Un reporte muy importante

Elaborado por

Nombre Apellido

Fecha de publicación

3 de diciembre de 2022

Antecedentes

Un párrafo introductorio en el que damos un poco de contexto e indicamos los antecedentes clave del problema que estamos abordando. También podemos decir algo acerca de la estructura que tendrá nuestro reporte. Así quien lee podrá hacerse una idea de qué es lo que encontrará más adelante.

Los datos

Los datos fueron obtenidos del sitio web del proyecto Gapminder y de la plataforma del Banco Mundial. Por acá debiésemos decir algunas cosas más sobre el procesamiento de los datos. En la Tabla 1 se presentan las variables incluidas en la versión final del set de datos utilizados.

Tabla 1: Variables incluidas en el set de datos
	Variable	Tipo	Descripcion
0	pais	caracter	Nombre del país
1	continente	caracter	Continente
2	anio	numérica	Año de la observación
3	esperanza_vida	numérica	Esperanza de vida al nacer en años
4	pib	numérica	Producto Interno Bruto (PIB) en dólares de 2017
5	poblacion	numérica	Población en millones

La versión del set de datos con la que se trabajó incluye observaciones para 178 países entre los años 1990 y 2020.

PIB per cápita en Chile

En la Figura 1 podemos observar la evolución del PIB en Chile en los últimos 30 años:

Población entre 2010 y 2020

En la Figura 2 podemos observar cómo ha aumentado la población en Chile durante los últimos 10 años:

Foco en 2009

Los datos disponibles para el año en cuestión se muestran en la siguiente tabla:

Variables de desarrollo
	esperanza_vida	poblacion	pib
1042	78.6	17	11200

--- title: "Un reporte muy importante" author: "Nombre Apellido" date: "2022-12-03" format: html: cap-location: top code-tools: true toc: true toc-location: left title-block-author-single: "Elaborado por" link-external-filter: "#7769F7" fig-align: left theme: estilos.scss mainfont: "Libre Franklin" self-contained: true lang: "es" execute: echo: false --- ```{python} #| message: false import pandas as pd import matplotlib.pyplot as plt import matplotlib as mpl from matplotlib.font_manager import FontManager; FontManager().findfont('Libre Franklin', rebuild_if_missing=True) import seaborn as sns from IPython.display import display, Markdown mpl.rcParams['font.sans-serif'] = ['Libre Franklin'] ``` ## Antecedentes Un párrafo introductorio en el que damos un poco de contexto e indicamos los antecedentes clave del problema que estamos abordando. También podemos decir algo acerca de la estructura que tendrá nuestro reporte. Así quien lee podrá hacerse una idea de qué es lo que encontrará más adelante. ## Los datos ```{python} datos = pd.read_csv("datos-desarrollo.csv") datos.poblacion = datos.poblacion/1000000 pais_analisis = datos[datos["pais"] == "Chile"] ``` Los datos fueron obtenidos del sitio web del proyecto [Gapminder](www.gapminder.org) y de la plataforma del [Banco Mundial](www.bancomundial.org). Por acá debiésemos decir algunas cosas más sobre el procesamiento de los datos. En la @tbl-variables se presentan las variables incluidas en la versión final del set de datos utilizados. ```{python} #| tbl-cap: "Variables incluidas en el set de datos" #| label: tbl-variables #| variables = datos.columns.values.tolist() tipo = ["caracter", "caracter", "numérica", "numérica", "numérica", "numérica"] descripcion = ["Nombre del país", "Continente", "Año de la observación", "Esperanza de vida al nacer en años", "Producto Interno Bruto (PIB) en dólares de 2017", "Población en millones"] columnas = list(zip(variables, tipo, descripcion)) tabla_variables = pd.DataFrame(columnas, columns=['Variable', 'Tipo', 'Descripcion']) tabla_variables ``` ```{python} total_paises = datos["pais"].nunique() min_anio = datos["anio"].min() max_anio = datos["anio"].max() display(Markdown(""" La versión del set de datos con la que se trabajó incluye observaciones para {total_paises} países entre los años {min_anio} y {max_anio}. """.format(total_paises = total_paises, min_anio = min_anio, max_anio = max_anio))) ``` ## PIB per cápita en Chile En la @fig-pib podemos observar la evolución del PIB en Chile en los últimos 30 años: ```{python} #| warning: false #| fig-cap: "PIB per cápita en dólares" #| label: fig-pib custom_params = {"axes.spines.right": False, "axes.spines.top": False} sns.set_theme(style = "white", rc = custom_params) figpib = sns.lineplot(data = pais_analisis, x = "anio", y = "pib", color = "#7769F7", linewidth = 4) figpib.set_ylabel("pib per cápita en dólares", fontfamily="Libre Franklin") figpib.set(xlabel = None) figpib.set_ylim(0, 15000) figpib.set_xticklabels([1985, 1990, 1995, 2000, 2005, 2010, 1015, 2020, 2025], fontfamily = "Libre Franklin") figpib.set_yticklabels([0, 2000, 4000, 6000, 8000, 10000, 12000, 14000], fontfamily = "Libre Franklin") figpib.tick_params(bottom = False, left = False) plt.show() ``` ## Población entre 2010 y 2020 En la @fig-pob podemos observar cómo ha aumentado la población en Chile durante los últimos 10 años: ```{python} #| warning: false #| fig-cap: "Población (en millones)" #| label: fig-pob ultimos_10 = pais_analisis[pais_analisis["anio"] >= 2010] figpob = sns.barplot(data = ultimos_10, x = "anio", y = "poblacion", color = "#7769F7") figpob.set_ylabel("población", fontfamily="Libre Franklin") figpob.set(xlabel = None) figpob.set_xticklabels(figpob.get_xticklabels(), fontfamily = "Libre Franklin") figpob.set_yticklabels([0, 2.5, 5, 7.5, 10, 12.5, 15, 17.5, 20], fontfamily = "Libre Franklin") figpob.tick_params(bottom = False, left = False) plt.show() ``` ## Foco en 2009 Los datos disponibles para el año en cuestión se muestran en la siguiente tabla: ```{python} #| warning: false #| tbl-cap: "Variables de desarrollo" foco = pais_analisis[pais_analisis["anio"] == 2009] foco['poblacion'] = foco['poblacion'].astype(int) foco['pib'] = foco['pib'].astype(int) foco[["esperanza_vida","poblacion","pib"]] ```