26)


datos_ml.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 9318 entries, 0 to 9317
Data columns (total 26 columns):
 #   Column                    Non-Null Count  Dtype  
---  ------                    --------------  -----  
 0   Tipo                      9318 non-null   object 
 1   Descripcion               9318 non-null   object 
 2   Habitaciones              9318 non-null   int64  
 3   Banos                     9318 non-null   int64  
 4   Area                      9318 non-null   int64  
 5   Barrio                    9318 non-null   object 
 6   UPZ                       9318 non-null   object 
 7   Valor                     9318 non-null   object 
 8   Moneda                    9318 non-null   object 
 9   Precio                    9318 non-null   object 
 10  Precio_Millon             9318 non-null   float64
 11  Valor_m2_Millon           9318 non-null   float64
 12  Valor_m2_Barrio           9318 non-null   float64
 13  CONJUNTO_CERRADO          9318 non-null   float64
 14  INSEGURIDAD               9318 non-null   float64
 15  TERMINALES_BUS            9318 non-null   float64
 16  BARES_DISCO               9318 non-null   float64
 17  RUIDO                     9318 non-null   float64
 18  OSCURO_PELIGROSO          9318 non-null   float64
 19  SALARIO_MES               9318 non-null   float64
 20  TIENE_ESCRITURA           9318 non-null   float64
 21  PERDIDA_TRABAJO_C19       9318 non-null   float64
 22  PERDIDA_INGRESOS_C19      9318 non-null   float64
 23  PLANES_ADQUIRIR_VIVIENDA  9318 non-null   float64
 24  NOMBRE_ESTRATO            9318 non-null   object 
 25  COD_UPZ_GRUPO             9318 non-null   float64
dtypes: float64(15), int64(3), object(8)
memory usage: 1.9+ MB


plt.figure(figsize=(10,8))
sns.boxplot(data=datos_ml, y='Precio_Millon')
plt.show()


datos_ml.query('Precio_Millon > 5000 | Precio_Millon < 60')


datos_ml = datos_ml.query('Precio_Millon < 5000 & Precio_Millon > 60')
datos_ml


plt.figure(figsize=(10,8))
sns.boxplot(data=datos_ml, y='Precio_Millon')
plt.show()


datos_ml['SALARIO_ANUAL_MI'] = datos_ml['SALARIO_MES']*12/1000000
datos_ml['SALARIO_ANUAL_MI']

<ipython-input-61-71287e70a4cf>:1: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  datos_ml['SALARIO_ANUAL_MI'] = datos_ml['SALARIO_MES']*12/1000000

0      48.42
1      48.42
2      48.42
3      48.42
4      48.42
        ... 
9313   29.34
9314   29.34
9315   29.34
9316   29.34
9317   29.34
Name: SALARIO_ANUAL_MI, Length: 9277, dtype: float64


plt.figure(figsize=(10,8))
sns.boxplot(data=datos_ml, x='SALARIO_ANUAL_MI', y='Valor_m2_Millon')
plt.show

<function matplotlib.pyplot.show(close=None, block=None)>


plt.figure(figsize=(10,8))
sns.scatterplot(data=datos_ml, x='SALARIO_ANUAL_MI', y='Valor_m2_Millon')
plt.show

<function matplotlib.pyplot.show(close=None, block=None)>


plt.figure(figsize=(10,8))
sns.scatterplot(data=datos_ml, x='SALARIO_ANUAL_MI', y='Valor_m2_Millon')
plt.ylim(0,15)
plt.show

<function matplotlib.pyplot.show(close=None, block=None)>


datos_ml.corr()


plt.figure(figsize=(18, 8))
#https://www.tylervigen.com/spurious-correlations
#mascara = np.triu(np.ones_like(datos_ml.corr(), dtype=bool)) mask=mascara,
heatmap = sns.heatmap(datos_ml.corr(), vmin=-1, vmax=1, annot=True, cmap='BrBG')
heatmap.set_title('Correlación de las variables', fontdict={'fontsize':18}, pad=16);


#machine learning
from sklearn.linear_model import LinearRegression
from sklearn.model_selection import train_test_split

X = datos_ml[['COD_UPZ_GRUPO']]
y = datos_ml['Precio_Millon']

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.25,random_state=99)


X_train


X_test


y_train

7578   550.00
8345   700.00
1246   710.00
8491   400.00
4602   650.00
        ...  
5223   360.00
7929   119.00
1784   650.00
3268   350.00
7242   480.00
Name: Precio_Millon, Length: 6957, dtype: float64


y_test

8428    650.00
3079    550.00
6927    327.00
6861    260.00
2357    460.00
         ...  
7777    131.00
1423    695.00
3916   1000.00
8305   1100.00
3989    265.00
Name: Precio_Millon, Length: 2320, dtype: float64


modelo = LinearRegression()


modelo.fit(X_train,y_train)

LinearRegression()

LinearRegression()


y_predict_test = modelo.predict(X_test)


from sklearn.metrics import mean_absolute_error, r2_score

baseline_mae = mean_absolute_error(y_test, y_predict_test)
baseline_mae

349.01934464671155


baseline_r2 = r2_score(y_test, y_predict_test)
baseline_r2

0.025479229587150987


print(baseline_mae, baseline_r2)

349.01934464671155 0.025479229587150987


X = datos_ml[['COD_UPZ_GRUPO','Habitaciones','Banos']] #,'CONJUNTO_CERRADO','SALARIO_ANUAL_MI','TIENE_ESCRITURA'

Y = datos_ml["Precio_Millon"]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 99)
modelo_1 = LinearRegression()
modelo_1.fit(X_train, y_train)
y_predict_test = modelo_1.predict(X_test)
y_predict_train = modelo_1.predict(X_train)
mae_test = mean_absolute_error(y_test, y_predict_test)
r2_test = r2_score(y_test, y_predict_test)
mae_train = mean_absolute_error(y_train, y_predict_train)
r2_train = r2_score(y_train, y_predict_train)
print(mae_test,r2_test)
print(mae_train,r2_train)

241.7714514560005 0.39346598615451067
243.29145256483525 0.47023870196651907


X = datos_ml[['COD_UPZ_GRUPO','Habitaciones','Banos','CONJUNTO_CERRADO','SALARIO_ANUAL_MI','TIENE_ESCRITURA']]
Y = datos_ml["Precio_Millon"]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 99)
modelo_1 = LinearRegression()
modelo_1.fit(X_train, y_train)
y_predict_test = modelo_1.predict(X_test)
y_predict_train = modelo_1.predict(X_train)
mae_test = mean_absolute_error(y_test, y_predict_test)
r2_test = r2_score(y_test, y_predict_test)
mae_train = mean_absolute_error(y_train, y_predict_train)
r2_train = r2_score(y_train, y_predict_train)
print(mae_test,r2_test)
print(mae_train,r2_train)

241.92824945672513 0.4253766410151324
243.25185242026816 0.48545749312201236


#Cambio del filtrado de datos Precio_Millon < 1200
datos_ml = datos_ml.query('Precio_Millon < 1200 & Precio_Millon > 60')
datos_ml


plt.figure(figsize=(10,8))
sns.boxplot(data=datos_ml, y='Precio_Millon')
plt.show()


plt.figure(figsize=(10,8))
sns.scatterplot(data=datos_ml, x='SALARIO_ANUAL_MI', y='Valor_m2_Millon')
plt.ylim(0,15)
plt.show

<function matplotlib.pyplot.show(close=None, block=None)>


datos_ml.corr()


plt.figure(figsize=(18, 8))
#https://www.tylervigen.com/spurious-correlations
#mascara = np.triu(np.ones_like(datos_ml.corr(), dtype=bool)) mask=mascara,
heatmap = sns.heatmap(datos_ml.corr(), vmin=-1, vmax=1, annot=True, cmap='BrBG')
heatmap.set_title('Correlación de las variables', fontdict={'fontsize':18}, pad=16);


X = datos_ml[['COD_UPZ_GRUPO']]
y = datos_ml['Precio_Millon']

X_train, X_test, y_train, y_test = train_test_split(X,y,test_size=0.25,random_state=99)


X_train


X_test


y_train

1512   1050.00
7864    129.00
6058    206.38
1683    650.00
2481    250.00
         ...  
6038    560.00
8875    560.00
2200    685.00
3883    850.00
8154    132.00
Name: Precio_Millon, Length: 6234, dtype: float64


modelo = LinearRegression()


modelo.fit(X_train,y_train)

LinearRegression()

LinearRegression()


y_predict_test = modelo.predict(X_test)


from sklearn.metrics import mean_absolute_error, r2_score

baseline_mae = mean_absolute_error(y_test, y_predict_test)
baseline_r2 = r2_score(y_test, y_predict_test)
print(baseline_mae, baseline_r2)

187.323609443345 0.031111799984413713


X = datos_ml[['COD_UPZ_GRUPO','Habitaciones','Banos','CONJUNTO_CERRADO','SALARIO_ANUAL_MI','TIENE_ESCRITURA']]
Y = datos_ml["Precio_Millon"]

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.25, random_state = 99)
modelo_1 = LinearRegression()
modelo_1.fit(X_train, y_train)
y_predict_test = modelo_1.predict(X_test)
y_predict_train = modelo_1.predict(X_train)
mae_test = mean_absolute_error(y_test, y_predict_test)
r2_test = r2_score(y_test, y_predict_test)
mae_train = mean_absolute_error(y_train, y_predict_train)
r2_train = r2_score(y_train, y_predict_train)
print(mae_test,r2_test)
print(mae_train,r2_train)

118.25967274431333 0.5404735562069192
123.22271988681676 0.5269614226488988


#Datos ingresados por cliente
modelo_1.predict([[826,3,2,1,50,1]])

/usr/local/lib/python3.9/dist-packages/sklearn/base.py:439: UserWarning: X does not have valid feature names, but LinearRegression was fitted with feature names
  warnings.warn(

array([434.43207157])

	DIRECTORIO	DPTO	MPIO	CLASE	COD_LOCALIDAD	NOMBRE_LOCALIDAD	COD_UPZ_GRUPO	NOMBRE_UPZ_GRUPO	ESTRATO2021	NOMBRE_ESTRATO	FEX_C
0	3004346.0	11	11001	1	3.0	Santa Fe	814.0	SANTA FE: Las Nieves + Sagrado Corazón	11001187	SANTA FE: Las Nieves + Sagrado Corazón	13,2266692027239
1	3004347.0	11	11001	1	14.0	Los Mártires	37.0	Santa Isabel	11001162	Santa Isabel	17,8555889419101
2	3004348.0	11	11001	1	3.0	Santa Fe	814.0	SANTA FE: Las Nieves + Sagrado Corazón	11001187	SANTA FE: Las Nieves + Sagrado Corazón	10,0286103658331
3	3004349.0	11	11001	1	1.0	Usaquén	803.0	USAQUÉN: Country Club + Santa Bárbara	11001176	USAQUÉN: Country Club + Santa Bárbara	28,6502122142802
4	3004350.0	11	11001	1	1.0	Usaquén	803.0	USAQUÉN: Country Club + Santa Bárbara	11001176	USAQUÉN: Country Club + Santa Bárbara	24,4684068319009

	DIRECTORIO	NOMBRE_LOCALIDAD	NOMBRE_ESTRATO	NVCBP4	NVCBP14A	NVCBP14D	NVCBP14E	NVCBP14G	NVCBP15A	NVCBP15C	...	NHCLP5	NHCLP8AB	NHCLP8AE	NHCLP10	NHCLP11	NHCLP29_1A	NHCLP29_1C	NHCLP29_1E	NHCLP29_1F	NPCHP4
0	3004368.0	Usaquén	USAQUÉN: Paseo de Los Libertadores + La Uribe	1	2	2	2	2	2	2	...	1	NaN	NaN	2	2	NaN	NaN	NaN	NaN	9.0
1	3004369.0	Usaquén	Usaquén	1	2	2	2	2	2	2	...	2	NaN	NaN	3	2	NaN	NaN	NaN	NaN	11.0
2	3004375.0	Chapinero	CHAPINERO: Pardo Rubio + Chapinero	2	2	2	2	2	2	1	...	2	NaN	NaN	2	2	NaN	NaN	1.0	NaN	11.0
3	3004380.0	Usaquén	Los Cedros	1	2	2	2	2	2	2	...	1	NaN	NaN	3	2	NaN	NaN	NaN	NaN	9.0
4	3004383.0	Fontibón	Ciudad Salitre Occidental	1	2	2	2	2	1	2	...	2	NaN	NaN	2	2	NaN	NaN	NaN	NaN	11.0

	CONJUNTO_CERRADO	INSEGURIDAD	TERMINALES_BUS	BARES_DISCO	RUIDO	OSCURO_PELIGROSO	SALARIO_MES	TIENE_ESCRITURA	PERDIDA_TRABAJO_C19	PERDIDA_INGRESOS_C19	PLANES_ADQUIRIR_VIVIENDA
NOMBRE_ESTRATO
20 de Julio	1.893333	1.186667	1.853333	1.893333	1.560000	1.840000	1.493860e+06	1.160000	1.920000	1.680000	1.800000
Américas	1.383178	1.252336	1.981308	1.785047	1.607477	1.915888	2.672138e+06	1.056075	1.971963	1.719626	1.850467
Apogeo	1.650794	1.301587	1.746032	1.936508	1.682540	2.000000	1.837583e+06	1.079365	1.920635	1.650794	1.920635
Arborizadora	1.430108	1.301075	1.946237	1.881720	1.688172	1.838710	1.802297e+06	1.032258	1.881720	1.612903	1.817204
BARRIOS UNIDOS: Parque Salitre + Doce de Octubre	1.367347	1.326531	1.989796	1.979592	1.704082	1.867347	2.943731e+06	1.051020	1.948980	1.704082	1.938776

	CONJUNTO_CERRADO	INSEGURIDAD	TERMINALES_BUS	BARES_DISCO	RUIDO	OSCURO_PELIGROSO	SALARIO_MES	TIENE_ESCRITURA	PERDIDA_TRABAJO_C19	PERDIDA_INGRESOS_C19	PLANES_ADQUIRIR_VIVIENDA
NOMBRE_ESTRATO
20 de Julio	0.11	0.81	0.15	0.11	0.44	0.16	1493859.61	0.84	0.08	0.32	0.20
Américas	0.62	0.75	0.02	0.21	0.39	0.08	2672138.14	0.94	0.03	0.28	0.15
Apogeo	0.35	0.70	0.25	0.06	0.32	0.00	1837583.18	0.92	0.08	0.35	0.08
Arborizadora	0.57	0.70	0.05	0.12	0.31	0.16	1802296.76	0.97	0.12	0.39	0.18
BARRIOS UNIDOS: Parque Salitre + Doce de Octubre	0.63	0.67	0.01	0.02	0.30	0.13	2943730.73	0.95	0.05	0.30	0.06
...	...	...	...	...	...	...	...	...	...	...	...
Usaquén	0.90	0.22	0.01	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12
Venecia	0.47	0.82	0.24	0.29	0.50	0.36	2078712.71	0.83	0.14	0.40	0.25
Verbenal	0.77	0.56	0.08	0.03	0.25	0.14	2445403.14	0.87	0.03	0.27	0.09
Zona Franca	0.94	0.50	0.09	0.05	0.31	0.31	1508602.98	0.94	0.10	0.50	0.12
Álamos	0.65	0.83	0.19	0.01	0.65	0.28	2897865.04	0.93	0.01	0.16	0.06

	Tipo	Descripcion	Habitaciones	Banos	Area	Barrio	UPZ	Valor	Moneda	Precio	...	INSEGURIDAD	TERMINALES_BUS	BARES_DISCO	RUIDO	OSCURO_PELIGROSO	SALARIO_MES	TIENE_ESCRITURA	PERDIDA_TRABAJO_C19	PERDIDA_INGRESOS_C19	PLANES_ADQUIRIR_VIVIENDA
0	Apartamento	Apartamento en venta en Zona Noroccidental	3	2	70	Zona Noroccidental	CHAPINERO: Pardo Rubio + Chapinero	$ 360.000.000	$	360000000	...	0.52	0.01	0.23	0.35	0.13	4034787.96	0.90	0.04	0.28	0.09
1	Casa	Casa en venta en Castilla	4	3	170	Castilla	KENNEDY: Castilla + Bavaria	$ 670.000.000	$	670000000	...	0.58	0.12	0.11	0.34	0.13	2794784.29	0.94	0.09	0.30	0.18
2	Apartamento	Apartamento en venta en Chico Reservado	3	3	144	Chico Reservado	CHAPINERO: Chicó Lago + El Refugio	$ 1.120.000.000	$	1120000000	...	0.22	0.00	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07
3	Apartamento	Apartamento en venta en Usaquén	3	2	154	Usaquén	Usaquén	$ 890.000.000	$	890000000	...	0.22	0.01	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12
4	Apartamento	Apartamento en venta en Bella Suiza	2	3	128	Bella Suiza	USAQUÉN: Country Club + Santa Bárbara	$ 970.000.000	$	970000000	...	0.42	0.00	0.02	0.27	0.01	4832842.64	0.96	0.02	0.16	0.09
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
9515	Apartamento	Apartamento en venta en Kennedy	3	2	70	Kennedy	Kennedy Central	$ 290.000.000	$	290000000	...	0.61	0.03	0.17	0.43	0.09	2144185.60	0.91	0.07	0.26	0.19
9516	Apartamento	Apartamento en venta en Parque Central Bavaria	2	2	100	Parque Central Bavaria	SANTA FE: Las Nieves + Sagrado Corazón	$ 670.000.000	$	670000000	...	0.49	0.02	0.15	0.42	0.09	4177178.77	0.93	0.02	0.12	0.07
9517	Local	Local en venta en Restrepo	8	6	383	Restrepo	Restrepo	$ 900.000.000	$	900000000	...	0.71	0.03	0.17	0.47	0.26	2356994.56	0.90	0.05	0.22	0.21
9518	Casa	Casa en venta en Engativa	3	2	183	Engativa	Engativá	$ 335.000.000	$	335000000	...	0.87	0.02	0.11	0.54	0.13	1418652.63	0.85	0.02	0.39	0.07
9519	Apartamento	Apartamento en venta en Tintala	3	1	52	Tintala	Tintala	$ 144.990.000	$	144990000	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

CLASE 04 - CRUZANDO BASE Y MACHINE LEARNING

Aula 4¶

Machine learning¶

	NOMBRE_ESTRATO	CONJUNTO_CERRADO	INSEGURIDAD	TERMINALES_BUS	BARES_DISCO	RUIDO	OSCURO_PELIGROSO	SALARIO_MES	TIENE_ESCRITURA	PERDIDA_TRABAJO_C19	PERDIDA_INGRESOS_C19	PLANES_ADQUIRIR_VIVIENDA
0	USAQUÉN: Paseo de Los Libertadores + La Uribe	1	0	0	0	0	0	99.0	1.0	0	0	0
1	Usaquén	1	0	0	0	0	0	10000000.0	1.0	0	0	0
2	CHAPINERO: Pardo Rubio + Chapinero	0	1	0	0	0	0	4000000.0	1.0	0	1	0
3	Los Cedros	1	0	0	0	0	0	5000000.0	1.0	0	1	0
4	Ciudad Salitre Occidental	1	0	0	0	1	0	3500000.0	1.0	0	1	1
...	...	...	...	...	...	...	...	...	...	...	...	...
9852	SANTA FE: Las Nieves + Sagrado Corazón	1	1	0	0	1	0	6000000.0	1.0	0	0	0
9853	SANTA FE: Las Nieves + Sagrado Corazón	0	1	0	1	1	0	1800000.0	1.0	0	0	0
9854	SANTA FE: Las Nieves + Sagrado Corazón	1	0	0	0	0	0	7200000.0	1.0	0	0	0
9855	SANTA FE: Las Nieves + Sagrado Corazón	1	0	0	0	0	0	99.0	1.0	0	1	0
9856	Santa Isabel	0	1	0	0	0	1	99.0	0.0	0	0	0

	NOMBRE_ESTRATO	CONJUNTO_CERRADO	INSEGURIDAD	TERMINALES_BUS	BARES_DISCO	RUIDO	OSCURO_PELIGROSO	SALARIO_MES	TIENE_ESCRITURA	PERDIDA_TRABAJO_C19	PERDIDA_INGRESOS_C19	PLANES_ADQUIRIR_VIVIENDA
513	20 de Julio	0	0	0	0	1	0	98.0	1.0	0	1	0
706	20 de Julio	0	1	0	0	1	0	908000.0	1.0	0	0	1
707	20 de Julio	0	1	0	0	1	0	1800000.0	1.0	0	0	0
708	20 de Julio	0	1	0	0	1	0	1200000.0	1.0	0	0	0
709	20 de Julio	0	1	0	1	1	0	2000000.0	1.0	0	0	1
...	...	...	...	...	...	...	...	...	...	...	...	...
8372	20 de Julio	0	1	0	0	0	1	400000.0	1.0	1	1	1
8751	20 de Julio	0	0	0	0	0	0	906000.0	1.0	0	0	1
8752	20 de Julio	0	1	0	0	0	1	1200000.0	1.0	0	0	0
8783	20 de Julio	0	1	1	0	0	0	1200000.0	1.0	0	0	1
9287	20 de Julio	0	1	0	0	1	0	1700000.0	1.0	1	0	0

	NOMBRE_ESTRATO	COD_UPZ_GRUPO
0	SANTA FE: Las Nieves + Sagrado Corazón	814.00
1	Santa Isabel	37.00
2	USAQUÉN: Country Club + Santa Bárbara	803.00
3	CHAPINERO: Pardo Rubio + Chapinero	816.00
4	Ciudad Salitre Occidental	110.00

	Tipo	Descripcion	Habitaciones	Banos	Area	Barrio	UPZ	Valor	Moneda	Precio	...	BARES_DISCO	RUIDO	OSCURO_PELIGROSO	SALARIO_MES	TIENE_ESCRITURA	PERDIDA_TRABAJO_C19	PERDIDA_INGRESOS_C19	PLANES_ADQUIRIR_VIVIENDA	NOMBRE_ESTRATO	COD_UPZ_GRUPO
207	Apartamento	Apartamento en venta en Chapinero	3	5	476	Chapinero	CHAPINERO: Pardo Rubio + Chapinero	$ 8.550.000.000	$	8550000000	...	0.23	0.35	0.13	4034787.96	0.90	0.04	0.28	0.09	CHAPINERO: Pardo Rubio + Chapinero	816.00
323	Local	Local en venta en Chapinero	16	9	650	Chapinero	CHAPINERO: Pardo Rubio + Chapinero	$ 5.800.000.000	$	5800000000	...	0.23	0.35	0.13	4034787.96	0.90	0.04	0.28	0.09	CHAPINERO: Pardo Rubio + Chapinero	816.00
702	Casa	Casa en venta en Chapinero	4	4	462	Chapinero	CHAPINERO: Pardo Rubio + Chapinero	$ 5.200.000.000	$	5200000000	...	0.23	0.35	0.13	4034787.96	0.90	0.04	0.28	0.09	CHAPINERO: Pardo Rubio + Chapinero	816.00
708	Casa	Casa en venta en Chapinero	12	2	769	Chapinero	CHAPINERO: Pardo Rubio + Chapinero	$ 6.160.000.000	$	6160000000	...	0.23	0.35	0.13	4034787.96	0.90	0.04	0.28	0.09	CHAPINERO: Pardo Rubio + Chapinero	816.00
829	Apartamento	Apartamento en venta en Zona Noroccidental	4	7	550	Zona Noroccidental	CHAPINERO: Pardo Rubio + Chapinero	$ 7.200.000.000	$	7200000000	...	0.23	0.35	0.13	4034787.96	0.90	0.04	0.28	0.09	CHAPINERO: Pardo Rubio + Chapinero	816.00
1371	Apartamento	Apartamento en venta en El Chicó	4	5	555	El Chicó	CHAPINERO: Chicó Lago + El Refugio	$ 6.100.000.000	$	6100000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1414	Apartamento	Apartamento en venta en El Chicó	3	5	1550	El Chicó	CHAPINERO: Chicó Lago + El Refugio	$ 13.200.000.000	$	13200000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1429	Local	Local en venta en Quinta Camacho	16	9	1050	Quinta Camacho	CHAPINERO: Chicó Lago + El Refugio	$ 5.299.999.744	$	5299999744	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1442	Local	Local en venta en Quinta Camacho	16	9	1050	Quinta Camacho	CHAPINERO: Chicó Lago + El Refugio	$ 5.299.999.744	$	5299999744	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1518	Apartamento	Apartamento en venta en Chico Reservado	4	5	378	Chico Reservado	CHAPINERO: Chicó Lago + El Refugio	$ 6.500.000.000	$	6500000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1532	Apartamento	Apartamento en venta en Chico Norte	3	4	363	Chico Norte	CHAPINERO: Chicó Lago + El Refugio	$ 5.083.000.000	$	5083000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1533	Apartamento	Apartamento en venta en Los Rosales	3	3	436	Los Rosales	CHAPINERO: Chicó Lago + El Refugio	$ 5.400.000.000	$	5400000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1615	Local	Local en venta en Quinta Camacho	16	9	1050	Quinta Camacho	CHAPINERO: Chicó Lago + El Refugio	$ 5.299.999.744	$	5299999744	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1654	Apartamento	Apartamento en venta en Los Rosales	3	5	381	Los Rosales	CHAPINERO: Chicó Lago + El Refugio	$ 8.358.000.000	$	8358000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1685	Oficina/Consultorio	Oficina/Consultorio en venta en Chico Norte	1	1	872	Chico Norte	CHAPINERO: Chicó Lago + El Refugio	$ 6.720.791.000	$	6720791000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1718	Apartamento	Apartamento en venta en Chico Reservado	3	4	333	Chico Reservado	CHAPINERO: Chicó Lago + El Refugio	$ 5.500.000.000	$	5500000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1796	Apartamento	Apartamento en venta en Chico Reservado	4	6	375	Chico Reservado	CHAPINERO: Chicó Lago + El Refugio	$ 6.500.000.000	$	6500000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1798	Apartamento	Apartamento en venta en Chico Reservado	4	6	326	Chico Reservado	CHAPINERO: Chicó Lago + El Refugio	$ 5.500.000.000	$	5500000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1801	Apartamento	Apartamento en venta en Chico Reservado	4	6	375	Chico Reservado	CHAPINERO: Chicó Lago + El Refugio	$ 6.500.000.000	$	6500000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
1803	Apartamento	Apartamento en venta en Chico Reservado	4	6	326	Chico Reservado	CHAPINERO: Chicó Lago + El Refugio	$ 5.500.000.000	$	5500000000	...	0.05	0.19	0.02	5512355.76	0.88	0.03	0.19	0.07	CHAPINERO: Chicó Lago + El Refugio	817.00
2134	Casa	Casa en venta en Santa Ana	4	6	674	Santa Ana	Usaquén	$ 8.800.000.000	$	8800000000	...	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12	Usaquén	14.00
2396	Apartamento	Apartamento en venta en Usaquén	3	5	400	Usaquén	Usaquén	$ 5.200.000.000	$	5200000000	...	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12	Usaquén	14.00
2420	Apartamento	Apartamento en venta en Usaquén	4	5	498	Usaquén	Usaquén	$ 5.250.000.000	$	5250000000	...	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12	Usaquén	14.00
2511	Apartamento	Apartamento en venta en Usaquén	4	5	402	Usaquén	Usaquén	$ 5.200.000.000	$	5200000000	...	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12	Usaquén	14.00
2523	Apartamento	Apartamento en venta en Usaquén	4	5	402	Usaquén	Usaquén	$ 5.200.000.000	$	5200000000	...	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12	Usaquén	14.00
2848	Edificio	Edificio en venta en Usaquén	12	7	1664	Usaquén	Usaquén	$ 16.000.000.000	$	16000000000	...	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12	Usaquén	14.00
2925	Apartamento	Apartamento en venta en Usaquén	4	6	540	Usaquén	Usaquén	$ 7.500.000.000	$	7500000000	...	0.03	0.20	0.01	4670896.88	0.97	0.02	0.17	0.12	Usaquén	14.00
3823	Edificio	Edificio en venta en Santa Barbara	22	0	1080	Santa Barbara	USAQUÉN: Country Club + Santa Bárbara	$ 9.200.000.000	$	9200000000	...	0.02	0.27	0.01	4832842.64	0.96	0.02	0.16	0.09	USAQUÉN: Country Club + Santa Bárbara	803.00
4058	Casa	Casa en venta en San Patricio	7	4	479	San Patricio	USAQUÉN: Country Club + Santa Bárbara	$ 7.000.000.000	$	7000000000	...	0.02	0.27	0.01	4832842.64	0.96	0.02	0.16	0.09	USAQUÉN: Country Club + Santa Bárbara	803.00
4305	Casa	Casa en venta en Bella Suiza	14	6	811	Bella Suiza	USAQUÉN: Country Club + Santa Bárbara	$ 6.400.000.000	$	6400000000	...	0.02	0.27	0.01	4832842.64	0.96	0.02	0.16	0.09	USAQUÉN: Country Club + Santa Bárbara	803.00
5025	Casa	Casa en venta en Teusaquillo	6	5	3500	Teusaquillo	Teusaquillo	$ 5.500.000.000	$	5500000000	...	0.21	0.41	0.05	2498801.15	0.96	0.05	0.24	0.13	Teusaquillo	101.00
6018	Casa	Casa en venta en Barrios Unidos	3	4	380	Barrios Unidos	Los Andes	$ 5.699.999.744	$	5699999744	...	0.09	0.42	0.09	2415238.68	0.84	0.07	0.31	0.05	Los Andes	21.00
7096	Apartamento	Apartamento en venta en La Candelaria	3	3	443	La Candelaria	La Candelaria	$ 10.451.500.000	$	10451500000	...	0.36	0.46	0.30	3354419.54	0.86	0.06	0.28	0.16	La Candelaria	94.00
7098	Apartamento	Apartamento en venta en La Candelaria	3	3	443	La Candelaria	La Candelaria	$ 10.451.500.000	$	10451500000	...	0.36	0.46	0.30	3354419.54	0.86	0.06	0.28	0.16	La Candelaria	94.00
8666	Edificio	Edificio en venta en Las Nieves	15	6	1800	Las Nieves	SANTA FE: Las Nieves + Sagrado Corazón	$ 7.000.000.000	$	7000000000	...	0.15	0.42	0.09	4177178.77	0.93	0.02	0.12	0.07	SANTA FE: Las Nieves + Sagrado Corazón	814.00
8697	Edificio	Edificio en venta en Las Nieves	15	6	1800	Las Nieves	SANTA FE: Las Nieves + Sagrado Corazón	$ 7.000.000.000	$	7000000000	...	0.15	0.42	0.09	4177178.77	0.93	0.02	0.12	0.07	SANTA FE: Las Nieves + Sagrado Corazón	814.00

	Habitaciones	Banos	Area	Precio_Millon	Valor_m2_Millon	Valor_m2_Barrio	CONJUNTO_CERRADO	INSEGURIDAD	TERMINALES_BUS	BARES_DISCO	RUIDO	OSCURO_PELIGROSO	SALARIO_MES	TIENE_ESCRITURA	PERDIDA_TRABAJO_C19	PERDIDA_INGRESOS_C19	PLANES_ADQUIRIR_VIVIENDA	COD_UPZ_GRUPO	SALARIO_ANUAL_MI
Habitaciones	1.00	0.48	0.03	0.22	-0.23	-0.18	-0.11	0.12	0.06	0.11	0.13	0.10	-0.15	-0.06	0.06	0.11	0.07	-0.09	-0.15
Banos	0.48	1.00	0.06	0.65	0.08	0.16	0.16	-0.19	-0.16	-0.08	-0.18	-0.20	0.20	0.12	-0.09	-0.15	-0.10	0.07	0.20
Area	0.03	0.06	1.00	0.05	-0.04	-0.03	-0.01	-0.01	-0.01	-0.01	-0.00	0.01	-0.00	-0.01	0.01	0.01	0.01	-0.00	-0.00
Precio_Millon	0.22	0.65	0.05	1.00	0.41	0.32	0.21	-0.26	-0.18	-0.09	-0.25	-0.23	0.32	0.11	-0.13	-0.22	-0.17	0.20	0.32
Valor_m2_Millon	-0.23	0.08	-0.04	0.41	1.00	0.50	0.32	-0.37	-0.27	-0.19	-0.36	-0.33	0.46	0.20	-0.20	-0.35	-0.22	0.27	0.46
Valor_m2_Barrio	-0.18	0.16	-0.03	0.32	0.50	1.00	0.64	-0.66	-0.37	-0.41	-0.66	-0.59	0.82	0.37	-0.31	-0.64	-0.25	0.41	0.82
CONJUNTO_CERRADO	-0.11	0.16	-0.01	0.21	0.32	0.64	1.00	-0.84	-0.29	-0.51	-0.70	-0.66	0.80	0.60	-0.35	-0.78	0.04	0.09	0.80
INSEGURIDAD	0.12	-0.19	-0.01	-0.26	-0.37	-0.66	-0.84	1.00	0.50	0.60	0.85	0.75	-0.81	-0.54	0.30	0.74	0.10	-0.01	-0.81
TERMINALES_BUS	0.06	-0.16	-0.01	-0.18	-0.27	-0.37	-0.29	0.50	1.00	0.38	0.66	0.57	-0.52	-0.29	0.18	0.35	0.26	-0.11	-0.52
BARES_DISCO	0.11	-0.08	-0.01	-0.09	-0.19	-0.41	-0.51	0.60	0.38	1.00	0.60	0.51	-0.38	-0.25	-0.02	0.33	-0.06	0.27	-0.38
RUIDO	0.13	-0.18	-0.00	-0.25	-0.36	-0.66	-0.70	0.85	0.66	0.60	1.00	0.66	-0.77	-0.60	0.30	0.67	0.17	-0.12	-0.77
OSCURO_PELIGROSO	0.10	-0.20	0.01	-0.23	-0.33	-0.59	-0.66	0.75	0.57	0.51	0.66	1.00	-0.76	-0.49	0.42	0.69	0.23	-0.02	-0.76
SALARIO_MES	-0.15	0.20	-0.00	0.32	0.46	0.82	0.80	-0.81	-0.52	-0.38	-0.77	-0.76	1.00	0.50	-0.47	-0.76	-0.32	0.41	1.00
TIENE_ESCRITURA	-0.06	0.12	-0.01	0.11	0.20	0.37	0.60	-0.54	-0.29	-0.25	-0.60	-0.49	0.50	1.00	-0.61	-0.76	0.04	0.01	0.50
PERDIDA_TRABAJO_C19	0.06	-0.09	0.01	-0.13	-0.20	-0.31	-0.35	0.30	0.18	-0.02	0.30	0.42	-0.47	-0.61	1.00	0.67	0.43	-0.25	-0.47
PERDIDA_INGRESOS_C19	0.11	-0.15	0.01	-0.22	-0.35	-0.64	-0.78	0.74	0.35	0.33	0.67	0.69	-0.76	-0.76	0.67	1.00	0.20	-0.22	-0.76
PLANES_ADQUIRIR_VIVIENDA	0.07	-0.10	0.01	-0.17	-0.22	-0.25	0.04	0.10	0.26	-0.06	0.17	0.23	-0.32	0.04	0.43	0.20	1.00	-0.51	-0.32
COD_UPZ_GRUPO	-0.09	0.07	-0.00	0.20	0.27	0.41	0.09	-0.01	-0.11	0.27	-0.12	-0.02	0.41	0.01	-0.25	-0.22	-0.51	1.00	0.41
SALARIO_ANUAL_MI	-0.15	0.20	-0.00	0.32	0.46	0.82	0.80	-0.81	-0.52	-0.38	-0.77	-0.76	1.00	0.50	-0.47	-0.76	-0.32	0.41	1.00

	COD_UPZ_GRUPO
7578	810.00
8345	98.00
1246	816.00
8491	809.00
4602	47.00
...	...
5223	19.00
7929	85.00
1784	817.00
3268	14.00
7242	20.00

	COD_UPZ_GRUPO
8428	809.00
3079	14.00
6927	75.00
6861	75.00
2357	14.00
...	...
7777	85.00
1423	817.00
3916	803.00
8305	98.00
3989	803.00

	COD_UPZ_GRUPO
1512	817.00
7864	85.00
6058	21.00
1683	817.00
2481	14.00
...	...
6038	21.00
8875	102.00
2200	14.00
3883	803.00
8154	85.00

	COD_UPZ_GRUPO
6340	74.00
7805	85.00
4902	47.00
7041	100.00
2436	14.00
...	...
3323	14.00
3945	803.00
5572	27.00
3633	803.00
3652	803.00