# Crímenes en Filadelfia.

### Importar Librerías.

import pandas as pd

### Cargar Datos para crear un DataFrame.

data = pd.read_csv('crime.csv') #carga los datos del csv a través de la librería Pandas

### Ver las primeras filas.

#head(), muestra los 5 primeros registros

### Contar la cantidad de registros.

data['Dc_Dist'].count()

2237605

## Resumir el conjunto de datos en 5 formas distintas.

### 1. Cantidad que se registra por cada tipo de crimen.

print('\nCantidad de crímenes por tipo\n')

Cantidad de crímenes por tipo

All Other Offenses                         437581
Other Assaults                             277332
Thefts                                     257923
Vandalism/Criminal Mischief                200345
Theft from Vehicle                         171135
Narcotic / Drug Law Violations             137448
Fraud                                      114416
Recovered Stolen Motor Vehicle              95282
Burglary Residential                        94143
Aggravated Assault No Firearm               68989
DRIVING UNDER THE INFLUENCE                 53721
Robbery No Firearm                          51919
Motor Vehicle Theft                         46517
Robbery Firearm                             40577
Disorderly Conduct                          40137
Aggravated Assault Firearm                  27934
Burglary Non-Residential                    23276
Weapon Violations                           19092
Other Sex Offenses (Not Commercialized)     15304
Prostitution and Commercialized Vice        12854
Rape                                        11852
Vagrancy/Loitering                           6776
Arson                                        5684
Liquor Law Violations                        5439
Forgery and Counterfeiting                   4843
Embezzlement                                 4807
Public Drunkenness                           4619
Homicide - Criminal                          3442
Offenses Against Family and Children         1794
Gambling Violations                           921
Receiving Stolen Property                     786
NaN                                           663
Homicide - Justifiable                         42
Homicide - Gross Negligence                    12
Name: Text_General_Code, dtype: int64

### 2. Cantidad de tipos de crímenes por bloque de ubicación

data['cuantos'] = 1 #data['Dc_Dist'].count()

print('\n Conteo de crímenes por bloque de ubicación \n')

 Conteo de crímenes por bloque de ubicación 

Text_General_Code   Location_Block                        
Thefts              1000 BLOCK MARKET ST                      3287
                    4600 BLOCK E ROOSEVELT BLVD               2909
                    1300 BLOCK MARKET ST                      2152
All Other Offenses  0 BLOCK N 52ND ST                         2142
Thefts              1600 BLOCK S CHRISTOPHER COLUMBUS BLVD    1644
Name: Location_Block, dtype: int64

### 3. Conteo de crímenes por mes

#data.groupby(['Text_General_Code', 'Location_Block']).mean().sort_values('cuantos',ascending=False)

 Conteo de crímenes por mes

### Importando librerías matemáticas

data = data.drop_duplicates() #eliminar los duplicados del conjunto de datos original

### 4. Computar la similaridad entre entidades

len(set(data['Dc_Key'])) #para saber las claves únicas

2237605

data.shape # para saber las dimensiones de los datos

checkins_matrix = data.reset_index()\

print('\n Mostrar los datos en el espacio vectorial \n')

 Mostrar los datos en el espacio vectorial

checkins_matrix.sum(axis=1) #saber cuantas veces se repite el evento

(34, 2237605)

### 5. Visualizar en un histograma

print('\n Mostrar en histograma los datos del espacio vectorial \n')

 Mostrar en histograma los datos del espacio vectorial

<matplotlib.axes._subplots.AxesSubplot at 0x231048fac50>

	Dc_Dist	Psa	Dispatch_Date_Time	Dispatch_Date	Dispatch_Time	Hour	Dc_Key	Location_Block	UCR_General	Text_General_Code	Police_Districts	Month	Lon	Lat	cuantos
0	18	3	2009-10-02 14:24:00	2009-10-02	14:24:00	14	200918067518	S 38TH ST / MARKETUT ST	800.0	Other Assaults	NaN	2009-10	NaN	NaN	1
1	14	1	2009-05-10 00:55:00	2009-05-10	00:55:00	0	200914033994	8500 BLOCK MITCH	2600.0	All Other Offenses	NaN	2009-05	NaN	NaN	1
2	25	J	2009-08-07 15:40:00	2009-08-07	15:40:00	15	200925083199	6TH CAMBRIA	800.0	Other Assaults	NaN	2009-08	NaN	NaN	1
3	35	D	2009-07-19 01:09:00	2009-07-19	01:09:00	1	200935061008	5500 BLOCK N 5TH ST	1500.0	Weapon Violations	20.0	2009-07	-75.130477	40.036389	1
4	9	R	2009-06-25 00:14:00	2009-06-25	00:14:00	0	200909030511	1800 BLOCK WYLIE ST	2600.0	All Other Offenses	8.0	2009-06	-75.166350	39.969532	1

		Dc_Dist	Psa	Dispatch_Date_Time	Dispatch_Date	Dispatch_Time	Hour	Dc_Key	Location_Block	UCR_General	Police_Districts	Lon	Lat	cuantos
Text_General_Code	Month
All Other Offenses	2006-08	5404	5404	5404	5404	5404	5404	5404	5404	5404	5381	5383	5383	5404
	2006-06	5061	5061	5061	5061	5061	5061	5061	5061	5061	5014	5020	5020	5061
	2006-07	4980	4980	4980	4980	4980	4980	4980	4980	4980	4956	4959	4959	4980
	2008-08	4913	4913	4913	4913	4913	4913	4913	4913	4913	4886	4897	4897	4913
	2008-07	4792	4792	4792	4792	4792	4792	4792	4792	4792	4757	4780	4780	4792

Dc_Key	199812085407	199814043321	199816011336	199819107021	199822006037	199822061421	199826012549	199826025430	199835131136	199835141918	...	201777001386	201777001388	201777001407	201777001414	201777001415	201777001421	201777001440	201777001442	201777001444	201777001445
Text_General_Code
NaN	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
Aggravated Assault Firearm	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
Aggravated Assault No Firearm	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0
All Other Offenses	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	1	0
Arson	0	0	0	0	0	0	0	0	0	0	...	0	0	0	0	0	0	0	0	0	0

Crímenes en Filadelfia.¶

Importar Librerías.¶

Cargar Datos para crear un DataFrame.¶

Ver las primeras filas.¶

Contar la cantidad de registros.¶

Resumir el conjunto de datos en 5 formas distintas.¶

1. Cantidad que se registra por cada tipo de crimen.¶

2. Cantidad de tipos de crímenes por bloque de ubicación¶

3. Conteo de crímenes por mes¶

Importando librerías matemáticas¶

4. Computar la similaridad entre entidades¶

5. Visualizar en un histograma¶