Movilidad Urbana y Productividad Económica en LATAM

Importé los datasets tomtom_traffic.csv y oecd_city_economy.csv con pandas. Revisé las primeras filas, dimensiones, nombres y tipos de datos para conocer la estructura antes de limpiar.

traffic = pd.read_csv('/datasets/tomtom_traffic.csv')
eco = pd.read_csv('/datasets/oecd_city_economy.csv')
traffic.info()
eco.info()

Renombré las columnas para trabajar con nombres consistentes. Convertí las marcas temporales a datetime y limpié separadores de miles, comas decimales y símbolos de porcentaje de los indicadores económicos.

traffic = traffic.rename(columns={
    'Country': 'country',
    'City': 'city',
    'UpdateTimeUTC': 'update_time_utc'
})
traffic['update_time_utc'] = pd.to_datetime(
    traffic['update_time_utc']
)

Extraje el año de la fecha de actualización del tráfico y filtré ambas fuentes para trabajar exclusivamente con 2024, el periodo definido para la comparación.

traffic['year'] = traffic['update_time_utc'].dt.year
traffic_2024 = traffic[traffic['year'] == 2024].copy()
eco_2024 = eco[eco['year'] == 2024].copy()

Como TomTom registra actualizaciones frecuentes, calculé promedios anuales por ciudad, país y año para obtener una vista comparable y reducir el nivel de detalle operativo.

traffic_city_year_2024 = (
    traffic_2024
    .groupby(['city', 'country', 'year'], dropna=False)
    .agg({
        'jams_delay': 'mean',
        'traffic_index_live': 'mean',
        'jams_length_kms': 'mean',
        'jams_count': 'mean',
        'mins_delay': 'mean',
        'travel_time_live_per_10kms_mins': 'mean',
        'travel_time_hist_per_10kms_mins': 'mean'
    })
    .reset_index()
)

Seleccioné las columnas económicas relevantes y uní ambas tablas mediante ciudad y año. Utilicé un INNER JOIN para conservar únicamente las coincidencias disponibles en las dos fuentes.

merged_inner = pd.merge(
    traffic_city_year_2024,
    eco_2024,
    on=['city', 'year'],
    how='inner'
)

Construí un boxplot para JamsDelay, un histograma para PIB per cápita y gráficos de barras para comparar congestión y economía entre ciudades. Estas visualizaciones permitieron identificar diferencias y valores atípicos.

sns.boxplot(
    data=merged_inner,
    x='jams_delay',
    showmeans=True
)
merged_inner['city_gdp_capita'].hist(bins=15)

Exporté la tabla unificada como CSV para futuros análisis y documenté las conclusiones sobre la relación entre movilidad urbana y desempeño económico.

merged_inner.to_csv(
    'ladb_mobility_economy_2024_clean.csv',
    index=False
)