-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathEDA.py
384 lines (330 loc) · 16.7 KB
/
EDA.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
import numpy as np
import pandas as pd
import os
from datetime import datetime
import seaborn as sns
import matplotlib.pyplot as plt
pd.set_option('display.max_rows', 20)
# RENTAL
alq_alicante = pd.read_excel("raw/ALQ_COM_VALENCIANA.xlsx", sheet_name="ALQ_ALICANTE")
alq_castellon = pd.read_excel("raw/ALQ_COM_VALENCIANA.xlsx", sheet_name="ALQ_CASTELLON")
alq_valencia = pd.read_excel("raw/ALQ_COM_VALENCIANA.xlsx", sheet_name="ALQ_VALENCIA")
idealista_table = pd.read_csv("idealista_localidades_cv.csv")
### VALENCIA
alq_valencia = alq_valencia.drop('unidad',axis=1)
alq_valencia["date"]= pd.to_datetime(alq_valencia.Mes)
alq_valencia = alq_valencia.drop('Mes',axis=1)
alq_valencia.set_index("date", inplace=True)
alq_valencia = alq_valencia.sort_index(ascending=True)
alq_valencia = alq_valencia.rename(str.lower, axis='columns')
first_price = alq_valencia.precio_alq_valencia[0]
alq_valencia["precio_alq_valencia_normalizado"]= alq_valencia.precio_alq_valencia.div(first_price).mul(100)
### ALICANTE
alq_alicante = alq_alicante.drop('unidad',axis=1)
alq_alicante["date"]= pd.to_datetime(alq_alicante.Mes)
alq_alicante = alq_alicante.drop('Mes',axis=1)
alq_alicante.set_index("date", inplace=True)
alq_alicante = alq_alicante.sort_index(ascending=True)
alq_alicante = alq_alicante.rename(str.lower, axis='columns')
first_price = alq_alicante.precio_alq_alicante[0]
alq_alicante["precio_alq_alicante_normalizado"]= alq_alicante.precio_alq_alicante.div(first_price).mul(100)
### CASTELLON
alq_castellon = alq_castellon.drop('unidad',axis=1)
alq_castellon["date"]= pd.to_datetime(alq_castellon.Mes)
alq_castellon = alq_castellon.drop('Mes',axis=1)
alq_castellon.set_index("date", inplace=True)
alq_castellon = alq_castellon.sort_index(ascending=True)
alq_castellon = alq_castellon.rename(str.lower, axis='columns')
first_price = alq_castellon.precio_alq_castellon[0]
alq_castellon["precio_alq_castellon_normalizado"]= alq_castellon.precio_alq_castellon.div(first_price).mul(100)
# SALES
vta_valencia = pd.read_excel("raw/VTA_COM_VALENCIANA.xlsx", sheet_name="VALENCIA")
vta_alicante = pd.read_excel("raw/VTA_COM_VALENCIANA.xlsx", sheet_name="ALICANTE")
vta_castellon = pd.read_excel("raw/VTA_COM_VALENCIANA.xlsx", sheet_name="CASTELLON")
### VALENCIA
vta_valencia["date"]=[x.replace("-"," 20") for x in vta_valencia["fecha"]]
vta_valencia["date"]=pd.to_datetime(vta_valencia["date"])
vta_valencia.set_index("date", inplace=True)
vta_valencia = vta_valencia.sort_index(ascending=True)
vta_valencia = vta_valencia.rename(str.lower, axis='columns')
first_price = vta_valencia.precio_vta_valencia[0]
vta_valencia["precio_vta_valencia_normalizado"]= vta_valencia.precio_vta_valencia.div(first_price).mul(100)
vta_valencia = vta_valencia.drop("fecha", axis=1)
### ALICANTE
vta_alicante = vta_alicante.rename(columns={'fecha':'date'})
vta_alicante["date"] = pd.to_datetime(vta_alicante.date)
vta_alicante.set_index("date", inplace=True)
vta_alicante = vta_alicante.sort_index(ascending=True)
vta_alicante = vta_alicante.rename(str.lower, axis='columns')
first_price = vta_alicante.precio_vta_alicante[0]
vta_alicante["precio_vta_alicante_normalizado"]= vta_alicante.precio_vta_alicante.div(first_price).mul(100)
### CASTELLON
vta_castellon = vta_castellon.rename(columns={'fecha':'date'})
vta_castellon["date"] = pd.to_datetime(vta_castellon.date)
vta_castellon.set_index("date", inplace=True)
vta_castellon = vta_castellon.sort_index(ascending=True)
vta_castellon = vta_castellon.rename(str.lower, axis='columns')
vta_castellon = vta_castellon[vta_castellon["precio_vta_castellon"]>0]
first_price = vta_castellon.precio_vta_castellon[0]
vta_castellon["precio_vta_castellon_normalizado"]= vta_castellon.precio_vta_castellon.div(first_price).mul(100)
##################
##################
os.chdir("c:\\Users\\soler\\OneDrive\\THE_BRIDGE\\GITHUB\\DEREPO_ds_ft_sep_22\\Entregas\\EDA\\")
vta_valencia.to_csv("N_vta_valencia.csv")
vta_alicante.to_csv("N_vta_alicante.csv")
vta_castellon.to_csv("N_vta_castellon.csv")
alq_alicante.to_csv("N_alq_alicante.csv")
alq_valencia.to_csv("N_alq_valencia.csv")
alq_castellon.to_csv("N_alq_castellon.csv")
####################
####################
# COVID CASES
covid_cases = pd.read_csv("raw/COVID_nuevos_casos_notificados_CVAL.csv", sep=";", encoding='latin-1' )
covid_cases= covid_cases.drop("Unnamed: 4",axis=1) # drop de unnamed
covid_cases.drop(covid_cases.columns[[0,1]],axis=1, inplace=True) #drop columnas 1 y 2
covid_cases["Fecha"] = [x.replace("de","") for x in covid_cases["Fecha"]] # removes "de" in Fecha
dic_meses={ "enero":"01",
"febrero":"02",
"marzo":"03",
"abril":"04",
"mayo":"05",
"junio":"06" ,
"julio": "07" ,
"agosto":"08",
"septiembre": "09",
"setiembre":"09",
"octubre" : "10",
"noviembre" : "11",
"diciembre": "12" } # set dictionary of months days
covid_cases["Fecha"] = [x.replace(x.split()[1], dic_meses[x.split()[1]]) for x in covid_cases["Fecha"]] # changes month name by number
covid_cases["date"] = covid_cases["Fecha"].str.split().str[2]+"-"+ covid_cases["Fecha"].str.split().str[1]+"-"+covid_cases["Fecha"].str.split().str[0]
covid_cases.set_index("date", inplace=True)
covid_cases= covid_cases.drop("Fecha",axis=1)
covid_cases.to_csv("covid_cases.csv")
# TABLA IDEALISTA
idealista = pd.read_csv("tabla_idealista.csv")
idealista = idealista.drop("Unnamed: 0", axis=1)
idealista["precio"] = [x.split()[0].replace(",",".") for x in idealista["Precio_(€/m2)"]]
idealista["maximo"] = [x.split()[0].replace(",",".") for x in idealista["Maximo_historico(€/m2)"]]
idealista.drop(idealista.columns[[1,4]],axis=1, inplace=True)
idealista = idealista[["Localidad","precio", "maximo","Variacion_trimestral(%)","Variacion_anual(%)","Variacion_Maximo(%)"]]
idealista.to_csv("idealista_localidades_cv.csv")
# EURIBOR EVOLUTION
euribor = pd.read_csv("raw/FIN_evolucion_del_euribor_mensual.csv")
dic_inicio_mes={ "enero":"01-01",
"febrero":"02-01",
"marzo":"03-01",
"abril":"04-01",
"mayo":"05-01",
"junio":"06-01" ,
"julio": "07-01" ,
"agosto":"08-01",
"septiembre": "09-01",
"setiembre":"09-01",
"octubre" : "10-01",
"noviembre" : "11-01",
"diciembre": "12-01" }
euribor["Periodo"] = euribor["Periodo"].str.lower()
euribor["mes"] = [x.replace(x.split()[0],dic_inicio_mes[x.split()[0]])for x in euribor["Periodo"]]
euribor["Año"] = euribor["Año"].apply(str)
euribor["date"] = euribor["Año"]+"-"+euribor["mes"]
euribor = euribor.drop(euribor.columns[[0,1,3]], axis=1)
euribor = euribor[euribor.date > "2006-01-01"]
euribor["date"]= pd.to_datetime(euribor["date"])
euribor.set_index("date", inplace=True)
first_price = euribor.Euribor[0]
euribor["euribor_normalizado"]= euribor.Euribor.div(first_price).mul(100)
euribor.to_csv("N_euribor_mes.csv")
# MORTGAGE EXECUTIONS
mortgages = pd.read_csv("raw/FIN_ejecuciones_hipotecarias_comunidad_valenciana.csv")
print(mortgages)
mortgages["Periodo"] = pd.to_datetime(mortgages["Periodo"])
mortgages["Comunidad"] = mortgages["Comunidad"].str[3:]
mortgages = mortgages.drop("Total Nacional", axis=1)
mortgages.rename(columns= {"Periodo":"date"}, inplace=True)
mortgages.set_index("date", inplace=True)
mortgages = mortgages.sort_index(ascending=True)
mortgages = mortgages.rename(str.lower, axis="columns")
first_value = mortgages.total[0]
mortgages["executions_normalized"]= mortgages.total.div(first_value).mul(100)
mortgages.to_csv("N_Ejecuciones_hipotecarias_cv.csv")
# MORTGAGE TYPE
mort_type = pd.read_csv("raw/FIN_interes _fijo_vs_variable.csv")
mort_type = mort_type.rename(str.lower, axis="columns")
mort_type["date"] = pd.to_datetime(mort_type["periodo"])
mort_type = mort_type.drop(mort_type.columns[[1,2]],axis=1)
mort_type.set_index(mort_type["date"],inplace=True)
mort_type = mort_type.drop(mort_type.columns[[2]],axis=1)
mort_type.to_csv("emisiones_hipotecas_tipo.csv")
# RATES
### IPC
ipc_type = pd.read_csv("raw/IND_ipc_CV_evolucion.csv")
ipc_type = ipc_type.rename(str.lower, axis="columns")
ipc_type = ipc_type.drop("tipo de dato", axis=1)
ipc_type["date"] = pd.to_datetime(ipc_type["periodo"])
ipc_type = ipc_type.drop(ipc_type.columns[[0,2]], axis=1)
ipc_type["grupos_ipc_type"] = ipc_type["grupos ecoicop"].str[3:].str.lower()
ipc_type = ipc_type.drop("grupos ecoicop", axis=1)
ipc_type.set_index("date", inplace=True)
ipc_type.to_csv("ipc_type_cv_tipos.csv")
### IPC GENERAL
ipc = pd.read_csv("raw/IND_IPC_GENERAL.csv", sep=";", encoding="latin-1")
ipc = ipc.rename(str.lower, axis="columns")
ipc["date"] = ipc.periodo.apply(lambda x: x.replace("M","-"))
ipc["date"] = pd.to_datetime(ipc.date)
ipc = ipc.set_index("date")
ipc = ipc.sort_index(ascending=True)
ipc = ipc["2006-01-01":] # set time according to others DF
ipc = ipc.drop("periodo", axis=1)
ipc.total = ipc.total.apply((lambda x : x.replace(",",".")))
ipc.total = ipc.total.astype(float)
#### NORMALIZE
ipc = ipc.assign(ipc_normalizado = 'NAN')
ipc = ipc.reset_index()
ipc.loc[0,"ipc_normalizado"] = 100
pd.set_option('display.float_format', lambda x: '%.5f' % x)
for i in range(1,len(ipc)):
ipc.loc[i,"ipc_normalizado"] = ipc.loc[i-1,"ipc_normalizado"]+ipc.loc[i-1,"ipc_normalizado"]*ipc.loc[i-1,"total"]/100
ipc = ipc.set_index("date")
ipc.to_csv("N_ipc_general.csv")
### SMI
smia = pd.read_csv("raw/IND_SMI_ANUAL.csv", sep=",")
smia = smia.sort_index(ascending=False)
smia["date"] = pd.to_datetime(smia["date"])
smia.set_index("date", inplace=True)
first_smia = smia["smi"].iloc[0]
first_smia
smia["smi_normalizado"] = smia.smi.div(first_smia).mul(100)
smia.to_csv("N_smi_anual.csv")
dates = pd.date_range('2006-09-01','2022-09-01', freq='MS').to_frame()
prueba = pd.merge(smia,dates, left_index=True, right_index=True, how="outer")
prueba = pd.merge(smia,dates, left_index=True, right_index=True, how="outer")
smi = prueba.interpolate(method="linear")
smi.index.name = "date"
smi.rename(columns= {"variacion_anual_smi":"variacion_mensual_smi",
"var_anual_smi_b100":"CONTROL var_mensual_smi_b100"}, inplace=True)
smi.drop(0, axis=1, inplace=True)
smi = smi.sort_index(axis=0, ascending=True)
# TURISM
### TURISTS INCOMING EVOLUTION
nturi = pd.read_csv("raw/TUR_evolucion_del_numero_de_turistas_extranjeros_en_comunidad_valenciana__en_lo_que_va_de_año.csv",sep=",")
first_nturi = nturi["Nº acumulado de los turistas extranjeros"][0]
nturi["turists_normalized"] = nturi["Nº acumulado de los turistas extranjeros"].div(first_nturi).mul(100)
nturi["date"] = nturi["Año"].astype(str)+"-08-01"
nturi.date = pd.to_datetime(nturi.date)
nturi.set_index("date", inplace=True)
nturi = nturi.drop(nturi.columns[[0,1]], axis=1)
nturi.to_csv("N_numero_turistas_ingresados.csv")
# MIGRATION
### TO COMUNIDAD VALENCIANA MIGRATION EVOLUTION
migration = pd.read_csv("raw/migraciones interiores hacia valencia.csv")
migration["date"] = migration.Periodo.astype(str) + "-08-01"
migration = migration.drop("Comunidades y ciudades autonomas de destino", axis=1)
migration = migration.drop("Periodo", axis=1)
migration = migration.drop("Sexo", axis=1)
migration["Comunidades y ciudades autonomas de origen"] = migration["Comunidades y ciudades autonomas de origen"].str[3:]
migration.set_index("date", inplace=True)
migration.index = pd.to_datetime(migration.index)
migration = migration.sort_index(ascending=True)
groupby_migration = migration.groupby(["date","Comunidades y ciudades autonomas de origen"]).sum()
first_values = groupby_migration.loc[("2008"),"Total"].values
len(list(first_values) * 14)
groupby_migration["el_bicho_a_dividir"] = list(first_values) * 14
groupby_migration["normalized_migration"] = groupby_migration["Total"] / groupby_migration["el_bicho_a_dividir"] * 100
clean_migration = groupby_migration.reset_index(level=-1)
clean_migration.to_csv("Nsaldo_migratorio_interno_acomval.csv")
#*lista de DATAFRAMES*
#---
#---
# alq_valencia # rent prices for Valencia
# alq_alicante # rent prices for Alicante
# alq_castellon # rent prices for Castellon
# vta_valencia # sell prices for Valencia
# vta_alicante # sell prices for Alicante
# vta_castellon # sell prices for Castellon
# euribor # EURIBOR evolution
# mortgages # mortgages excecutions
# mort_type # mortgages emission types
# ipc # IPC evolution
# smia # minimum interpersonal salary anual evolution
# covid_cases # covid cases dettected by day
# nturi # number of turists entered CV by year
# clean_migration # internal migration to CV
# idealista_table # idealista scapping with selenium by city
##### PLOTS ######
comparation = pd.concat(
[alq_valencia["precio_alq_valencia_normalizado"],
alq_alicante["precio_alq_alicante_normalizado"],
alq_castellon["precio_alq_castellon_normalizado"],
vta_valencia["precio_vta_valencia_normalizado"],
vta_alicante["precio_vta_alicante_normalizado"],
vta_castellon["precio_vta_castellon_normalizado"],
euribor["euribor_normalizado"],
mortgages["executions_normalized"],
ipc["ipc_normalizado"],
smia["smi_normalizado"],
nturi["turists_normalized"],
], axis=1)
comparation = pd.concat(
[alq_valencia.loc['2008-08':'2022-08']["precio_alq_valencia_normalizado"],
alq_alicante.loc['2008-08':'2022-08']["precio_alq_alicante_normalizado"],
alq_castellon.loc['2008-08':'2022-08']["precio_alq_castellon_normalizado"],
vta_valencia.loc['2008-08':'2022-08']["precio_vta_valencia_normalizado"],
vta_alicante.loc['2008-08':'2022-08']["precio_vta_alicante_normalizado"],
vta_castellon.loc['2008-08':'2022-08']["precio_vta_castellon_normalizado"],
euribor.loc['2008-08':'2022-08']["euribor_normalizado"],
mortgages.loc['2008-08':'2022-08']["executions_normalized"],
ipc.loc['2008-08':'2022-08']["ipc_normalizado"],
smia.loc['2008-08':'2022-08']["smi_normalizado"],
nturi.loc['2008-08':'2022-08']["turists_normalized"],
], axis=1)
plt.figure(figsize=(15,15))
sns.heatmap(comparation.corr(),
vmin=-1,
vmax=1,
cmap=sns.diverging_palette(145, 280, s=85, l=25, n=7),
square=True,
linewidths=.1,
annot=True);
desde = "2015-08"
hasta = "2020-08"
comparation = pd.concat(
[alq_valencia.loc[desde:hasta]["precio_alq_valencia_normalizado"],
alq_alicante.loc[desde:hasta]["precio_alq_alicante_normalizado"],
alq_castellon.loc[desde:hasta]["precio_alq_castellon_normalizado"],
vta_valencia.loc[desde:hasta]["precio_vta_valencia_normalizado"],
vta_alicante.loc[desde:hasta]["precio_vta_alicante_normalizado"],
vta_castellon.loc[desde:hasta]["precio_vta_castellon_normalizado"],
euribor.loc[desde:hasta]["euribor_normalizado"],
mortgages.loc[desde:hasta]["executions_normalized"],
ipc.loc[desde:hasta]["ipc_normalizado"],
smia.loc[desde:hasta]["smi_normalizado"],
nturi.loc[desde:hasta]["turists_normalized"],
], axis=1)
plt.figure(figsize=(15,15))
sns.heatmap(comparation.corr(),
vmin=-1,
vmax=1,
cmap=sns.diverging_palette(5, 250, s=80, l=25, n=10),
square=True,
linewidths=.1,
annot=True);
#lineplot ###
year = alq_alicante.index[(alq_alicante.index >= '2008-08')&(alq_alicante.index <= '2022-08')]
turistas = nturi.loc['2008-08':'2022-08']["turists_normalized"].resample(rule="m", axis=0).mean().interpolate()
valencia_AL = alq_valencia.resample(rule="m", axis=0).mean().loc['2008-08':'2022-08']["precio_alq_valencia_normalizado"]#.interpolate()
alicante_AL = alq_alicante.resample(rule="m", axis=0).mean().loc['2008-08':'2022-08']["precio_alq_alicante_normalizado"]#.interpolate()
castellon_AL = alq_castellon.loc['2008-08':'2022-08']["precio_alq_castellon_normalizado"]#.interpolate()
plt.plot(year, turistas, 'g', label="TURISTAS")
plt.plot(year, valencia_AL, 'b', label="ALQU VALENCIA")
plt.plot(year, alicante_AL,'r', label="ALQU ALICANTE" )
plt.plot(year, castellon_AL,'c', label="ALQU CASTELLON" )
year = alq_alicante.index[(alq_alicante.index >= '2008-08')&(alq_alicante.index <= '2022-08')]
turistas = nturi.loc['2008-08':'2022-08']["turists_normalized"].resample(rule="m", axis=0).mean().interpolate()
valencia_VTA = vta_valencia.resample(rule="m", axis=0).mean().loc['2008-08':'2022-08']["precio_vta_valencia_normalizado"]#.interpolate()
alicante_VTA = vta_alicante.resample(rule="m", axis=0).mean().loc['2008-08':'2022-08']["precio_vta_alicante_normalizado"]#.interpolate()
castellon_VTA = vta_castellon.loc['2008-08':'2022-08']["precio_vta_castellon_normalizado"]#.interpolate()
plt.plot(year, turistas, 'g', label="TURISTAS")
plt.plot(year, valencia_VTA, 'b', label="VTA VALENCIA")
plt.plot(year, alicante_VTA,'r', label="VTA ALICANTE" )
plt.plot(year, castellon_VTA,'c', label="VTA CASTELLON" )