Analisis Exploratorio¶

Obtencion de Datos¶

Mejoramiento Calidad de Datos¶

In [1]:
import pandas as pd

# URL del archivo de Google Sheets en formato CSV
sheet_url = "https://docs.google.com/spreadsheets/d/1U3JiVuxjDcvaIoLw9XkW3JKfuh-8_3Pc/export?format=csv"
sheet_url_2019 = "https://docs.google.com/spreadsheets/d/1lr5C-auB3WUs9xYgTyY4whBa8k4L9wesQbJT3TYCIR8/export?format=csv"

# Leer los datos
df = pd.read_csv(sheet_url)
df_2019 = pd.read_csv(sheet_url_2019)

# Convertir las columnas necesarias a números y reemplazar comas por puntos
df['CARGA (Ton)'] = df['CARGA (Ton)'].str.replace(',', '.').astype(float)
df_2019['CARGA (Ton)'] = df_2019['CARGA (Ton)'].str.replace(',', '.').astype(float)

# Mostrar las primeras filas del DataFrame
# print(df.head())

# Obtener información general del DataFrame
# print(df.info())

# Obtener estadísticas descriptivas del DataFrame
# print(df.describe())

# Mostrar las ultimas filas del DataFrame
print(df.tail())


df['PASAJEROS'] = pd.to_numeric(df['PASAJEROS'], errors='coerce')
df['CARGA (Ton)'] = pd.to_numeric(df['CARGA (Ton)'], errors='coerce')
df['CORREO'] = pd.to_numeric(df['CORREO'], errors='coerce')

<ipython-input-1-67a7f29e726d>:8: DtypeWarning: Columns (22,23) have mixed types. Specify dtype option on import or set low_memory=False.
  df = pd.read_csv(sheet_url)

         Año  Mes Cod_Operador        Operador     Grupo ORIG_1 DEST_1  \
243222  2024    6           JA        JETSMART  JETSMART    GIG    SCL   
243223  2024    6           JA        JETSMART  JETSMART    GRU    SCL   
243224  2024    6           JA        JETSMART  JETSMART    MDE    SCL   
243225  2024    6           JZ  JETSMART PERÚ   JETSMART    SCL    LIM   
243226  2024    6           JZ  JETSMART PERÚ   JETSMART    LIM    SCL   

              ORIG_1_N  DEST_1_N ORIG_1_PAIS  ... ORIG_2_PAIS DEST_2_PAIS  \
243222  RIO DE JANEIRO  SANTIAGO      BRASIL  ...       CHILE      BRASIL   
243223       SAO PAULO  SANTIAGO      BRASIL  ...       CHILE      BRASIL   
243224        MEDELLIN  SANTIAGO    COLOMBIA  ...       CHILE    COLOMBIA   
243225        SANTIAGO      LIMA       CHILE  ...       CHILE        PERU   
243226            LIMA  SANTIAGO        PERU  ...       CHILE        PERU   

        OPER_2            NAC PAX_LIB PASAJEROS CAR_LIB CARGA (Ton) CORREO  \
243222  LLEGAN  INTERNACIONAL     0.0       0.0       0      0.3152    0.0   
243223  LLEGAN  INTERNACIONAL     0.0       0.0       0      3.2780    0.0   
243224  LLEGAN  INTERNACIONAL     0.0       0.0       0      0.2680    0.0   
243225   SALEN  INTERNACIONAL     0.0       0.0       0     14.1150    0.0   
243226  LLEGAN  INTERNACIONAL     0.0       0.0       0     19.5189    0.0   

        Distancia  
243222     2931.0  
243223     2585.0  
243224     4480.0  
243225     2459.0  
243226     2459.0  

[5 rows x 25 columns]

Aplicar Filtros y Agrupar en DataFrames¶

In [2]:
# Filtrar los datos para el año 2024
df_2024 = df[df['Año'] == 2024]

# Agrupar por mes y tipo de tráfico
pasajeros_2024 = df_2024.groupby(['Mes', 'NAC'])['PASAJEROS'].sum().unstack().fillna(0)
carga_2024 = df_2024.groupby(['Mes', 'NAC'])['CARGA (Ton)'].sum().unstack().fillna(0)
correo_2024 = df_2024.groupby(['Mes', 'NAC'])['CORREO'].sum().unstack().fillna(0)

# Calcular los totales
pasajeros_2024['Total'] = pasajeros_2024.sum(axis=1)
carga_2024['Total'] = carga_2024.sum(axis=1)
correo_2024['Total'] = correo_2024.sum(axis=1)

# Calcular los totales generales
total_pasajeros_2024 = pasajeros_2024.sum()
total_carga_2024 = carga_2024.sum()
total_correo_2024 = correo_2024.sum()


# Filtrar los datos para los años de referencia
df_2023 = df[df['Año'] == 2023]
# df_2019 = df[df['Año'] == 2019]

# Agrupar por mes y tipo de tráfico para 2023 y 2019
pasajeros_2023 = df_2023.groupby(['Mes', 'NAC'])['PASAJEROS'].sum().unstack().fillna(0)
carga_2023 = df_2023.groupby(['Mes', 'NAC'])['CARGA (Ton)'].sum().unstack().fillna(0)
correo_2023 = df_2023.groupby(['Mes', 'NAC'])['CORREO'].sum().unstack().fillna(0)

pasajeros_2019 = df_2019.groupby(['Mes', 'NAC'])['PASAJEROS'].sum().unstack().fillna(0)
carga_2019 = df_2019.groupby(['Mes', 'NAC'])['CARGA (Ton)'].sum().unstack().fillna(0)
correo_2019 = df_2019.groupby(['Mes', 'NAC'])['CORREO'].sum().unstack().fillna(0)

# Calcular los totales
pasajeros_2023['Total'] = pasajeros_2023.sum(axis=1)
carga_2023['Total'] = carga_2023.sum(axis=1)
correo_2023['Total'] = correo_2023.sum(axis=1)

pasajeros_2019['Total'] = pasajeros_2019.sum(axis=1)
carga_2019['Total'] = carga_2019.sum(axis=1)
correo_2019['Total'] = correo_2019.sum(axis=1)

# Calcular las variaciones porcentuales
variacion_24_23_pasajeros = ((pasajeros_2024 - pasajeros_2023) / pasajeros_2023) * 100
variacion_24_23_pasajeros_nacionales = ((pasajeros_2024['NACIONAL'] - pasajeros_2023['NACIONAL']) / pasajeros_2023['NACIONAL']) * 100
variacion_24_23_pasajeros_internacionales = ((pasajeros_2024['INTERNACIONAL'] - pasajeros_2023['INTERNACIONAL']) / pasajeros_2023['INTERNACIONAL']) * 100
variacion_24_19_pasajeros = ((pasajeros_2024 - pasajeros_2019) / pasajeros_2019) * 100
variacion_24_19_pasajeros_nacionales = ((pasajeros_2024['NACIONAL'] - pasajeros_2019['NACIONAL']) / pasajeros_2019['NACIONAL']) * 100
variacion_24_19_pasajeros_internacionales = ((pasajeros_2024['INTERNACIONAL'] - pasajeros_2019['INTERNACIONAL']) / pasajeros_2019['INTERNACIONAL']) * 100

variacion_24_23_carga = ((carga_2024 - carga_2023) / carga_2023) * 100
variacion_24_23_carga_nacionales = ((carga_2024['NACIONAL'] - carga_2023['NACIONAL']) / carga_2023['NACIONAL']) * 100
variacion_24_23_carga_internacionales = ((carga_2024['INTERNACIONAL'] - carga_2023['INTERNACIONAL']) / carga_2023['INTERNACIONAL']) * 100
variacion_24_19_carga = ((carga_2024 - carga_2019) / carga_2019) * 100
variacion_24_19_carga_nacionales = ((carga_2024['NACIONAL'] - carga_2019['NACIONAL']) / carga_2019['NACIONAL']) * 100
variacion_24_19_carga_internacionales = ((carga_2024['INTERNACIONAL'] - carga_2019['INTERNACIONAL']) / carga_2019['INTERNACIONAL']) * 100


variacion_24_23_correo = ((correo_2024 - correo_2023) / correo_2023) * 100
variacion_24_23_correo_nacionales = ((correo_2024['NACIONAL'] - correo_2023['NACIONAL']) / correo_2023['NACIONAL']) * 100
variacion_24_23_correo_internacionales = ((correo_2024['INTERNACIONAL'] - correo_2023['INTERNACIONAL']) / correo_2023['INTERNACIONAL']) * 100
variacion_24_19_correo = ((correo_2024 - correo_2019) / correo_2019) * 100
variacion_24_19_correo_nacionales = ((correo_2024['NACIONAL'] - correo_2019['NACIONAL']) / correo_2019['NACIONAL']) * 100
variacion_24_19_correo_internacionales = ((correo_2024['INTERNACIONAL'] - correo_2019['INTERNACIONAL']) / correo_2019['INTERNACIONAL']) * 100

DataFrame Resumen Pasajeros¶

In [3]:
# Crear DataFrame de resumen para pasajeros

resumen_pasajeros = pasajeros_2024.copy()

# Cambiar múltiples nombres de columnas
resumen_pasajeros = resumen_pasajeros.rename(columns={
    'NACIONAL': 'NACIONAL 2024',
    'INTERNACIONAL': 'INTERNACIONAL 2024',
    'Total': 'Total 2024',
})
# Especifica el nuevo orden de las columnas
nuevo_orden = ['NACIONAL 2024', 'INTERNACIONAL 2024', 'Total 2024']

# Reordenar el DataFrame
resumen_pasajeros = resumen_pasajeros[nuevo_orden]





resumen_pasajeros['NACIONAL 2024'] = pasajeros_2024['NACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
resumen_pasajeros['INTERNACIONAL 2024'] = pasajeros_2024['INTERNACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
resumen_pasajeros['Total 2024'] = pasajeros_2024['Total'].apply(lambda x: '{:,.0f}'.format(x))

# resumen_pasajeros['NACIONAL 2023'] = pasajeros_2023['NACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
# resumen_pasajeros['INTERNACIONAL 2023'] = pasajeros_2023['INTERNACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
# resumen_pasajeros['Total 2023'] = pasajeros_2023['Total'].apply(lambda x: '{:,.0f}'.format(x))

# resumen_pasajeros['NACIONAL 2019'] = pasajeros_2019['NACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
# resumen_pasajeros['INTERNACIONAL 2019'] = pasajeros_2019['INTERNACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
# resumen_pasajeros['Total 2019'] = pasajeros_2019['Total'].apply(lambda x: '{:,.0f}'.format(x))

resumen_pasajeros['Var 24/23 (%) NAC'] = variacion_24_23_pasajeros_nacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_pasajeros['Var 24/23 (%) INT'] = variacion_24_23_pasajeros_internacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_pasajeros['Var 24/23 (%) TOT'] = variacion_24_23_pasajeros['Total'].apply(lambda x: '{:.2f}'.format(x))

resumen_pasajeros['Var 24/19 (%) NAC'] = variacion_24_19_pasajeros_nacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_pasajeros['Var 24/19 (%) INT'] = variacion_24_19_pasajeros_internacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_pasajeros['Var 24/19 (%) TOT'] = variacion_24_19_pasajeros['Total'].apply(lambda x: '{:.2f}'.format(x))


print("Resumen Mensual - Tráfico Aéreo de Pasajeros")
resumen_pasajeros

Resumen Mensual - Tráfico Aéreo de Pasajeros
Out[3]:
NAC NACIONAL 2024 INTERNACIONAL 2024 Total 2024 Var 24/23 (%) NAC Var 24/23 (%) INT Var 24/23 (%) TOT Var 24/19 (%) NAC Var 24/19 (%) INT Var 24/19 (%) TOT
Mes
1 1,654,556 1,061,493 2,716,049 21.24 22.23 21.63 6.10 -3.24 2.24
2 1,538,078 1,017,063 2,555,141 20.38 23.99 21.80 6.03 0.44 3.73
3 1,351,012 978,489 2,329,501 6.34 24.09 13.14 5.91 -3.48 1.75
4 1,255,579 813,295 2,068,874 10.30 17.46 13.01 10.51 -7.41 2.70
5 1,224,246 838,044 2,062,290 5.79 21.82 11.76 10.16 -5.62 3.15
6 1,148,996 893,862 2,042,858 2.70 23.74 10.96 11.34 3.95 7.98

DataFrame Resumen Carga¶

In [4]:
# Crear DataFrame de resumen para carga
resumen_carga = carga_2024.copy()

# Cambiar múltiples nombres de columnas
resumen_carga = resumen_carga.rename(columns={
    'NACIONAL': 'NACIONAL 2024',
    'INTERNACIONAL': 'INTERNACIONAL 2024',
    'Total': 'Total 2024',
})
# Especifica el nuevo orden de las columnas
nuevo_orden = ['NACIONAL 2024', 'INTERNACIONAL 2024', 'Total 2024']

# Reordenar el DataFrame
resumen_carga = resumen_carga[nuevo_orden]

resumen_carga['NACIONAL 2024'] = carga_2024['NACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
resumen_carga['INTERNACIONAL 2024'] = carga_2024['INTERNACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
resumen_carga['Total 2024'] = carga_2024['Total'].apply(lambda x: '{:,.0f}'.format(x))
resumen_carga['Var 24/23 (%) NAC'] = variacion_24_23_carga_nacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_carga['Var 24/23 (%) INT'] = variacion_24_23_carga_internacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_carga['Var 24/23 (%) TOT'] = variacion_24_23_carga['Total'].apply(lambda x: '{:.2f}'.format(x))
resumen_carga['Var 24/19 (%) NAC'] = variacion_24_19_carga_nacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_carga['Var 24/19 (%) INT'] = variacion_24_19_carga_internacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_carga['Var 24/19 (%) TOT'] = variacion_24_19_carga['Total'].apply(lambda x: '{:.2f}'.format(x))

print("\nResumen Mensual - Tráfico Aéreo de Carga")
resumen_carga

Resumen Mensual - Tráfico Aéreo de Carga
Out[4]:
NAC NACIONAL 2024 INTERNACIONAL 2024 Total 2024 Var 24/23 (%) NAC Var 24/23 (%) INT Var 24/23 (%) TOT Var 24/19 (%) NAC Var 24/19 (%) INT Var 24/19 (%) TOT
Mes
1 2,451 36,412 38,863 -14.66 13.06 10.79 -3.43 22.89 20.81
2 2,507 33,416 35,922 -6.66 4.11 3.28 5.02 19.79 18.63
3 2,693 33,602 36,296 4.43 -12.05 -11.00 -6.87 -8.17 -8.07
4 2,604 31,258 33,862 21.99 -7.17 -5.43 -2.30 1.18 0.90
5 2,639 34,597 37,237 2.79 7.62 7.26 -8.34 12.33 10.56
6 2,025 31,798 33,822 -9.53 -0.01 -0.63 -32.57 8.76 4.91

DataFrame Resumen Correo¶

In [5]:
# Crear DataFrame de resumen para correo
resumen_correo = correo_2024.copy()

# Cambiar múltiples nombres de columnas
resumen_correo = resumen_correo.rename(columns={
    'NACIONAL': 'NACIONAL 2024',
    'INTERNACIONAL': 'INTERNACIONAL 2024',
    'Total': 'Total 2024',
})
# Especifica el nuevo orden de las columnas
nuevo_orden = ['NACIONAL 2024', 'INTERNACIONAL 2024', 'Total 2024']

# Reordenar el DataFrame
resumen_correo = resumen_correo[nuevo_orden]

resumen_correo['NACIONAL 2024'] = correo_2024['NACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
resumen_correo['INTERNACIONAL 2024'] = correo_2024['INTERNACIONAL'].apply(lambda x: '{:,.0f}'.format(x))
resumen_correo['Total 2024'] = correo_2024['Total'].apply(lambda x: '{:,.0f}'.format(x))
resumen_correo['Var 24/23 (%) NAC'] = variacion_24_23_correo_nacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_correo['Var 24/23 (%) INT'] = variacion_24_23_correo_internacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_correo['Var 24/23 (%) TOT'] = variacion_24_23_correo['Total'].apply(lambda x: '{:.2f}'.format(x))
resumen_correo['Var 24/19 (%) NAC'] = variacion_24_19_correo_nacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_correo['Var 24/19 (%) INT'] = variacion_24_19_correo_internacionales.apply(lambda x: '{:.2f}'.format(x))
resumen_correo['Var 24/19 (%) TOT'] = variacion_24_19_correo['Total'].apply(lambda x: '{:.2f}'.format(x))

print("\nResumen Mensual - Tráfico Aéreo de Correo")
resumen_correo

Resumen Mensual - Tráfico Aéreo de Correo
Out[5]:
NAC NACIONAL 2024 INTERNACIONAL 2024 Total 2024 Var 24/23 (%) NAC Var 24/23 (%) INT Var 24/23 (%) TOT Var 24/19 (%) NAC Var 24/19 (%) INT Var 24/19 (%) TOT
Mes
1 123,949 830,394 954,343 28.27 9.07 11.23 107.33 -5.97 1.21
2 123,661 757,229 880,890 53.47 20.29 24.05 122.30 -3.88 4.44
3 144,077 884,515 1,028,592 13.62 3.18 4.52 79.55 -7.44 -0.70
4 151,829 1,037,658 1,189,487 10.81 33.63 30.20 162.13 -5.19 3.22
5 129,990 1,055,025 1,185,015 -15.92 44.92 34.26 54.82 -2.39 1.73
6 111,456 1,063,319 1,174,775 -17.33 24.69 18.96 73.04 17.57 21.26

DATOS 2023-2024¶

In [6]:
# Filtrar los datos para el año 2024
df_23_24 = df[df['Año'] >= 2023]
df_23_24
Out[6]:
Año Mes Cod_Operador Operador Grupo ORIG_1 DEST_1 ORIG_1_N DEST_1_N ORIG_1_PAIS ... ORIG_2_PAIS DEST_2_PAIS OPER_2 NAC PAX_LIB PASAJEROS CAR_LIB CARGA (Ton) CORREO Distancia
230061 2023 1 AC AIR CANADA AIR CANADA YYZ SCL TORONTO SANTIAGO CANADA ... CHILE CANADA LLEGAN INTERNACIONAL 0.0 4646.0 0 175.5550 1261.0 8674.0
230062 2023 2 AC AIR CANADA AIR CANADA YYZ SCL TORONTO SANTIAGO CANADA ... CHILE CANADA LLEGAN INTERNACIONAL 0.0 4505.0 0 183.6700 1514.0 8674.0
230063 2023 3 AC AIR CANADA AIR CANADA YYZ SCL TORONTO SANTIAGO CANADA ... CHILE CANADA LLEGAN INTERNACIONAL 0.0 3800.0 0 159.2480 5057.0 8674.0
230064 2023 4 AC AIR CANADA AIR CANADA YYZ SCL TORONTO SANTIAGO CANADA ... CHILE CANADA LLEGAN INTERNACIONAL 0.0 2195.0 0 166.5220 3997.0 8674.0
230065 2023 5 AC AIR CANADA AIR CANADA YYZ SCL TORONTO SANTIAGO CANADA ... CHILE CANADA LLEGAN INTERNACIONAL 0.0 1911.0 0 117.2330 991.0 8674.0
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
243222 2024 6 JA JETSMART JETSMART GIG SCL RIO DE JANEIRO SANTIAGO BRASIL ... CHILE BRASIL LLEGAN INTERNACIONAL 0.0 0.0 0 0.3152 0.0 2931.0
243223 2024 6 JA JETSMART JETSMART GRU SCL SAO PAULO SANTIAGO BRASIL ... CHILE BRASIL LLEGAN INTERNACIONAL 0.0 0.0 0 3.2780 0.0 2585.0
243224 2024 6 JA JETSMART JETSMART MDE SCL MEDELLIN SANTIAGO COLOMBIA ... CHILE COLOMBIA LLEGAN INTERNACIONAL 0.0 0.0 0 0.2680 0.0 4480.0
243225 2024 6 JZ JETSMART PERÚ JETSMART SCL LIM SANTIAGO LIMA CHILE ... CHILE PERU SALEN INTERNACIONAL 0.0 0.0 0 14.1150 0.0 2459.0
243226 2024 6 JZ JETSMART PERÚ JETSMART LIM SCL LIMA SANTIAGO PERU ... CHILE PERU LLEGAN INTERNACIONAL 0.0 0.0 0 19.5189 0.0 2459.0

8052 rows × 25 columns

Pasajeros Agrupados por Mes, Comparacion 2023-2024¶

In [7]:
# Agrupar por mes y tipo de tráfico
pasajeros_23_24 = df_23_24.groupby(['Mes','NAC', 'ORIG_2_N','DEST_2_N', 'OPER_2', 'Año'])['PASAJEROS'].sum().unstack().fillna(0)
pasajeros_23_24
Out[7]:
Año 2023 2024
Mes NAC ORIG_2_N DEST_2_N OPER_2
1 INTERNACIONAL ANTOFAGASTA CALI LLEGAN 2806.0 3912.0
SALEN 2841.0 4182.0
LIMA LLEGAN 1204.0 1627.0
SALEN 1187.0 1622.0
LOS ANGELES LLEGAN 0.0 0.0
... ... ... ... ... ... ...
12 NACIONAL SANTIAGO TEMUCO SALEN 49299.0 0.0
VALDIVIA LLEGAN 16542.0 0.0
SALEN 17433.0 0.0
TEMUCO BALMACEDA LLEGAN 1722.0 0.0
SALEN 1966.0 0.0

2456 rows × 2 columns

Carga Agrupados por Mes, Comparacion 2023-2024¶

In [8]:
# Agrupar por mes y tipo de tráfico
carga_23_24 = df_23_24.groupby(['Mes','NAC', 'ORIG_2_N','DEST_2_N', 'OPER_2', 'Año'])['CARGA (Ton)'].sum().unstack().fillna(0)
carga_23_24
Out[8]:
Año 2023 2024
Mes NAC ORIG_2_N DEST_2_N OPER_2
1 INTERNACIONAL ANTOFAGASTA CALI LLEGAN 0.000 0.000
SALEN 0.000 0.000
LIMA LLEGAN 0.000 6.313
SALEN 0.000 0.000
LOS ANGELES LLEGAN 0.000 0.066
... ... ... ... ... ... ...
12 NACIONAL SANTIAGO TEMUCO SALEN 2.538 0.000
VALDIVIA LLEGAN 0.000 0.000
SALEN 0.550 0.000
TEMUCO BALMACEDA LLEGAN 0.000 0.000
SALEN 0.000 0.000

2456 rows × 2 columns

Correo Agrupados por Mes, Comparacion 2023-2024¶

In [9]:
correo_23_24 = df_23_24.groupby(['Mes','NAC', 'ORIG_2_N','DEST_2_N', 'OPER_2', 'Año'])['CORREO'].sum().unstack().fillna(0)
correo_23_24
Out[9]:
Año 2023 2024
Mes NAC ORIG_2_N DEST_2_N OPER_2
1 INTERNACIONAL ANTOFAGASTA CALI LLEGAN 0.0 0.0
SALEN 0.0 0.0
LIMA LLEGAN 0.0 0.0
SALEN 0.0 0.0
LOS ANGELES LLEGAN 0.0 250.0
... ... ... ... ... ... ...
12 NACIONAL SANTIAGO TEMUCO SALEN 0.0 0.0
VALDIVIA LLEGAN 0.0 0.0
SALEN 0.0 0.0
TEMUCO BALMACEDA LLEGAN 0.0 0.0
SALEN 0.0 0.0

2456 rows × 2 columns

Pasajeros Mes Anterior, Comparacion 2023-2024¶

In [10]:
# filtrar Mes = mesanterior
from datetime import datetime

# Obtén la fecha y hora actual
now = datetime.now()

# Obtén el número del mes
month_number = now.month - 1

print(f"El número del mes anterior es: {month_number}")

mesant =  month_number
pasajeros_23_24_6 = pasajeros_23_24.loc[mesant]
pasajeros_23_24_6

El número del mes anterior es: 6
Out[10]:
Año 2023 2024
NAC ORIG_2_N DEST_2_N OPER_2
INTERNACIONAL ANTOFAGASTA CALI LLEGAN 2383.0 1904.0
SALEN 2190.0 1968.0
LIMA LLEGAN 1090.0 982.0
SALEN 1083.0 1755.0
MIAMI LLEGAN 0.0 0.0
... ... ... ... ... ...
NACIONAL SANTIAGO TEMUCO SALEN 37298.0 37311.0
VALDIVIA LLEGAN 12968.0 14599.0
SALEN 13285.0 14401.0
TEMUCO BALMACEDA LLEGAN 1345.0 1351.0
SALEN 1177.0 1383.0

210 rows × 2 columns

Carga Mes Anterior, Comparacion 2023-2024¶

In [11]:
carga_23_24_6 = carga_23_24.loc[mesant]
carga_23_24_6
Out[11]:
Año 2023 2024
NAC ORIG_2_N DEST_2_N OPER_2
INTERNACIONAL ANTOFAGASTA CALI LLEGAN 0.000 0.000
SALEN 0.000 0.000
LIMA LLEGAN 0.000 0.000
SALEN 0.000 0.000
MIAMI LLEGAN 241.371 164.063
... ... ... ... ... ...
NACIONAL SANTIAGO TEMUCO SALEN 2.926 3.489
VALDIVIA LLEGAN 0.000 0.000
SALEN 0.502 0.577
TEMUCO BALMACEDA LLEGAN 0.000 0.000
SALEN 0.000 0.000

210 rows × 2 columns

Correo Mes Anterior, Comparacion 2023-2024¶

In [12]:
correo_23_24_6 = correo_23_24.loc[mesant]
correo_23_24_6
Out[12]:
Año 2023 2024
NAC ORIG_2_N DEST_2_N OPER_2
INTERNACIONAL ANTOFAGASTA CALI LLEGAN 0.0 0.0
SALEN 0.0 0.0
LIMA LLEGAN 0.0 0.0
SALEN 0.0 0.0
MIAMI LLEGAN 0.0 0.0
... ... ... ... ... ...
NACIONAL SANTIAGO TEMUCO SALEN 561.0 0.0
VALDIVIA LLEGAN 0.0 0.0
SALEN 0.0 0.0
TEMUCO BALMACEDA LLEGAN 0.0 0.0
SALEN 0.0 0.0

210 rows × 2 columns

Pasajeros por Mes y Paises Comparacion 2023-2024¶

In [13]:
df_23_24_int = df[(df['Año'] >= 2023) & (df['NAC'] == 'INTERNACIONAL')]

paises_23_24 = df_23_24_int.groupby(['Mes','NAC', 'DEST_2_PAIS', 'OPER_2', 'Año'])['PASAJEROS'].sum().unstack().fillna(0)
paises_23_24
Out[13]:
Año 2023 2024
Mes NAC DEST_2_PAIS OPER_2
1 INTERNACIONAL ALEMANIA LLEGAN 0.0 0.0
ARGENTINA LLEGAN 76695.0 91732.0
SALEN 71507.0 89552.0
AUSTRALIA LLEGAN 6313.0 9457.0
SALEN 7052.0 12034.0
... ... ... ... ... ...
12 INTERNACIONAL REP. COREA DEL SUR SALEN 0.0 0.0
REP. DOMINICANA LLEGAN 2028.0 0.0
SALEN 2714.0 0.0
URUGUAY LLEGAN 8028.0 0.0
SALEN 8684.0 0.0

556 rows × 2 columns

Pasajeros Agrupados por Paises Mes Anterior, Comparacion 2023-2024¶

In [14]:
paises_23_24.loc[mesant]
Out[14]:
Año 2023 2024
NAC DEST_2_PAIS OPER_2
INTERNACIONAL ALEMANIA LLEGAN 0.0 0.0
ARGENTINA LLEGAN 70450.0 73932.0
SALEN 75766.0 79534.0
AUSTRALIA LLEGAN 4829.0 8283.0
SALEN 7478.0 8511.0
BELGICA LLEGAN 0.0 0.0
BOLIVIA LLEGAN 2058.0 1548.0
SALEN 2335.0 1922.0
BRASIL LLEGAN 67940.0 115776.0
SALEN 67539.0 121238.0
CANADA LLEGAN 1881.0 0.0
SALEN 2884.0 0.0
COLOMBIA LLEGAN 31005.0 33794.0
SALEN 33087.0 38942.0
ECUADOR LLEGAN 2677.0 2689.0
SALEN 2897.0 3227.0
ESPAÑA LLEGAN 21618.0 30407.0
SALEN 23729.0 33596.0
ESTADOS UNIDOS LLEGAN 40206.0 41085.0
SALEN 43866.0 44524.0
FRANCIA LLEGAN 8818.0 9014.0
SALEN 9501.0 9017.0
GUATEMALA SALEN 0.0 0.0
HOLANDA LLEGAN 1781.0 2085.0
SALEN 2411.0 2325.0
LUXEMBURGO LLEGAN 0.0 0.0
MEXICO LLEGAN 5684.0 5660.0
SALEN 5869.0 7601.0
NIGERIA SALEN 0.0 0.0
NUEVA ZELANDIA LLEGAN 2979.0 3709.0
SALEN 3513.0 2841.0
PANAMA LLEGAN 20921.0 20711.0
SALEN 22996.0 24127.0
PARAGUAY LLEGAN 2442.0 2566.0
SALEN 2346.0 2784.0
PERU LLEGAN 51804.0 60096.0
SALEN 58257.0 73130.0
QATAR LLEGAN 0.0 0.0
SALEN 0.0 0.0
REINO UNIDO LLEGAN 3227.0 3267.0
SALEN 3478.0 3559.0
REP. COREA DEL SUR LLEGAN 0.0 0.0
SALEN 0.0 0.0
REP. DOMINICANA LLEGAN 1024.0 2867.0
SALEN 1059.0 2743.0
TRINIDAD Y TOBAGO SALEN 0.0 0.0
URUGUAY LLEGAN 6040.0 8728.0
SALEN 5970.0 8024.0