victima_suicidio.pdf

victima_suicidio
October 24, 2022
[1]: import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import xlrd
import openpyxl
pd.__version__
[1]: '1.5.0'
Fuente: Sistema Nacional de Información criminal-Sistema de Alerta temprana.Pertenecientes al
Ministerio de Seguridad de la Nación
[2]: #cargar datos
df_data=pd.read_excel('Integrado_SS_base_usuaria_2017-2020 (1).xlsx')
[3]: #se muestra el dataframe
df_data
[3]: id_hecho federal Cod_INDEC_Prov provincia agrupacion
0 8529 No 42 LA PAMPA Norte (General Pico)
1 8530 No 42 LA PAMPA Sur (General Acha)
2 8569 No 78 SANTA CRUZ Güer Aike
3 8705 No 58 NEUQUEN Confluencia
… … … … … …
13805 28234 No 6 BUENOS AIRES General Alvear
13806 28235 No 6 BUENOS AIRES Laprida
13807 28236 No 6 BUENOS AIRES Bahía Blanca
13808 28237 No 6 BUENOS AIRES Marcos Paz
13809 28238 No 6 BUENOS AIRES Lobos
codigo_agrupacion codigo_departamento Cod_INDEC departamento
0 2 2 42002 Norte (General Pico)
1 3 3 42003 Sur (General Acha)
2 21 21 78021 Güer Aike
3 35 35 58035 Confluencia
1

… … … … …
13805 287 287 6287 General Alvear
13806 448 448 6448 Laprida
13807 56 56 6056 Bahía Blanca
13808 525 525 6525 Marcos Paz
13809 483 483 6483 Lobos
localidad … otro_tipo_lugar modalidad
0 General Pico … NaN Ahorcamiento
1 Guatraché … NaN Arma de fuego
2 28 de Noviembre … NaN Ahorcamiento
3 Neuquén … Hospedaje temporario Arma de fuego
4 Plottier … NaN Ahorcamiento
… … … … …
13805 General Alvear … NaN Ahorcamiento
13806 Laprida … NaN Ahorcamiento
13807 Bahía Blanca … NaN Ahorcamiento
13808 Marcos Paz … NaN Ahorcamiento
13809 Lobos … NaN Ahorcamiento
modalidad_ampliado otro_modalidad motivo_origen_registro
0 Ahorcamiento NaN Intervención policial
1 Arma de fuego NaN Intervención policial
2 Ahorcamiento NaN Denuncia particular
… … … …
otro_motivo_origen_registro sexo_suicida tr_edad_suicida
0 NaN Masculino 20-24
… … … …
identidad_genero_suicida otro_identidad_genero_suicida
2

0 NaN NaN
1 NaN NaN
2 NaN NaN
3 NaN NaN
4 NaN NaN
… … …
13805 NaN NaN
13806 NaN NaN
13807 NaN NaN
13808 NaN NaN
13809 NaN NaN
[13810 rows x 30 columns]
[4]: df_data.shape
[4]: (13810, 30)
[5]: df_data.isnull().sum()
[5]: id_hecho 0
federal 0
Cod_INDEC_Prov 0
provincia 0
agrupacion 0
codigo_agrupacion 0
codigo_departamento 0
Cod_INDEC 0
departamento 0
localidad 0
codigo_localidad 0
seccional 0
codigo_seccional 0
anio 0
mes 0
numero_sumario 0
fecha_hecho 0
hora_hecho 0
tipo_lugar 0
tipo_lugar_ampliado 0
otro_tipo_lugar 12984
modalidad 0
modalidad_ampliado 0
otro_modalidad 13756
motivo_origen_registro 0
otro_motivo_origen_registro 13801
sexo_suicida 0
3

tr_edad_suicida 0
identidad_genero_suicida 13810
otro_identidad_genero_suicida 13810
dtype: int64
[6]: df=df_data['otro_modalidad'].sum
[8]: df_sin_nan=df_data.fillna({'otro_modalidad': 0,'otro_tipo_lugar':0␣
,
→,'identidad_genero_suicida otro_tipo_lugar':0,'identidad_genero_suicida ':0␣
,
→})
[9]: df_sin_nan
… … … … … …
2 21 21 78021 Güer Aike
… … … … …
13805 287 287 6287 General Alvear
13806 448 448 6448 Laprida
13807 56 56 6056 Bahía Blanca
13808 525 525 6525 Marcos Paz
13809 483 483 6483 Lobos
0 General Pico … 0 Ahorcamiento
1 Guatraché … 0 Arma de fuego
2 28 de Noviembre … 0 Ahorcamiento
4 Plottier … 0 Ahorcamiento
… … … … …
13805 General Alvear … 0 Ahorcamiento
4

13806 Laprida … 0 Ahorcamiento
13807 Bahía Blanca … 0 Ahorcamiento
13808 Marcos Paz … 0 Ahorcamiento
13809 Lobos … 0 Ahorcamiento
0 Ahorcamiento 0 Intervención policial
1 Arma de fuego 0 Intervención policial
2 Ahorcamiento 0 Denuncia particular
… … … …
… … … …
0 NaN NaN
1 NaN NaN
2 NaN NaN
3 NaN NaN
4 NaN NaN
… … …
13805 NaN NaN
13806 NaN NaN
13807 NaN NaN
13808 NaN NaN
13809 NaN NaN
[10]: df1=pd.DataFrame(df_sin_nan)
5

[11]: df1.isnull().sum()
[11]: id_hecho 0
federal 0
Cod_INDEC_Prov 0
provincia 0
agrupacion 0
codigo_agrupacion 0
codigo_departamento 0
Cod_INDEC 0
departamento 0
localidad 0
codigo_localidad 0
seccional 0
codigo_seccional 0
anio 0
mes 0
numero_sumario 0
fecha_hecho 0
hora_hecho 0
tipo_lugar 0
tipo_lugar_ampliado 0
otro_tipo_lugar 0
modalidad 0
modalidad_ampliado 0
otro_modalidad 0
motivo_origen_registro 0
otro_motivo_origen_registro 13801
sexo_suicida 0
tr_edad_suicida 0
identidad_genero_suicida 13810
otro_identidad_genero_suicida 13810
dtype: int64
[12]: df1.head()
2 21 21 78021 Güer Aike
6

0 General Pico … 0 Ahorcamiento
1 Guatraché … 0 Arma de fuego
2 28 de Noviembre … 0 Ahorcamiento
4 Plottier … 0 Ahorcamiento
0 NaN NaN
1 NaN NaN
2 NaN NaN
3 NaN NaN
4 NaN NaN
Cantidad y Porcentaje de victimas por año. Años 2017,2018,2019,2020
[13]: cantidad_victimas=df1.anio.value_counts()
[15]: cantidad_victimas
[15]: 2018 3788
2019 3567
2017 3284
2020 3171
Name: anio, dtype: int64
[16]: explode=[0.05, 0.05,0.05,0.05]
7

df1.anio.value_counts().plot(kind='pie',explode=explode,shadow=True,autopct='%.
,
→0f%%',title="porcentaje de victimas por año")
fig = plt.gcf()
plt.show()
fig.savefig('porcentaje de victimas por año.png')
**Información de variables utilizadas Glosario
[17]: df_data.columns
[17]: Index(['id_hecho', 'federal', 'Cod_INDEC_Prov', 'provincia', 'agrupacion',
'codigo_agrupacion', 'codigo_departamento', 'Cod_INDEC', 'departamento',
'localidad', 'codigo_localidad', 'seccional', 'codigo_seccional',
'anio', 'mes', 'numero_sumario', 'fecha_hecho', 'hora_hecho',
'tipo_lugar', 'tipo_lugar_ampliado', 'otro_tipo_lugar', 'modalidad',
'modalidad_ampliado', 'otro_modalidad', 'motivo_origen_registro',
'otro_motivo_origen_registro', 'sexo_suicida', 'tr_edad_suicida',
'identidad_genero_suicida', 'otro_identidad_genero_suicida'],
dtype='object')
8

[ ]: null_columns=df1.columns[df_data.isnull().any()]
df_data[null_columns].isnull().sum()
Cantidad de suicidios segun sexo y franja etaria.
[18]: type(df_data['identidad_genero_suicida'])
[18]: pandas.core.series.Series
[19]: df_data.
,
→drop(columns=['identidad_genero_suicida','otro_identidad_genero_suicida'])
… … … … … …
2 21 21 78021 Güer Aike
… … … … …
13805 287 287 6287 General Alvear
13806 448 448 6448 Laprida
13807 56 56 6056 Bahía Blanca
13808 525 525 6525 Marcos Paz
13809 483 483 6483 Lobos
localidad … tipo_lugar
0 General Pico … Vía pública
1 Guatraché … Domicilio particular
2 28 de Noviembre … Vía pública
3 Neuquén … Otro Lugar ( Especificar )
4 Plottier … Domicilio particular
… … … …
13805 General Alvear … Domicilio particular
13806 Laprida … Domicilio particular
9

13807 Bahía Blanca … Domicilio particular
13808 Marcos Paz … Domicilio particular
13809 Lobos … Sin determinar
tipo_lugar_ampliado otro_tipo_lugar modalidad
0 Vía pública NaN Ahorcamiento
1 Domicilio particular NaN Arma de fuego
2 Vía pública NaN Ahorcamiento
3 Otro Lugar ( Especificar ) Hospedaje temporario Arma de fuego
4 Domicilio particular NaN Ahorcamiento
… … … …
13809 Sin determinar NaN Ahorcamiento
… … … …
… … … …
[20]: s_edad_año=df1.groupby(['tr_edad_suicida','anio']).size()
10

[21]: df1.groupby(['tr_edad_suicida','anio']).size().unstack().
,
→plot(kind='bar',stacked=True,)
plt.show()
plt.savefig("victimas segun rango etareo.Ano2017-2020.png")
<Figure size 640x480 with 0 Axes>
[23]: f_group=df1.dropna()
f_group = df_data.groupby(['sexo_suicida'])['anio'].count().reset_index()
f_group.columns=['sexo_suicida','anio']
[24]: f_group.columns
[24]: Index(['sexo_suicida', 'anio'], dtype='object')
11

[25]:
plt.bar(f_group['sexo_suicida'], f_group['anio'])
plt.xticks(rotation=70)
plt.xlabel('Sexo')
plt.ylabel('Nº. de victimas')
plt.title('Nº de victimas por sexo')
plt.savefig('n_victimas_sexo.png')
plt.show()
[26]: df1.groupby(['sexo_suicida','tipo_lugar_ampliado',] ).size()
[26]: sexo_suicida tipo_lugar_ampliado
Femenino Campo/descampado/zona rural 29
Cárcel o comisaría 10
Domicilio particular 2265
12

Establecimiento de salud 20
Geriátrico/Hogar ancianos 4
Hotel/Motel 8
Otro Lugar ( Especificar ) 47
Río/canal/arroyo/mar/dique 22
Sin determinar 83
Vía pública 234
Vías del FF.CC. 48
Masculino Campo/descampado/zona rural 218
Cárcel o comisaría 146
Domicilio particular 8320
Geriátrico/Hogar ancianos 15
Hotel/Motel 25
Otro Lugar ( Especificar ) 352
Río/canal/arroyo/mar/dique 47
Sin determinar 376
Vía pública 1319
Vías del FF.CC. 134
Sin determinar Domicilio particular 34
Sin determinar 10
Vía pública 7
Vías del FF.CC. 2
dtype: int64
[27]: df1.groupby(['sexo_suicida','tipo_lugar'] ).size().unstack().
,
→plot(kind="bar",stacked=False)
plt.title('Nº de victimas por sexo segun lugar de ocurrencia')
plt.show()
plt.savefig("cantidad de victimas segun luguar de ocurrencia.png")
13

[28]: cant_provincia=df1.pivot_table(index='provincia',␣
,
→columns='anio',values='id_hecho',aggfunc='count')
[29]: cant_provincia
[29]: anio 2017 2018 2019 2020
provincia
BUENOS AIRES 1032 1393 999 850
CATAMARCA 38 44 32 48
CHACO 100 108 90 102
CHUBUT 53 69 56 71
CIUDAD DE BUENOS AIRES 157 123 150 123
14

CORDOBA 231 255 263 197
CORRIENTES 48 83 119 36
ENTRE RIOS 159 234 252 198
FORMOSA 60 65 64 66
JUJUY 38 28 77 65
LA PAMPA 31 40 34 43
LA RIOJA 13 47 49 45
MENDOZA 194 198 197 194
MISIONES 80 70 84 120
NEUQUEN 67 70 63 52
RIO NEGRO 47 43 60 35
SALTA 192 160 168 195
SAN JUAN 56 51 65 54
SAN LUIS 38 52 75 62
SANTA CRUZ 41 39 39 33
SANTA FE 390 368 360 328
SANTIAGO DEL ESTERO 113 118 136 119
TIERRA DEL FUEGO 13 14 15 9
TUCUMÁN 93 116 120 126
Distribución territorial
[30]: sns.heatmap(cant_provincia,center=0,annot=True,fmt="d", cmap='inferno')
[30]: <AxesSubplot: xlabel='anio', ylabel='provincia'>
15

Nro de victimas correspondientes al año 2020 según franja etaria
[31]: df1_año20202=df1[df1.anio==2020]
[32]: df1_año20202
8624 20284 No 18 CORRIENTES Capital
8625 20285 No 18 CORRIENTES Paso de los Libres
8626 20286 No 18 CORRIENTES Mercedes
8627 20287 No 18 CORRIENTES Capital
8628 20288 No 18 CORRIENTES Santo Tomé
… … … … … …
8624 21 21 18021 Capital
8625 119 119 18119 Paso de los Libres
8626 105 105 18105 Mercedes
8627 21 21 18021 Capital
8628 168 168 18168 Santo Tomé
… … … … …
13805 287 287 6287 General Alvear
13806 448 448 6448 Laprida
13807 56 56 6056 Bahía Blanca
13808 525 525 6525 Marcos Paz
13809 483 483 6483 Lobos
localidad … otro_tipo_lugar
8624 Corrientes … 0
8625 Paso de los Libres … Campo/descampado/zona rural
8626 Mercedes … 0
8627 Corrientes … Interior de rodado
8628 Santo Tomé … 0
… … … …
13805 General Alvear … 0
13806 Laprida … 0
13807 Bahía Blanca … 0
13808 Marcos Paz … 0
13809 Lobos … 0
modalidad modalidad_ampliado otro_modalidad
8624 Se arroja al vacío Se arroja al vacío 0
16

8625 Ahorcamiento Ahorcamiento 0
8626 Arma de fuego Arma de fuego 0
… … … …
motivo_origen_registro otro_motivo_origen_registro sexo_suicida
8624 Intervención policial NaN Masculino
… … … …
13807 Denuncia particular NaN Masculino
tr_edad_suicida identidad_genero_suicida otro_identidad_genero_suicida
8624 30-34 NaN NaN
8625 55-59 NaN NaN
8626 35-39 NaN NaN
8627 50-54 NaN NaN
8628 50-54 NaN NaN
… … … …
13805 70-74 NaN NaN
13806 70-74 NaN NaN
13807 25-29 NaN NaN
13808 15-19 NaN NaN
13809 20-24 NaN NaN
[33]: df1_año20202.tr_edad_suicida.value_counts()
[33]: 20-24 408
25-29 373
15-19 370
30-34 276
35-39 262
40-44 229
17

45-49 171
60-64 158
55-59 147
50-54 139
65-69 130
Sin determinar 121
70-74 110
75-79 99
80-84 71
10-14 49
85-89 38
90 y más 17
5-9 3
Name: tr_edad_suicida, dtype: int64
[34]: df1_año20202.tr_edad_suicida.value_counts().plot(kind='bar')
plt.title('Nº de victimas año 2020 según franja etaria')
plt.show()
plt.savefig("Nº de victimas año 2020 según franja etaria.png")
18

Esta grafica muestra que en el año 2020 la mayor cantidad de victimas se encontraban en la franja
etaria edad de 20 a 24 años, luego van disminuyendo.
[35]: df1_año20202.modalidad_ampliado.value_counts()
[35]: Ahorcamiento 2307
Arma de fuego 452
Sin determinar 103
Envenenamiento 86
Se arroja al vacío 85
Arma blanca / elemento cortante 34
Sumersión en piscina / mar / río 32
Se arroja a las vías de FF.CC. 32
Se incinera 23
19

Otra modalidad 6
Se arroja bajo rodado (camion/automóvil/colectivo) 6
Asfixia 5
Name: modalidad_ampliado, dtype: int64
[ ]: desfase=(0,0,0,0,0,0.7,0.5,0.5,0.5,0.5,0.5,0.5)
df1_año20202.modalidad_ampliado.value_counts().
,
→plot(kind='pie',explode=desfase,autopct='%.1f%%',title="porcentaje y␣
,
→modalidad año 2020")
plt.tight_layout
plt.show()
fig.savefig('Mecanismo_utilizado _por _victimas _2020.png')
[36]: df1.pivot_table(index='tr_edad_suicida',␣
,
→columns='sexo_suicida',values='id_hecho',aggfunc='count',fill_value=0)
[36]: sexo_suicida Femenino Masculino Sin determinar
tr_edad_suicida
10-14 104 141 0
15-19 430 1134 4
20-24 363 1552 2
25-29 270 1321 1
30-34 213 1015 2
35-39 208 850 0
40-44 225 709 0
45-49 156 578 0
5-9 3 4 0
50-54 166 547 0
55-59 147 529 1
60-64 94 544 0
65-69 103 457 0
70-74 76 393 0
75-79 51 349 0
80-84 40 247 0
85-89 23 146 0
90 y más 10 63 0
Sin determinar 88 407 44
[37]: df1.pivot_table(index='tr_edad_suicida',␣
,
→columns='sexo_suicida',values='id_hecho',aggfunc='count',fill_value=0).
,
→plot(kind='barh',stacked=True)
plt.title('Nº de victimas por sexo y edad correspondientes a datos␣
,
→2017,2018,2019,2020')
plt.show()
plt.savefig("cantidad_sexo_edad.png")
20

Se muestra que la cantidad de victimas de personas de sexo masculino es mayor que la del femenino.
En mujeres la mayor cantidad se registra en la franja de 15 a 19 años, continuando de 20 a29, y el
sexo masculino presenta una franja mayor en la franja de 20 a 24. Tener en cuenta que estos datos
son solos los que maneja el SINC-SAT.
21

victima_suicidio.pdf

Recommandé

Recommandé

Contenu connexe

Dernier

Dernier (20)

En vedette

En vedette (20)

victima_suicidio.pdf