Spaces:
Running
Running
Update app.py
Browse files
app.py
CHANGED
@@ -1,103 +1,229 @@
|
|
|
|
|
|
1 |
import re
|
2 |
import numpy as np
|
3 |
import pandas as pd
|
4 |
import seaborn as sns
|
5 |
import streamlit as st
|
6 |
import matplotlib.pyplot as plt
|
|
|
7 |
|
8 |
|
|
|
9 |
opcion_general = st.sidebar.selectbox('Selecciona la sección que desees revisar', ['Presentación', 'Resumen', 'Conceptos clave',
|
10 |
'Análisis exploratorio (EDA: Exploratory Data Analysis)', 'Hallazgos', 'Referencias'])
|
11 |
|
12 |
if opcion_general == 'Presentación':
|
13 |
-
|
14 |
-
|
15 |
-
|
16 |
elif opcion_general == 'Resumen':
|
17 |
-
|
18 |
-
|
19 |
-
|
20 |
elif opcion_general == 'Conceptos clave':
|
21 |
-
|
22 |
-
|
23 |
-
|
24 |
-
|
25 |
-
|
26 |
-
|
27 |
elif opcion_general == 'Análisis exploratorio (EDA: Exploratory Data Analysis)':
|
28 |
-
|
29 |
-
|
30 |
-
|
31 |
-
|
32 |
-
|
33 |
-
|
34 |
-
|
35 |
-
|
36 |
-
|
37 |
-
|
38 |
-
|
39 |
-
|
40 |
-
|
41 |
-
|
42 |
-
|
43 |
-
|
44 |
-
|
45 |
-
|
46 |
-
|
47 |
-
|
48 |
-
|
49 |
-
|
50 |
-
|
51 |
-
|
52 |
-
|
53 |
-
|
54 |
-
|
55 |
-
|
56 |
-
|
57 |
-
|
58 |
-
|
59 |
-
|
60 |
-
|
61 |
-
|
62 |
-
|
63 |
-
|
64 |
-
|
65 |
-
|
66 |
-
|
67 |
-
|
68 |
-
|
69 |
-
|
70 |
-
|
71 |
-
|
72 |
-
|
73 |
-
|
74 |
-
|
75 |
-
|
76 |
-
|
77 |
-
|
78 |
-
|
79 |
-
|
80 |
-
|
81 |
-
|
82 |
-
|
83 |
-
|
84 |
-
|
85 |
-
|
86 |
-
|
87 |
-
|
88 |
-
|
89 |
-
|
90 |
-
|
91 |
-
|
92 |
-
|
93 |
-
|
94 |
-
|
95 |
-
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
96 |
elif opcion_general == 'Hallazgos':
|
97 |
st.title('Hallazgos')
|
98 |
elif opcion_general == 'Referencias':
|
99 |
st.title('Referencias')
|
100 |
|
101 |
|
|
|
102 |
|
103 |
-
|
|
|
|
|
|
|
|
|
|
|
|
1 |
+
import imp
|
2 |
+
import io
|
3 |
import re
|
4 |
import numpy as np
|
5 |
import pandas as pd
|
6 |
import seaborn as sns
|
7 |
import streamlit as st
|
8 |
import matplotlib.pyplot as plt
|
9 |
+
from sklearn.preprocessing import LabelEncoder
|
10 |
|
11 |
|
12 |
+
st.sidebar.title('Secciones')
|
13 |
opcion_general = st.sidebar.selectbox('Selecciona la sección que desees revisar', ['Presentación', 'Resumen', 'Conceptos clave',
|
14 |
'Análisis exploratorio (EDA: Exploratory Data Analysis)', 'Hallazgos', 'Referencias'])
|
15 |
|
16 |
if opcion_general == 'Presentación':
|
17 |
+
st.title('Estudio sobre las Industrias Culturales y Creativas en México')
|
18 |
+
st.write('Por Jesús Eduardo Oliva Abarca')
|
19 |
+
st.write('Facultad de Artes Visuales, Universidad Autónoma de Nuevo León')
|
20 |
elif opcion_general == 'Resumen':
|
21 |
+
st.title('Resumen')
|
22 |
+
st.markdown('''Existen numerosas acepciones del concepto de Industrias Culturales y Creativas -en adelante, ICC, para abreviar-, de igual manera, se han formulado múltiples clasificaciones de este sector productivo que, a partir de la década de los ochenta del siglo pasado, adquiere una mayor relevancia tanto para la economía global, lo mismo que para las discusiones y debates en torno a las políticas de desarrollo de los países. En lo que respecta a México, las ICC han sido objeto de investigaciones muy diversas, que van desde el análisis de su dimensión económica y jurídica (Piedras, 2004), o bien para abordarles desde una óptica sociológica (García Canclini, 2000, y 2006), o para examinar su influjo en la generación en la planeación pública (Mariscal Orozco, 2007). Este proyecto de investigación parte del análisis de los datos referentes a las ICC, disponibles en el Directorio Estadístico Nacional de Unidades Económicas (DENUE), desde el año 2015 y hasta el 2021, con el propósito de identificar características generales de éstas, así como patrones y tendencias de su desarrollo, que posibiliten un entendimiento general de la estructura del campo de producción cultural (Bourdieu, 2002; García Canclini, 2014) en México. Para cumplir con tal objetivo, este estudio se apoya en la análitica cultural (Manovich, 2020), enfoque que combina técnicas y métodos de la ciencia de datos (campo que integra a la estadística, el Aprendizaje Automático, o Machine Learning y la Inteligencia Artificial), con el análisis sociológico y las humanidades digitales para el análisis de grandes volúmenes de datos culturales. El estudio aquí propuesto se realiza en tres etapas: durante la primera, se recolectan y se procesan los datos para conformar los conjuntos a partir de los cuales se realizará un análisis exploratorio (Exploratory Data Analysis); la segunda fase comprende el examen e interpretación de los patrones, tendencias y/o anomalías relativas al desarrollo de las ICC, y la elaboración de recomendaciones para su mejora. En la tercera y última fase, se desarrolla y despliega una aplicación web que permita visualizar los datos examinados en esta investigación para propiciar la socialización de los hallazgos obtenidos, así como para incentivar la reflexión y debate, por parte de las personas u organizaciones interesadas, en torno a las ICC en México.''')
|
23 |
+
st.markdown('''Palabras clave: analítica cultural, brecha digital, campo cultural, industrias culturales y creativas, innovación cultural''')
|
24 |
elif opcion_general == 'Conceptos clave':
|
25 |
+
st.title('Conceptos clave')
|
26 |
+
tema = st.sidebar.radio('Selecciona la temática de tu interés', ['Industrias Culturales y Creativas', 'Analítica Cultural'])
|
27 |
+
if tema == 'Industrias Culturales y Creativas':
|
28 |
+
st.header('Industrias Culturales y Creativas')
|
29 |
+
elif tema == 'Analítica Cultural':
|
30 |
+
st.header('Analítica Cultural')
|
31 |
elif opcion_general == 'Análisis exploratorio (EDA: Exploratory Data Analysis)':
|
32 |
+
st.title('Análisis exploratorio (EDA: Exploratory Data Analysis)')
|
33 |
+
opcion = st.sidebar.selectbox('Selecciona el año que deseas examinar', ('2015', '2016', '2017', '2018', '2019', '2020', '2021'))
|
34 |
+
df_cargado = pd.read_csv('datos_procesados/datos_denue_icc_' + opcion + '.csv')
|
35 |
+
st.sidebar.write('Seleccionaste el año', opcion)
|
36 |
+
|
37 |
+
copia_df = df_cargado.copy()
|
38 |
+
datos_binarios = df_cargado[['razon_social', 'correo_electronico', 'sitio_internet']].notna()
|
39 |
+
copia_df.insert(2, '_razon_social', datos_binarios['razon_social'])
|
40 |
+
copia_df.insert(13, '_correo_electronico', datos_binarios['correo_electronico'])
|
41 |
+
copia_df.insert(15, '_sitio_internet', datos_binarios['sitio_internet'])
|
42 |
+
copia_df['_razon_social'] = copia_df['_razon_social'].astype(str)
|
43 |
+
copia_df['_razon_social'] = copia_df['_razon_social'].replace('False', 'No tiene')
|
44 |
+
copia_df['_razon_social'] = copia_df['_razon_social'].replace('True', 'Sí tiene')
|
45 |
+
copia_df['_correo_electronico'] = copia_df['_correo_electronico'].astype(str)
|
46 |
+
copia_df['_correo_electronico'] = copia_df['_correo_electronico'].replace('False', 'No tiene')
|
47 |
+
copia_df['_correo_electronico'] = copia_df['_correo_electronico'].replace('True', 'Sí tiene')
|
48 |
+
copia_df['_sitio_internet'] = copia_df['_sitio_internet'].astype(str)
|
49 |
+
copia_df['_sitio_internet'] = copia_df['_sitio_internet'].replace('False', 'No tiene')
|
50 |
+
copia_df['_sitio_internet'] = copia_df['_sitio_internet'].replace('True', 'Sí tiene')
|
51 |
+
|
52 |
+
opcion_actividad = st.sidebar.radio('Selecciona la actividad que deseas realizar sobre el conjunto de datos seleccionado', ['Exploración descriptiva',
|
53 |
+
'Visualización'])
|
54 |
+
if opcion_actividad == 'Exploración descriptiva':
|
55 |
+
opcion_tarea = st.sidebar.selectbox('Selecciona la tarea exploratoria', ['Descripción general', 'Marco de datos completo',
|
56 |
+
'Agrupación', 'Análisis de segmentación', 'Correlaciones'])
|
57 |
+
if opcion_tarea == 'Descripción general':
|
58 |
+
buffer = io.StringIO()
|
59 |
+
df_cargado.info(buf= buffer)
|
60 |
+
info_df = buffer.getvalue()
|
61 |
+
st.text(info_df)
|
62 |
+
elif opcion_tarea == 'Marco de datos completo':
|
63 |
+
st.dataframe(df_cargado)
|
64 |
+
elif opcion_tarea == 'Agrupación':
|
65 |
+
st.subheader('Selecciona la variable categórica en torno a la cual deseas agrupar los demás valores:')
|
66 |
+
if st.sidebar.checkbox('Razón social'):
|
67 |
+
df_grupo = df_cargado['razon_social'].notna().value_counts()
|
68 |
+
st.table(df_grupo)
|
69 |
+
elif st.sidebar.checkbox('Clase de actividad'):
|
70 |
+
df_grupo = df_cargado['nombre_clase_actividad'].value_counts()
|
71 |
+
st.table(df_grupo)
|
72 |
+
elif st.sidebar.checkbox('Rango de personal ocupado'):
|
73 |
+
df_grupo = df_cargado['rango_personal_ocupado'].value_counts()
|
74 |
+
st.table(df_grupo)
|
75 |
+
elif st.sidebar.checkbox('Entidad federativa'):
|
76 |
+
df_grupo = df_cargado['entidad_federativa'].value_counts()
|
77 |
+
st.table(df_grupo)
|
78 |
+
elif st.sidebar.checkbox('Correo electrónico'):
|
79 |
+
df_grupo = df_cargado['correo_electronico'].notna().value_counts()
|
80 |
+
st.table(df_grupo)
|
81 |
+
elif st.sidebar.checkbox('Sitio en Internet'):
|
82 |
+
df_grupo = df_cargado['sitio_internet'].notna().value_counts()
|
83 |
+
st.table(df_grupo)
|
84 |
+
elif st.sidebar.checkbox('Tipo de establecimiento'):
|
85 |
+
df_grupo = df_cargado['tipo_establecimiento'].value_counts()
|
86 |
+
st.table(df_grupo)
|
87 |
+
elif opcion_tarea == 'Análisis de segmentación':
|
88 |
+
try:
|
89 |
+
opcion_estado = st.sidebar.selectbox('Selecciona la entidad federativa', [i for i in copia_df.groupby(by= 'entidad_federativa').groups])
|
90 |
+
opcion_razon_social = st.sidebar.selectbox('Selecciona el estatus de registro legal', [i for i in copia_df.groupby(by= '_razon_social').groups])
|
91 |
+
opcion_actividad = st.sidebar.selectbox('Selecciona la clase de actividad', [i for i in copia_df.groupby(by= 'nombre_clase_actividad').groups])
|
92 |
+
opcion_rango_ocupacion = st.sidebar.selectbox('Selecciona el rango de ocupación laboral', [i for i in copia_df.groupby(by= 'rango_personal_ocupado').groups])
|
93 |
+
opcion_correo = st.sidebar.selectbox('Selecciona según posea o no correo electrónico', [i for i in copia_df.groupby(by= '_correo_electronico').groups])
|
94 |
+
opcion_sitio = st.sidebar.selectbox('Selecciona según posea o no sitio en Internet', [i for i in copia_df.groupby(by= '_sitio_internet').groups])
|
95 |
+
opcion_tipo_establecimiento = st.sidebar.selectbox('Selecciona el tipo de establecimiento', [i for i in copia_df.groupby(by= 'tipo_establecimiento').groups])
|
96 |
+
df_segmentado = copia_df.groupby(['entidad_federativa', '_razon_social', 'nombre_clase_actividad', 'rango_personal_ocupado', '_correo_electronico',
|
97 |
+
'_sitio_internet', 'tipo_establecimiento']).get_group((opcion_estado, opcion_razon_social, opcion_actividad,
|
98 |
+
opcion_rango_ocupacion, opcion_correo, opcion_sitio, opcion_tipo_establecimiento))
|
99 |
+
df_segmentado.drop(columns= 'entidad_federativa', inplace= True)
|
100 |
+
st.dataframe(df_segmentado)
|
101 |
+
except KeyError:
|
102 |
+
st.warning('No existen entradas u observaciones para las categorías seleccionadas')
|
103 |
+
elif opcion_tarea == 'Correlaciones':
|
104 |
+
etiquetador = LabelEncoder()
|
105 |
+
copia_df = df_cargado.copy()
|
106 |
+
for columna in copia_df.columns:
|
107 |
+
copia_df[columna] = etiquetador.fit_transform(copia_df[columna])
|
108 |
+
copia_df.drop(columns= ['nombre_unidad_economica', 'tipo_vialidad', 'nombre_vialidad', 'numero', 'tipo_asentamiento_humano', 'nombre_asentamiento_humano',
|
109 |
+
'codigo_postal', 'entidad_federativa', 'municipio', 'fecha_incorporacion_denue'], inplace= True)
|
110 |
+
st.table(copia_df.corr(method= 'pearson'))
|
111 |
+
elif opcion_actividad == 'Visualización':
|
112 |
+
opcion_grafico = st.sidebar.radio('Selecciona el gráfico para visualizar los datos', ('Pie', 'De barras', 'Mapa de calor'))
|
113 |
+
if opcion_grafico == 'Pie':
|
114 |
+
if st.sidebar.checkbox('Gráfico general'):
|
115 |
+
opcion_variable = st.sidebar.selectbox('Selecciona la variable categórica que deseas graficar',
|
116 |
+
['Razon social', 'Rango de personal ocupado', 'Cuenta con correo electrónico', 'Cuenta con sitio de Internet', 'Tipo de establecimiento'])
|
117 |
+
if opcion_variable == 'Razon social':
|
118 |
+
figura, eje = plt.subplots()
|
119 |
+
eje.pie(df_cargado['razon_social'].notna().value_counts(), labels= ['No cuentan con razón social', 'Sí cuentan con razón social'],
|
120 |
+
autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
121 |
+
eje.axis('equal')
|
122 |
+
st.pyplot(figura)
|
123 |
+
elif opcion_variable == 'Rango de personal ocupado':
|
124 |
+
figura, eje = plt.subplots()
|
125 |
+
eje.pie(df_cargado['rango_personal_ocupado'].value_counts(), labels= ['0 a 5 personas', '6 a 10 personas', '11 a 30 personas', '31 a 50 personas',
|
126 |
+
'51 a 100 personas', '101 a 250 personas', '251 y más personas'],
|
127 |
+
autopct= '%1.1f%%', explode= [0.1, 0, 0, 0, 0.3, 0.6, 0.9], shadow= True)
|
128 |
+
eje.axis('equal')
|
129 |
+
st.pyplot(figura)
|
130 |
+
elif opcion_variable == 'Cuenta con correo electrónico':
|
131 |
+
figura, eje = plt.subplots()
|
132 |
+
eje.pie(df_cargado['correo_electronico'].notna().value_counts(),
|
133 |
+
labels= ['No cuentan con correo electrónico', 'Sí cuentan con correo electrónico'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
134 |
+
eje.axis('equal')
|
135 |
+
st.pyplot(figura)
|
136 |
+
elif opcion_variable == 'Cuenta con sitio de Internet':
|
137 |
+
figura, eje = plt.subplots()
|
138 |
+
eje.pie(df_cargado['sitio_internet'].notna().value_counts(),
|
139 |
+
labels= ['No cuentan con sitio en Internet', 'Sí cuentan con sitio en Internet'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
140 |
+
eje.axis('equal')
|
141 |
+
st.pyplot(figura)
|
142 |
+
elif opcion_variable == 'Tipo de establecimiento':
|
143 |
+
figura, eje = plt.subplots()
|
144 |
+
eje.pie(df_cargado['tipo_establecimiento'].value_counts(), labels= ['Fijo', 'Semifijo'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
145 |
+
eje.axis('equal')
|
146 |
+
st.pyplot(figura)
|
147 |
+
elif st.sidebar.checkbox('Gráfico por entidad federativa'):
|
148 |
+
opcion_estado = st.sidebar.selectbox('Selecciona la entidad federativa', [i for i in copia_df.groupby(by= 'entidad_federativa').groups])
|
149 |
+
opcion_variable = st.sidebar.selectbox('Selecciona la variable categórica que deseas graficar',
|
150 |
+
['Razon social', 'Rango de personal ocupado', 'Cuenta con correo electrónico', 'Cuenta con sitio de Internet', 'Tipo de establecimiento'])
|
151 |
+
df_segmentado = copia_df.groupby('entidad_federativa').get_group(opcion_estado)
|
152 |
+
if opcion_variable == 'Razon social':
|
153 |
+
figura, eje = plt.subplots()
|
154 |
+
eje.pie(df_segmentado['razon_social'].notna().value_counts(), labels= ['No cuentan con razón social', 'Sí cuentan con razón social'],
|
155 |
+
autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
156 |
+
eje.axis('equal')
|
157 |
+
st.pyplot(figura)
|
158 |
+
elif opcion_variable == 'Rango de personal ocupado':
|
159 |
+
figura, eje = plt.subplots()
|
160 |
+
eje.pie(df_segmentado['rango_personal_ocupado'].value_counts(), labels= ['0 a 5 personas', '6 a 10 personas', '11 a 30 personas', '31 a 50 personas',
|
161 |
+
'51 a 100 personas', '101 a 250 personas', '251 y más personas'],
|
162 |
+
autopct= '%1.1f%%', explode= [0.1, 0, 0, 0, 0.3, 0.6, 0.9], shadow= True)
|
163 |
+
eje.axis('equal')
|
164 |
+
st.pyplot(figura)
|
165 |
+
elif opcion_variable == 'Cuenta con correo electrónico':
|
166 |
+
figura, eje = plt.subplots()
|
167 |
+
eje.pie(df_segmentado['correo_electronico'].notna().value_counts(),
|
168 |
+
labels= ['No cuentan con correo electrónico', 'Sí cuentan con correo electrónico'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
169 |
+
eje.axis('equal')
|
170 |
+
st.pyplot(figura)
|
171 |
+
elif opcion_variable == 'Cuenta con sitio de Internet':
|
172 |
+
figura, eje = plt.subplots()
|
173 |
+
eje.pie(df_segmentado['sitio_internet'].notna().value_counts(),
|
174 |
+
labels= ['No cuentan con sitio en Internet', 'Sí cuentan con sitio en Internet'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
175 |
+
eje.axis('equal')
|
176 |
+
st.pyplot(figura)
|
177 |
+
elif opcion_variable == 'Tipo de establecimiento':
|
178 |
+
figura, eje = plt.subplots()
|
179 |
+
eje.pie(df_segmentado['tipo_establecimiento'].value_counts(), labels= ['Fijo', 'Semifijo'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
|
180 |
+
eje.axis('equal')
|
181 |
+
st.pyplot(figura)
|
182 |
+
elif opcion_grafico == 'De barras':
|
183 |
+
opcion_estado = st.sidebar.selectbox('Escoge una entidad federativa para explorar', [i for i in copia_df.groupby(by= 'entidad_federativa').groups])
|
184 |
+
df_segmentado = copia_df.groupby(by= 'entidad_federativa').get_group(opcion_estado)
|
185 |
+
st.subheader('Selecciona la variable categórica en torno a la cual deseas agrupar los demás valores:')
|
186 |
+
if st.sidebar.checkbox('Razón social'):
|
187 |
+
figura = plt.figure()
|
188 |
+
eje = sns.countplot(y= 'nombre_clase_actividad', hue= '_razon_social', data= df_segmentado)
|
189 |
+
st.pyplot(figura)
|
190 |
+
elif st.sidebar.checkbox('Rango de personal ocupado'):
|
191 |
+
figura = plt.figure()
|
192 |
+
eje = sns.countplot(y= 'nombre_clase_actividad', hue= 'rango_personal_ocupado', data= df_segmentado)
|
193 |
+
st.pyplot(figura)
|
194 |
+
elif st.sidebar.checkbox('Correo electrónico'):
|
195 |
+
figura = plt.figure()
|
196 |
+
eje = sns.countplot(y= 'nombre_clase_actividad', hue= '_correo_electronico', data= df_segmentado)
|
197 |
+
st.pyplot(figura)
|
198 |
+
elif st.sidebar.checkbox('Sitio en Internet'):
|
199 |
+
figura = plt.figure()
|
200 |
+
eje = sns.countplot(y= 'nombre_clase_actividad', hue= '_sitio_internet', data= df_segmentado)
|
201 |
+
st.pyplot(figura)
|
202 |
+
elif st.sidebar.checkbox('Tipo de establecimiento'):
|
203 |
+
figura = plt.figure()
|
204 |
+
eje = sns.countplot(y= 'nombre_clase_actividad', hue= 'tipo_establecimiento', data= df_segmentado)
|
205 |
+
st.pyplot(figura)
|
206 |
+
elif opcion_grafico == 'Mapa de calor':
|
207 |
+
etiquetador = LabelEncoder()
|
208 |
+
copia_df = df_cargado.copy()
|
209 |
+
for columna in copia_df.columns:
|
210 |
+
copia_df[columna] = etiquetador.fit_transform(copia_df[columna])
|
211 |
+
copia_df.drop(columns= ['nombre_unidad_economica', 'tipo_vialidad', 'nombre_vialidad', 'numero', 'tipo_asentamiento_humano', 'nombre_asentamiento_humano',
|
212 |
+
'codigo_postal', 'entidad_federativa', 'municipio', 'fecha_incorporacion_denue'], inplace= True)
|
213 |
+
figura = plt.figure()
|
214 |
+
eje = sns.heatmap(copia_df.corr(), annot= True)
|
215 |
+
st.pyplot(figura)
|
216 |
elif opcion_general == 'Hallazgos':
|
217 |
st.title('Hallazgos')
|
218 |
elif opcion_general == 'Referencias':
|
219 |
st.title('Referencias')
|
220 |
|
221 |
|
222 |
+
|
223 |
|
224 |
+
|
225 |
+
|
226 |
+
|
227 |
+
|
228 |
+
|
229 |
+
|