Dataset obtenido del data hub USFQ

Objetivo: Desarrollar una infografia georeferenciada de las votaciones del Ecuador del año del 2002.

import folium
import pandas as pd
import geopandas as gpd
import branca
import json
from folium.plugins import TimestampedGeoJson

Manejo del json con geopandas

df_ecu = gpd.read_file("ecuador_provincias.json")
df_ecu["name"] = df_ecu["name"].str.upper()
df_ecu.head()

	source	id	name	geometry
0	https://simplemaps.com	ECE	ESMERALDAS	MULTIPOLYGON (((-78.47812 1.18712, -78.47831 1...
1	https://simplemaps.com	ECC	CARCHI	POLYGON ((-78.44211 0.87194, -78.44714 0.87437...
2	https://simplemaps.com	ECU	SUCUMBIOS	POLYGON ((-77.81408 0.34566, -77.79186 0.37099...
3	https://simplemaps.com	ECD	ORELLANA	POLYGON ((-77.29941 -0.05855, -77.28401 -0.047...
4	https://simplemaps.com	ECY	PASTAZA	POLYGON ((-77.05165 -1.01038, -77.07198 -1.033...

ETL del dataset

Mendoza, K., Medina, P., & Astudillo, P. (2025).
Ecuadorian Presidential Elections (2002–2023): Canton-Level Results for First and Second Rounds.
Harvard Dataverse. https://doi.org/10.7910/DVN/A6ZP75

df = pd.read_csv("presidentes_votacion_cantonal_formato_angosto.csv")
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 77462 entries, 0 to 77461
Data columns (total 9 columns):
 #   Column            Non-Null Count  Dtype 
---  ------            --------------  ----- 
 0   ANIO              77462 non-null  int64 
 1   VUELTA            77462 non-null  int64 
 2   PROVINCIA_CODIGO  77462 non-null  object
 3   PROVINCIA_NOMBRE  77462 non-null  object
 4   CANTON_CODIGO     77462 non-null  object
 5   CANTON_NOMBRE     77462 non-null  object
 6   CANDIDATO_NOMBRE  77462 non-null  object
 7   AGRUPACION        77462 non-null  object
 8   VOTOS             77462 non-null  int64 
dtypes: int64(3), object(6)
memory usage: 5.3+ MB

# agrupacion para obtener valos por provincia
df_gr = df.groupby(["ANIO", "VUELTA", "PROVINCIA_NOMBRE",
        "CANDIDATO_NOMBRE","PROVINCIA_CODIGO"])["VOTOS"].sum().reset_index()
# solo datos de Ecuador continental 
df_gr = df_gr[~df_gr["PROVINCIA_NOMBRE"].isin(['EUROPA, ASIA, '
'OCEANIA', 'NORTE-AMERICA', 'LATAM, CARIBE, AFRICA'])]
# agrupacion por voto mayoritario en provinica
df_max = df_gr.loc[
    df_gr.groupby(['PROVINCIA_NOMBRE','ANIO','VUELTA'])['VOTOS'].idxmax()
]

Manejo del archivo .json

# Load Ecuador's GeoJSON data
with open("ecuador_provincias.json", "r", encoding="utf-8") as f:
    geo_json_data = json.load(f)
df_max.PROVINCIA_NOMBRE.unique()

array(['AZUAY', 'BOLIVAR', 'CANAR', 'CARCHI', 'CHIMBORAZO', 'COTOPAXI', 'EL ORO',
       'ESMERALDAS', 'GALAPAGOS', 'GUAYAS', 'IMBABURA', 'LOJA', 'LOS RIOS', 'MANABI',
       'MORONA SANTIAGO', 'NAPO', 'ORELLANA', 'PASTAZA', 'PICHINCHA', 'SANTA ELENA',
       'STO DGO TSACHILAS', 'SUCUMBIOS', 'TUNGURAHUA', 'ZAMORA CHINCHIPE'], dtype=object)

# Nombre de la provincias 
nombresGjson = sorted([x['properties']["name"].upper() for x in geo_json_data['features']])
# nombres a cambiar CAÑAR ,'SANTO DOMINGO DE LOS TSÁCHILAS' cambio en el dataset
df_max["PROVINCIA_NOMBRE"] = df_max["PROVINCIA_NOMBRE"].replace({'CANAR':'CAÑAR',
                        'STO DGO TSACHILAS':'SANTO DOMINGO DE LOS TSÁCHILAS'})
df_max["PROVINCIA_NOMBRE"].unique()

array(['AZUAY', 'BOLIVAR', 'CAÑAR', 'CARCHI', 'CHIMBORAZO', 'COTOPAXI', 'EL ORO',
       'ESMERALDAS', 'GALAPAGOS', 'GUAYAS', 'IMBABURA', 'LOJA', 'LOS RIOS', 'MANABI',
       'MORONA SANTIAGO', 'NAPO', 'ORELLANA', 'PASTAZA', 'PICHINCHA', 'SANTA ELENA',
       'SANTO DOMINGO DE LOS TSÁCHILAS', 'SUCUMBIOS', 'TUNGURAHUA', 'ZAMORA CHINCHIPE'],
      dtype=object)

Estilo del Mapa

# COLORES POR CANDIDATO
mapa_colores ={'ALVARO NOBOA':"#980BEF", 'JACOBO BUCARAM':"#1070B9", 'LUCIO GUTIERREZ':"#E01212",
       'RODRIGO BORJA':"#FEB00A", 'XAVIER NEIRA':"#F6FE69",'RAFAEL CORREA':"#07F93F",
       'LENIN MORENO':"#07F93F",'YAKU PEREZ':"#F9D107",'GUILLERMO LASSO':"#1070B9",
         'LUISA GONZALEZ':"#34FFF8",'DANIEL NOBOA':"#980BEF", 'NULOS':"#FFFFFF",
       'FERNANDO VILLAVICENCIO':"#96B0FF",'XAVIER HERVAS':"#F9D107", 
       'ANDRES ARAUZ':"#07F93F"
       }
# aplicar color al dataset
df_max['COLOR'] = df_max['CANDIDATO_NOMBRE'].apply(lambda x:mapa_colores.get(x))
df_max.head()

	ANIO	VUELTA	PROVINCIA_NOMBRE	CANDIDATO_NOMBRE	PROVINCIA_CODIGO	VOTOS	COLOR
10	2002	1	AZUAY	RODRIGO BORJA	EC01	157246	#FEB00A
290	2002	2	AZUAY	LUCIO GUTIERREZ	EC01	371564	#E01212
397	2006	1	AZUAY	RAFAEL CORREA	EC01	166524	#07F93F
765	2006	2	AZUAY	RAFAEL CORREA	EC01	429830	#07F93F
879	2009	1	AZUAY	RAFAEL CORREA	EC01	418082	#07F93F

def generar_start_end(row, col_anio='ANIO', col_vuelta='VUELTA'):
    """
    Devuelve start y end como timestamps (ms) según:
    - Vuelta 1: del 1 de enero al 1 de julio
    - Vuelta 2: del 2 de julio al 31 diciembre
    """
    anio = int(row[col_anio])
    vuelta = int(row[col_vuelta])

    if vuelta == 1:
        start = pd.Timestamp(f"{anio}-01-01 00:00:00")
        end   = pd.Timestamp(f"{anio}-07-01 00:00:00")
    else:  # vuelta 2
        start = pd.Timestamp(f"{anio}-07-02 00:00:00")
        end   = pd.Timestamp(f"{anio}-12-31 23:59:59")

    # convertir a timestamp en milisegundos
    return {
        'start': float(start.value // 10**6),
        'end':   float(end.value   // 10**6)
    }

df_max['start_end'] = df_max.apply(lambda x :
generar_start_end(x, col_anio='ANIO', col_vuelta='VUELTA'),
    axis=1
)

df_merged = df_max.merge(df_ecu[['name', 'geometry']], 
                         left_on='PROVINCIA_NOMBRE', 
                         right_on='name', 
                         how='inner')
# Convertir en GeoDataFrame
gdf_final = gpd.GeoDataFrame(df_merged, geometry='geometry')

GENERACIÓN DE FEATURES PARA EL TIMELINE


features = []

for _, row in gdf_final.iterrows():

    start_ts = int(row['start_end']['start']) // 1000  # segundos UNIX

    start_date = pd.to_datetime(start_ts, unit='s').strftime("%Y-%m-%dT%H:%M:%S")

    feature = {
        "type": "Feature",
        "geometry": row["geometry"].__geo_interface__,
        "properties": {
            "time": start_date,
            "style": {
                "color": "black",
                "weight": 1,
                "opacity": 1,
                "fillColor": row["COLOR"],
                "fillOpacity": 0.8
            },
            "tooltip": f"Provincia: {row['PROVINCIA_NOMBRE']} - {row['CANDIDATO_NOMBRE']}",
            "popup": (
                f"<b>Provincia:</b> {row['PROVINCIA_NOMBRE']}<br>"
                f"<b>Candidato:</b> {row['CANDIDATO_NOMBRE']}<br>"
                f"<b>Votos:</b> {row['VOTOS']}<br>"
                f"<b>Año:</b> {row['ANIO']} - Vuelta {row['VUELTA']}"
            )
        }
    }
    features.append(feature)

CREAR MAPA BASE

m = folium.Map(
    location=[-0.19899731681836336, -78.4428000494774],
    tiles="Cartodb dark_matter", ## estilo del fondo mapa
    zoom_start=6
)

AÑADIR CAPA TEMPORAL

ts = TimestampedGeoJson(
    {
        "type": "FeatureCollection",
        "features": features,
    },
    period="P1Y",
    duration="P1Y",
    add_last_point=True,
    auto_play=False,
    loop=False
).add_to(m)

LEYENDA ( CANDIDATO Y COLOR ) y VISUALIZACION FINAL

items_html = ""
for candidato, color in mapa_colores.items():
    items_html += f'''
    &nbsp; <i class="fa fa-square" style="color:{color};"></i>
    &nbsp; {candidato}<br>'''

legend_html = f"""
{{% macro html(this, kwargs) %}}
<div style="
     position: fixed;
     bottom: 50px; left: 50px;
     width: 250px;
     border:2px solid grey;
     z-index:9999;
     font-size:14px;
     background-color:white;
     opacity: 0.9;
     padding: 10px;
     border-radius: 5px;">
     <b>🗳️ Candidato ganador</b><br>
     {items_html}
</div>
{{% endmacro %}}
"""

legend = branca.element.MacroElement()
legend._template = branca.element.Template(legend_html)
m.get_root().add_child(legend)

m.save("VotEcuador_Timeline_Legend.html")
m

Make this Notebook Trusted to load map: File -> Trust Notebook