Objetivo: Transformar datos de eventos culturales desde archivos CSV/Excel hasta dashboards interactivos.

Requisitos Previos Python 3.8

Bibliotecas: pandas, numpy, sqlalchemy

Apps: Power BI Desktop o Cuenta en Looker Studio

Dataset de ejemplo: Guarde el data set en un fichero con el nombre eventos_culturales.csv, debe de contener las siguientes columnas: fecha, evento, asistencia, municipio, inversion. pulsa aquí para ver un ejemplo de como se llenaría el csv

import pandas as pd

# Cargar datos desde múltiples fuentes
df_eventos = pd.read_csv('eventos_culturales.csv')  # Desde CSV
df_presupuestos = pd.read_excel('presupuestos.xlsx')  # Desde Excel

# Validar estructura inicial
print(df_eventos.head())
print(f"Registros cargados: {len(df_eventos)}")

# 1. Limpieza: Eliminar duplicados y nulos
df_eventos.drop_duplicates(inplace=True)
df_eventos.dropna(subset=['asistencia', 'municipio'], inplace=True)

# 2. Normalización: Formato de fechas y categorías
df_eventos['fecha'] = pd.to_datetime(df_eventos['fecha'], format='%d/%m/%Y')
df_eventos['municipio'] = df_eventos['municipio'].str.upper()

# 3. Enriquecimiento: Crear KPIs
df_eventos['costo_por_asistente'] = df_eventos['inversion'] / df_eventos['asistencia']

# 4. Consolidación: Merge con presupuestos
df_final = pd.merge(df_eventos, df_presupuestos, on='evento', how='left')2. Normalización: Formato de fechas y categorías

# Exportar a CSV/Excel
df_final.to_csv('eventos_procesados.csv', index=False)

# Luego en Power BI:
# 1. Click en "Obtener datos" > CSV/Excel
# 2. Cargar archivo generado
# 3. Crear relaciones y medidas

Mapa de calor: Arrastra municipio a mapa + asistencia como tamaño de burbuja.

Serie temporal: Gráfico de línea con fecha vs costo_por_asistente.

Tabla resumen: evento, asistencia, inversión + filtros interactivos.

1. ¿Por qué es crítico estandarizar formatos de fecha/municipio?

2. ¿Cómo impacta la limpieza de nulos en el cálculo de KPIs?

3. ¿Qué ventaja tiene usar merge vs concat?

4. ¿Cuándo preferirías BigQuery sobre CSV para carga?

• Columna categoria: ("Música", "Artes plásticas", "Teatro").

• Columna organizador: Nombre de la dependencia a cargo.

• Columna rating: Satisfacción del público (1-5).

1. fecha: Formato día/mes/año (ideal para análisis temporales).

2. evento: Tipo de actividad cultural (categorizable).

3. asistencia: Número de personas registradas (entero).

4. municipio: Ubicación geográfica (útil para mapas).

5. inversion: Costo del evento en MXN (para cálculos de ROI).

• ROI por evento: inversion / asistencia → ¿El taller infantil costó 228porpersonavs.228porpersonavs.40 del jazz?

• Tendencia temporal: ¿Eventos en diciembre atraen más asistencia?

• Distribución geográfica: ¿El 60% de los eventos son en Guadalajara?

Objetivo: Transformar datos de eventos culturales desde archivos CSV/Excel hasta dashboards interactivos.

Requisitos Previos Python 3.8

Bibliotecas: pandas, numpy, sqlalchemy

Apps: Power BI Desktop o Cuenta en Looker Studio

Dataset de ejemplo: Guarde el data set en un fichero con el nombre eventos_culturales.csv, debe de contener las siguientes columnas: fecha, evento, asistencia, municipio, inversion. pulsa aquí para ver un ejemplo de como se llenaría el csv

import pandas as pd

# Cargar datos desde múltiples fuentes
df_eventos = pd.read_csv('eventos_culturales.csv')  # Desde CSV
df_presupuestos = pd.read_excel('presupuestos.xlsx')  # Desde Excel

# Validar estructura inicial
print(df_eventos.head())
print(f"Registros cargados: {len(df_eventos)}")

# 1. Limpieza: Eliminar duplicados y nulos
df_eventos.drop_duplicates(inplace=True)
df_eventos.dropna(subset=['asistencia', 'municipio'], inplace=True)

# 2. Normalización: Formato de fechas y categorías
df_eventos['fecha'] = pd.to_datetime(df_eventos['fecha'], format='%d/%m/%Y')
df_eventos['municipio'] = df_eventos['municipio'].str.upper()

# 3. Enriquecimiento: Crear KPIs
df_eventos['costo_por_asistente'] = df_eventos['inversion'] / df_eventos['asistencia']

# 4. Consolidación: Merge con presupuestos
df_final = pd.merge(df_eventos, df_presupuestos, on='evento', how='left')2. Normalización: Formato de fechas y categorías

# Exportar a CSV/Excel
df_final.to_csv('eventos_procesados.csv', index=False)

# Luego en Power BI:
# 1. Click en "Obtener datos" > CSV/Excel
# 2. Cargar archivo generado
# 3. Crear relaciones y medidas

Mapa de calor: Arrastra municipio a mapa + asistencia como tamaño de burbuja.

Serie temporal: Gráfico de línea con fecha vs costo_por_asistente.

Tabla resumen: evento, asistencia, inversión + filtros interactivos.

1. ¿Por qué es crítico estandarizar formatos de fecha/municipio?

2. ¿Cómo impacta la limpieza de nulos en el cálculo de KPIs?

3. ¿Qué ventaja tiene usar merge vs concat?

4. ¿Cuándo preferirías BigQuery sobre CSV para carga?

• Columna categoria: ("Música", "Artes plásticas", "Teatro").

• Columna organizador: Nombre de la dependencia a cargo.

• Columna rating: Satisfacción del público (1-5).

1. fecha: Formato día/mes/año (ideal para análisis temporales).

2. evento: Tipo de actividad cultural (categorizable).

3. asistencia: Número de personas registradas (entero).

4. municipio: Ubicación geográfica (útil para mapas).

5. inversion: Costo del evento en MXN (para cálculos de ROI).

• ROI por evento: inversion / asistencia → ¿El taller infantil costó 228porpersonavs.228porpersonavs.40 del jazz?

• Tendencia temporal: ¿Eventos en diciembre atraen más asistencia?

• Distribución geográfica: ¿El 60% de los eventos son en Guadalajara?