from django.views.generic import TemplateView from django.shortcuts import HttpResponse, render import pandas as pd import plotly import plotly.offline as pyo from plotly.graph_objs import * import plotly.graph_objects as go import plotly.express as px import geopandas as gpd import json import urllib.request import numpy as np import requests # views.py from django.template import loader import matplotlib.pyplot as plt from matplotlib.backends.backend_pdf import PdfPages from datetime import datetime import io from io import BytesIO import seaborn as sns def generar_informe(request): # Cargar el archivo Excel file_path = 'ESTADISTICAS_11_2024.xlsx' # Cambia esto por la ruta de tu archivo df = pd.read_excel(file_path, sheet_name='ESTADISTICAS_11_2024') # Obtener la fecha actual fecha_actual = datetime.now().strftime("%d-%m-%Y") # Lógica para generar el informe como se explicó previamente total_medicos = len(df) medicos_por_sexo = df['SEXO'].value_counts() medicos_por_sexo.index = ["Femenino" if i == "F" else "Masculino" for i in medicos_por_sexo.index] medicos_por_sexo_pct = (medicos_por_sexo / total_medicos) * 100 departamentos_a_excluir = ["Ciudad de Buenos Aires", "San Fernando", "Buenos Aires", "Paraná"] medicos_por_departamento = df[~df['DPTO'].isin(departamentos_a_excluir)]['DPTO'].value_counts() medicos_por_departamento_pct = (medicos_por_departamento / medicos_por_departamento.sum()) * 100 medicos_con_especialidad = df['TIENE ESPECIALIDAD'].value_counts().get('SI', 0) medicos_con_especialidad_pct = (medicos_con_especialidad / total_medicos) * 100 especialidades = pd.concat([df['ESPECIALIDAD 1'], df['ESPECIALIDAD 2'], df['ESPECIALIDAD 3'], df['ESPECIALIDAD 4']]) especialidades = especialidades.dropna().value_counts() medicos_por_decada = df['DECADA'].value_counts().sort_index() current_year = datetime.now().year matriculas_por_anio = df['MATRICULA'].value_counts().sort_index() matriculas_por_anio = matriculas_por_anio[matriculas_por_anio.index >= current_year - 30] especialistas_por_departamento = df[(df['TIENE ESPECIALIDAD'] == 'SI') & (~df['DPTO'].isin(['Paraná']))]['DPTO'].value_counts() especialistas_por_departamento_pct = (especialistas_por_departamento / especialistas_por_departamento.sum()) * 100 poblacion_df = pd.DataFrame({ 'DPTO': ['La Capital', 'Las Colonias', 'Castellanos', 'San Jeronimo', 'San Martin', 'Garay', 'San Javier', 'San Justo', 'San Cristobal', 'General Obligado', 'Vera', '9 de Julio'], 'poblacion': [570732, 116020, 192517, 84189, 69426, 24853, 33936, 47061, 72574, 197544, 56553, 31371] }) # Calcular la cantidad de médicos por 1000 habitantes medicos_por_departamento_poblacion = df['DPTO'].value_counts().reset_index() medicos_por_departamento_poblacion.columns = ['DPTO', 'cantidad'] medicos_por_departamento_poblacion = pd.merge(medicos_por_departamento_poblacion, poblacion_df, on='DPTO', how='left') medicos_por_departamento_poblacion['medicos_por_habitantes'] = medicos_por_departamento_poblacion['cantidad'] / medicos_por_departamento_poblacion['poblacion'] * 1000 # Calcular la cantidad de médicos por sexo en cada departamento medicos_por_sexo_departamento = df.groupby(['DPTO', 'SEXO']).size().unstack(fill_value=0) medicos_por_sexo_departamento.columns = ["Femenino", "Masculino"] # Calcular la cantidad de médicos con y sin especialidad en cada departamento medicos_especialidad_departamento = df.groupby(['DPTO', 'TIENE ESPECIALIDAD']).size().unstack(fill_value=0) medicos_especialidad_departamento.columns = ["Sin Especialidad", "Con Especialidad"] pdf_file = io.BytesIO() with PdfPages(pdf_file) as pdf: # Aquí va todo el código para crear los gráficos, similar a como lo tenías antes, pero cambiando `pdf.savefig(fig)` por la escritura al `response`. # Portada fig, ax = plt.subplots(figsize=(11, 8.5)) ax.text(0.5, 0.6, "Estadísticas Colegio de Médicos", fontsize=28, ha='center', va='center') ax.text(0.5, 0.4, f"Fecha: {fecha_actual}", fontsize=20, ha='center', va='center') ax.axis('off') plt.tight_layout() pdf.savefig(fig) plt.close() # Total de Médicos fig, ax = plt.subplots(figsize=(11, 8.5)) ax.text(0.5, 0.5, f"Cantidad Total de Médicos: {total_medicos}", fontsize=24, ha='center') ax.axis('off') plt.tight_layout() pdf.savefig(fig) plt.close() # Gráfico de Médicos por Sexo fig, ax = plt.subplots(figsize=(11, 8.5)) medicos_por_sexo.plot(kind='bar', ax=ax, color=['skyblue', 'salmon'], title="Cantidad de Médicos por Sexo") ax.set_xlabel("Sexo") ax.set_ylabel("Cantidad de Médicos") for i, (v, pct) in enumerate(zip(medicos_por_sexo, medicos_por_sexo_pct)): ax.text(i, v + 5, f"{v} ({pct:.1f}%)", ha='center', fontsize=12) ax.tick_params(axis='x', rotation=0) plt.tight_layout() pdf.savefig(fig) plt.close() # Gráfico de Médicos por Departamento fig, ax = plt.subplots(figsize=(11, 8.5)) medicos_por_departamento.plot(kind='pie', autopct='%1.1f%%', ax=ax, title="Cantidad de Médicos por Departamento") ax.set_ylabel("") plt.tight_layout() pdf.savefig(fig) plt.close() fig, ax = plt.subplots(figsize=(11, 8.5)) ax.text(0.5, 0.5, f"Médicos con Especialidad: {medicos_con_especialidad} ({medicos_con_especialidad_pct:.1f}%)", fontsize=24, ha='center') ax.axis('off') plt.tight_layout() pdf.savefig(fig) plt.close() # Gráfico de Profesionales por Sexo en cada Departamento fig, ax = plt.subplots(figsize=(14, 8)) medicos_por_sexo_departamento.plot(kind='bar', ax=ax, color=['salmon', 'skyblue'], width=0.4, position=0.5) ax.set_title("Cantidad de Profesionales por Sexo en cada Departamento") ax.set_xlabel("Departamento") ax.set_ylabel("Cantidad de Profesionales") plt.xticks(rotation=45, ha='right') # Etiquetas sobre cada barra for i in range(len(medicos_por_sexo_departamento)): for j, gender in enumerate(["Femenino", "Masculino"]): value = medicos_por_sexo_departamento.iloc[i, j] ax.text(i + (j - 0.5) * 0.4, value + 1, str(value), ha='center', va='bottom', fontsize=10) plt.tight_layout() pdf.savefig(fig) plt.close() # Gráfico de Profesionales con y sin Especialidad por Departamento fig, ax = plt.subplots(figsize=(14, 8)) medicos_especialidad_departamento.plot(kind='bar', ax=ax, color=['grey', 'purple'], width=0.4, position=0.5) ax.set_title("Cantidad de Profesionales con y sin Especialidad por Departamento") ax.set_xlabel("Departamento") ax.set_ylabel("Cantidad de Profesionales") plt.xticks(rotation=45, ha='right') # Etiquetas sobre cada barra for i, depto in enumerate(medicos_especialidad_departamento.index): for j, label in enumerate(["Sin Especialidad", "Con Especialidad"]): value = medicos_especialidad_departamento.loc[depto, label] ax.text(i + (j - 0.5) * 0.4, value + 1, str(value), ha='center', va='bottom', fontsize=10) plt.tight_layout() pdf.savefig(fig) plt.close() # Cantidad de Médicos por Especialidad (barras horizontales con etiquetas y tamaño ajustado) fig, ax = plt.subplots(figsize=(14, 10)) # Ajuste del tamaño de la figura especialidades.plot(kind='barh', ax=ax, color='purple', title="Cantidad de Médicos por Especialidad") ax.set_xlabel("Cantidad de Médicos") ax.set_ylabel("Especialidad") plt.subplots_adjust(left=0.3, right=0.95, top=0.9, bottom=0.1) # Ajuste para evitar solapamiento for i, v in enumerate(especialidades): ax.text(v + 5, i, str(v), va='center', fontsize=10) plt.tight_layout() pdf.savefig(fig) plt.close() # Médicos por Rango de Edad (Década) en la tercera hoja fig, ax = plt.subplots(figsize=(11, 8.5)) medicos_por_decada.plot(kind='bar', ax=ax, color='orange', title="Cantidad de Médicos por Rango de Edad") ax.set_xlabel("Rango de Edad (Década)") ax.set_ylabel("Cantidad de Médicos") for i, v in enumerate(medicos_por_decada): ax.text(i, v + 5, str(v), ha='center', fontsize=12) ax.tick_params(axis='x', rotation=45) # Rotar las etiquetas del eje X plt.tight_layout() pdf.savefig(fig) plt.close() # Crear una tabla con la cantidad de personas por sexo y década edad_sexo = df.groupby(['DECADA', 'SEXO']).size().unstack().fillna(0) edad_sexo = edad_sexo.reindex(columns=['F', 'M']) # Asegura que el orden sea siempre Femenino, Masculino # Cambiar los valores para el gráfico de pirámide: el grupo masculino será negativo edad_sexo['M'] = -edad_sexo['M'] # Crear el gráfico fig, ax = plt.subplots(figsize=(10, 8)) edad_sexo.plot(kind='barh', stacked=True, ax=ax, color=['salmon', 'skyblue']) # Etiquetas y formato ax.set_xlabel("Cantidad de Personas") ax.set_ylabel("Grupo Etario (Década)") ax.set_title("Pirámide de Edad por Sexo") ax.legend(["Femenino", "Masculino"], loc="upper right") # Agregar etiquetas en las barras for i, (fem, masc) in enumerate(zip(edad_sexo['F'], edad_sexo['M'])): ax.text(fem + 5, i, int(fem), va='center', color='black') ax.text(masc - 5, i, int(-masc), va='center', color='black') plt.tight_layout() pdf.savefig(fig) plt.close() # Médicos Matriculados por Año (últimos 30 años) en la cuarta hoja fig, ax = plt.subplots(figsize=(14, 8.5)) matriculas_por_anio.plot(kind='bar', ax=ax, color='green', title="Cantidad de Médicos Matriculados por Año (Últimos 30 Años)") ax.set_xlabel("Año de Matricula") ax.set_ylabel("Cantidad de Médicos") for i, v in enumerate(matriculas_por_anio): ax.text(i, v + 5, str(v), ha='center', fontsize=12) ax.tick_params(axis='x', rotation=45) # Rotar las etiquetas del eje X plt.tight_layout() pdf.savefig(fig) plt.close() # Crear el gráfico de barras fig, ax = plt.subplots(figsize=(11, 8.5)) medicos_por_departamento_poblacion.plot(x='DPTO', y='medicos_por_habitantes', kind='bar', ax=ax, title="Cantidad de Médicos por 1000 Habitantes por Departamento") ax.set_xlabel("Departamento") ax.set_ylabel("Médicos por 1000 Habitantes") # Agregar valores en las barras for i, v in enumerate(medicos_por_departamento_poblacion['medicos_por_habitantes']): ax.text(i, v + 0.1, f"{v:.2f}", ha='center', va='bottom', fontsize=10) ax.tick_params(axis='x', rotation=45) # Rotar las etiquetas del eje X # Ajustar los límites del gráfico para evitar recorte de las etiquetas plt.tight_layout() pdf.savefig(fig) plt.close() # Gráficos adicionales: Cantidad de Especialistas por Departamento (gráfico circular) fig, ax = plt.subplots(figsize=(11, 8.5)) especialistas_por_departamento.plot(kind='pie', autopct='%1.1f%%', ax=ax, title="Cantidad de Especialistas por Departamento") ax.set_ylabel("") pdf.savefig(fig) plt.close() # 1. Gráficos de Especialidades por Departamento con barras horizontales y cantidades agregadas sin leyenda departamentos_especialidades = df[df['TIENE ESPECIALIDAD'] == 'SI'].groupby('DPTO').apply(lambda x: x[['ESPECIALIDAD 1', 'ESPECIALIDAD 2', 'ESPECIALIDAD 3', 'ESPECIALIDAD 4']].stack().value_counts()) for dpto, data in departamentos_especialidades.groupby(level=0): fig, ax = plt.subplots(figsize=(16, 12)) # Aumentar el tamaño para mejorar visibilidad data.droplevel(0).plot(kind='barh', ax=ax, color='skyblue', title=f"Especialidades en {dpto}") ax.set_xlabel("Cantidad") ax.set_ylabel("Especialidad") # Agregar las cantidades encima de las barras for i, v in enumerate(data): ax.text(v + 0.5, i, str(v), va='center', fontsize=12) # Ajuste de la posición de las cantidades # Eliminar la leyenda (None) ax.legend().set_visible(False) # Hacer la leyenda invisible # Ajustar los límites del eje Y para evitar recorte de las barras ax.set_ylim([-0.5, len(data) - 0.5]) # Ajustar los límites del eje Y para evitar recorte de las barras # Ajustar márgenes para mover el gráfico más a la derecha plt.subplots_adjust(right=0.75, top=0.9, bottom=0.1, left=0.25) # Aumentar el valor de 'left' para mover el gráfico a la derecha plt.tight_layout() pdf.savefig(fig) plt.close() pdf_file.seek(0) # Devolver el archivo PDF como respuesta HTTP response = HttpResponse(pdf_file, content_type='application/pdf') response['Content-Disposition'] = 'attachment; filename="Informe_Medicos_Estadisticas_Grande.pdf"' return response def Table(request): #carga del archivo-------------------------------------------------------------- df = pd.read_csv ('ESTADISTICAS_11_2024.csv') #profesionales por sexo--------------------------------------------------------- labels_sexo={'F':'Femenino','M':'Masculino'} df['SEXO'] = df['SEXO'].map(labels_sexo) # Reemplaza 'F' y 'M' por las etiquetas df_sexo = df['SEXO'].value_counts() # Crear el gráfico de torta trace_sexo = px.pie( names=df_sexo.index, # Usar los índices de los valores (Femenino/Masculino) values=df_sexo.values, # Usar los valores de conteo title='Profesionales por Sexo' ) total_medicos = 'Total de Profesionales Médicos Activos: '+ str(len(df)) plot_sexo = pyo.plot(trace_sexo, output_type='div') # Filtrar solo los departamentos de Santa Fe (asegúrate de que los nombres coincidan con tu archivo) departamentos_santafe = [ 'La Capital', 'Las Colonias', 'Castellanos', 'San Jeronimo', 'San Martin', 'Garay', 'San Javier', 'San Justo', 'San Cristobal', 'General Obligado', 'Vera', '9 de Julio' # Agrega todos los departamentos de Santa Fe ] df_santafe = df[df['DPTO'].isin(departamentos_santafe)] # Esta línea es solo para verificar la estructura de los datos # Agrupar por departamento y sexo para obtener el conteo df_grouped = df_santafe.groupby(['DPTO', 'SEXO']).size().reset_index(name='CANTIDAD') # Crear gráfico de barras agrupadas con valores en las barras fig = px.bar( df_grouped, x='DPTO', y='CANTIDAD', color='SEXO', barmode='group', title='Cantidad de Profesionales por Departamento y Sexo en Santa Fe', labels={'DPTO': 'Departamento', 'CANTIDAD': 'Cantidad de Profesionales', 'SEXO': 'Sexo'}, height=600, width=1000, text='CANTIDAD' # Agregar los valores de cantidad a cada barra ) # Configuración para mostrar los valores automáticamente sobre cada barra fig.update_traces(textposition='outside') # Coloca el texto por encima de cada barra # Generar y mostrar el gráfico en un div HTML plot_barras_sexo = pyo.plot(fig, output_type='div') # Filtrar los departamentos de Santa Fe departamentos_santafe = [ 'La Capital', 'Las Colonias', 'Castellanos', 'San Jeronimo', 'San Martin', 'Garay', 'San Javier', 'San Justo', 'San Cristobal', 'General Obligado', 'Vera', '9 de Julio' ] df_santafe = df[df['DPTO'].isin(departamentos_santafe)] # Crear una columna que indique si el profesional tiene al menos una especialidad df_santafe['CON_ESPECIALIDAD'] = df_santafe[['ESPECIALIDAD 1', 'ESPECIALIDAD 2', 'ESPECIALIDAD 3', 'ESPECIALIDAD 4']].notna().any(axis=1) # Contar los profesionales por departamento y si tienen especialidad df_conteo = df_santafe.groupby(['DPTO', 'CON_ESPECIALIDAD']).size().reset_index(name='Cantidad') # Mapear True/False a "Con Especialidad" y "Sin Especialidad" df_conteo['CON_ESPECIALIDAD'] = df_conteo['CON_ESPECIALIDAD'].map({True: 'Con Especialidad', False: 'Sin Especialidad'}) # Crear el gráfico de barras agrupadas fig = px.bar( df_conteo, x='DPTO', y='Cantidad', color='CON_ESPECIALIDAD', barmode='group', title='Profesionales por Departamento en Santa Fe (Con y Sin Especialidad)', labels={'DPTO': 'Departamento', 'Cantidad': 'Cantidad de Profesionales', 'CON_ESPECIALIDAD': 'Especialidad'}, height=800, width=1000 ) fig.update_traces(texttemplate='%{y}', textposition='outside') plot_dpto_esp = pyo.plot(fig, output_type='div') #profesionales por departamento------------------------------------------------- # Conteo de profesionales por departamento # Lista de departamentos de Santa Fe (ajusta según los nombres exactos en tu archivo) departamentos_santafe = [ 'La Capital', 'Las Colonias', 'Castellanos', 'San Jeronimo', 'San Martin', 'Garay', 'San Javier', # Agrega todos los departamentos 'San Justo', 'San Cristobal', 'General Obligado ', 'Vera', '9 de Julio', # Continúa con todos los departamentos de Santa Fe ] df_santafe = df[df['DPTO'].isin(departamentos_santafe)] df_depto = df_santafe['DPTO'].value_counts() # Crear el gráfico de torta trace_dpto = px.pie( names=df_depto.index, # Departamentos como etiquetas values=df_depto.values, # Cantidad de profesionales title='Profesionales por Departamento en Santa Fe', height=800, width=800 ) # Configuración de trazas trace_dpto.update_traces(textposition='auto', textinfo='percent+label') # Generar el gráfico como un div HTML plot_dpto = pyo.plot(trace_dpto, output_type='div') #profesionales por edad--------------------------------------------------------- # Campo para agrupar por década de edad field = "DECADA" data = df[field].value_counts().to_frame(name='count') # Renombramos la columna para mayor claridad total = data['count'].sum() # Calcular el porcentaje para cada grupo de edad data['percentage'] = 100 * data['count'] / total # Filtrar datos según el límite de porcentaje percent_limit = 1 otherdata = data[data['percentage'] < percent_limit] # Datos con porcentaje menor al límite others_percentage = otherdata['percentage'].sum() # Sumar el porcentaje de estos grupos # Datos principales (>= 1% de porcentaje) maindata = data[data['percentage'] >= percent_limit] # Agregar grupo "90 o mayores" para porcentajes menores al límite other_label = "90 o mayores" maindata.loc[other_label] = pd.Series({ 'count': otherdata['count'].sum(), 'percentage': others_percentage }) # Crear gráfico de barras title = "Profesionales por Edad" trace_edad = px.bar( maindata, x=maindata.index, # Etiquetas en el eje X y='count', # Valores en el eje Y title=title, labels={'x': 'Rango de Edades', 'y': 'Cantidad de Profesionales'}, color='count', # Color basado en el conteo de profesionales color_continuous_scale='Blues' ) # Generar el gráfico como un div HTML plot_edad = pyo.plot(trace_edad, output_type='div') #Tiene especialidad------------------------------------------------------------ # ----------------------------------------- # Profesionales con y sin especialidad # ----------------------------------------- df_especialidad = df['TIENE ESPECIALIDAD'].value_counts() # Crear el gráfico de torta para "¿Tienen Especialidad?" trace_especialidad = px.pie( names=df_especialidad.index, # Etiquetas (Con/Sin Especialidad) values=df_especialidad.values, # Valores de conteo title='¿Tienen Especialidad?' ) # Generar el gráfico como un div HTML plot_especialidad = pyo.plot(trace_especialidad, output_type='div') # ----------------------------------------- # Profesionales por especialidad (hasta 4 especialidades) # ----------------------------------------- # Concatenamos todas las especialidades (1 a 4) para contar cada especialidad especialidades = pd.concat([df['ESPECIALIDAD 1'], df['ESPECIALIDAD 2'], df['ESPECIALIDAD 3'], df['ESPECIALIDAD 4']]) # Contamos la cantidad de profesionales por especialidad (eliminando valores NaN) df_especialidad_1 = especialidades.value_counts().dropna() # Crear el gráfico de barras para "Profesionales por Especialidad" trace_especialidad_1 = px.bar( x=df_especialidad_1.index, # Especialidades y=df_especialidad_1.values, # Número de profesionales title='Profesionales por Especialidad', labels={'x': 'Especialidad', 'y': 'Cantidad de Profesionales'}, color=df_especialidad_1.values, # Colorear según cantidad height=800, width=800 ) # Generar el gráfico como un div HTML plot_df_especialidad_1 = pyo.plot(trace_especialidad_1, output_type='div') #AÑO MATRICULACION------------------------------------------------------------ # AÑO MATRICULACION------------------------------------------------------------ # Contamos la cantidad de profesionales por año de matriculación df_año_matricula = df['MATRICULA'].value_counts().sort_index() # Filtrar para los últimos 40 años current_year = pd.to_datetime('today').year # Obtener el año actual last_40_years = range(current_year - 40, current_year + 1) # Crear un rango de los últimos 40 años # Filtramos los datos para incluir solo los años dentro del rango de los últimos 40 años df_año_matricula = df_año_matricula[df_año_matricula.index.isin(last_40_years)] # Configuración para el gráfico legend_año_matricula = {'x': 'Año de Matriculación', 'y': 'Cantidad de Profesionales'} # Crear el gráfico de barras trace_año_matricula = px.bar( df_año_matricula, # Contenido para el gráfico x=df_año_matricula.index, # Año de matriculación (eje X) y=df_año_matricula.values, # Cantidad de profesionales (eje Y) title='Cantidad de Profesionales Matriculados por Años (últimos 40 años)', color=df_año_matricula.values, # Colorear según cantidad de profesionales labels=legend_año_matricula, # Etiquetas de los ejes height=800, # Altura del gráfico width=800 # Ancho del gráfico ) # Generar el gráfico como un div HTML plot_año_matricula = pyo.plot(trace_año_matricula, output_type='div') #MATRICULADOS POR DEPARTAMENTO------------------------------------------------------------ # Cargar datos de los departamentos santafe_departamentos = json.load(open("departamento.json", 'r')) # Crear un mapa de IDs de departamentos departamento_id_map = {} for feature in santafe_departamentos['features']: feature['id'] = feature['properties']['gid'] departamento_id_map[feature['properties']['nam']] = feature['id'] # Lista de departamentos de Santa Fe departamentos_santafe = [ 'La Capital', 'Las Colonias', 'Castellanos', 'San Jeronimo', 'San Martin', 'Garay', 'San Javier', 'San Justo', 'San Cristobal', 'General Obligado', 'Vera', '9 de Julio', # Agrega todos los departamentos necesarios ] # Filtrar los datos para solo incluir los departamentos de Santa Fe df_santafe = df[df['DPTO'].isin(departamentos_santafe)] # Agrupar por departamento y contar médicos df_d = df_santafe.groupby('DPTO').size().reset_index(name='cantidad') # Mapear el nombre del departamento al ID del departamento df_d['id'] = df_d['DPTO'].apply(lambda x: departamento_id_map.get(x)) # Cargar datos de población por departamento (ejemplo) poblacion_df = pd.DataFrame({ 'DPTO': ['La Capital', 'Las Colonias', 'Castellanos', 'San Jeronimo', 'San Martin', 'Garay', 'San Javier', 'San Justo', 'San Cristobal', 'General Obligado', 'Vera', '9 de Julio'], 'poblacion': [570732, 116020, 192517, 84189, 69426, 24853, 33936, 47061, 72574, 197544, 56553, 31371] }) # Unir los datos de población con los datos de médicos df_d = pd.merge(df_d, poblacion_df, on='DPTO', how='left') # Calcular la cantidad de médicos por habitantes df_d['medicos_por_habitantes'] = df_d['cantidad'] / df_d['poblacion'] * 1000 # Por cada 1000 habitantes # Generar el mapa coroplético fig = px.choropleth( df_d, locations='id', geojson=santafe_departamentos, color='medicos_por_habitantes', hover_name='DPTO', hover_data=['cantidad', 'poblacion', 'medicos_por_habitantes'], width=1000, height=1000, color_continuous_scale='Reds' ) # Configuración adicional del mapa fig.update_geos(fitbounds="locations", visible=False) fig.update_layout( title_text='Cantidad de Médicos por cada 1000 Habitantes en Santa Fe', title_x=0.5, # Centrar el título margin={"r": 0, "t": 50, "l": 0, "b": 0}, # Ajustar los márgenes coloraxis_colorbar_title_text="Médicos por 1000 Habitantes", coloraxis_colorbar_tickformat=".2f" # Formato de los ticks en la barra de colores ) # Mostrar el gráfico en una salida interactiva (para Django o Jupyter Notebook) plot_geo = plotly.offline.plot(fig, output_type='div') # Crear el gráfico de barras fig = px.bar( df_d, x='DPTO', y='medicos_por_habitantes', title='Cantidad de Médicos por cada 1000 Habitantes en Santa Fe', color_discrete_sequence=['#ff0000'] * len(df_d), # Color rojo para todas las barras hover_data=['cantidad', 'poblacion'] ) # Configuración adicional del gráfico fig.update_layout( xaxis_title='Departamento', yaxis_title='Médicos por 1000 Habitantes', font_size=12, margin={"r": 0, "t": 50, "l": 0, "b": 0} # Ajustar los márgenes ) plot_cant = plotly.offline.plot(fig, output_type='div') #SUNBURST------------------------------------------------------------ # Unificar las columnas de especialidades y contar por departamento especialidades = pd.concat([ df[['DPTO', 'ESPECIALIDAD 1']].rename(columns={'ESPECIALIDAD 1': 'ESPECIALIDAD'}), df[['DPTO', 'ESPECIALIDAD 2']].rename(columns={'ESPECIALIDAD 2': 'ESPECIALIDAD'}), df[['DPTO', 'ESPECIALIDAD 3']].rename(columns={'ESPECIALIDAD 3': 'ESPECIALIDAD'}), df[['DPTO', 'ESPECIALIDAD 4']].rename(columns={'ESPECIALIDAD 4': 'ESPECIALIDAD'}) ]) # Filtrar filas donde 'ESPECIALIDAD' no sea nulo especialidades = especialidades.dropna(subset=['ESPECIALIDAD']) # Agrupar y contar especialidades por departamento especialistas_por_dpto = especialidades.groupby(['DPTO', 'ESPECIALIDAD']).size().reset_index(name='CANTIDAD') # Crear gráfico de sunburst fig = px.sunburst(especialistas_por_dpto, path=['DPTO', 'ESPECIALIDAD'], values='CANTIDAD', title="Especialistas por Departamento", width=1000, # Ancho en píxeles height=1000 # Alto en píxeles ) # Convertir el gráfico en un HTML div plot_sun = plotly.offline.plot(fig, output_type='div') #BUBBLE------------------------------------------------------------ # Crear gráfico de burbujas fig = px.scatter(especialistas_por_dpto, x='DPTO', y='ESPECIALIDAD', size='CANTIDAD', color='DPTO', title="Cantidad de Especialistas por Departamento y Especialidad", labels={'DPTO': 'Departamento', 'ESPECIALIDAD': 'Especialidad', 'CANTIDAD': 'Cantidad de Especialistas'}, hover_name='ESPECIALIDAD', size_max=60, # Tamaño máximo de las burbujas width=1200, height=800 ) plot_bubble = pyo.plot(fig, output_type='div') #tabla------------------------------------------------------------ # Agrupar por departamento y especialidad y contar la cantidad de especialistas especialistas_por_dpto_esp = especialidades.groupby(['DPTO', 'ESPECIALIDAD']).size().reset_index(name='CANTIDAD') especialistas_por_dpto_esp = especialistas_por_dpto_esp.sort_values(by=['DPTO', 'CANTIDAD'], ascending=[True, False]) # Crear la tabla con Plotly fig = go.Figure( data=[go.Table( header=dict( values=["Departamento", "Especialidad", "Cantidad de Especialistas"], fill_color='lightblue', align='left', font=dict(size=14, color='black') ), cells=dict( values=[ especialistas_por_dpto_esp['DPTO'], especialistas_por_dpto_esp['ESPECIALIDAD'], especialistas_por_dpto_esp['CANTIDAD']], fill_color='white', align='left', font=dict(size=12, color='black') ) )] ) # Título de la tabla fig.update_layout(title="Cantidad de Especialistas por Departamento y Especialidad", height=1000, # Altura de la tabla (ajústalo según tus necesidades) width=1500 # Ancho de la tabla (ajústalo según tus necesidades) ) plot_table = pyo.plot(fig, output_type='div') return render(request, "estadisticas/home.html", context={ 'total_medicos':total_medicos, 'plot_sexo': plot_sexo, 'plot_barras_sexo':plot_barras_sexo, 'plot_edad': plot_edad, 'plot_dpto': plot_dpto, 'plot_dpto_esp': plot_dpto_esp, 'plot_geo':plot_geo, 'plot_cant':plot_cant, 'plot_año_matricula':plot_año_matricula, 'plot_especialidad':plot_especialidad, 'plot_df_especialidad_1':plot_df_especialidad_1, 'plot_geo':plot_geo, 'plot_sun':plot_sun, 'plot_bubble':plot_bubble, 'plot_table':plot_table, #'plot_graph':plot_graph }) class HomePageView(TemplateView): template_name = 'estadisticas/home.html'