Update app.py

app.py

@@ -1,103 +1,229 @@
+import imp
+import io
 import re
 import numpy as np
 import pandas as pd
 import seaborn as sns
 import streamlit as st
 import matplotlib.pyplot as plt
+from sklearn.preprocessing import LabelEncoder
 
 
+st.sidebar.title('Secciones')
 opcion_general = st.sidebar.selectbox('Selecciona la sección que desees revisar', ['Presentación', 'Resumen', 'Conceptos clave', 
                  'Análisis exploratorio (EDA: Exploratory Data Analysis)', 'Hallazgos', 'Referencias'])
 
 if opcion_general == 'Presentación':
-                 st.title('Estudio sobre las Industrias Culturales y Creativas en México')
-                 st.write('Por Jesús Eduardo Oliva Abarca')
-                 st.write('Facultad de Artes Visuales, Universidad Autónoma de Nuevo León')
+    st.title('Estudio sobre las Industrias Culturales y Creativas en México')
+    st.write('Por Jesús Eduardo Oliva Abarca')
+    st.write('Facultad de Artes Visuales, Universidad Autónoma de Nuevo León')
 elif opcion_general == 'Resumen':
-                 st.title('Resumen')
-                 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.''')
-                 st.markdown('''Palabras clave: analítica cultural, brecha digital, campo cultural, industrias culturales y creativas, innovación cultural''')
+    st.title('Resumen')
+    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.''')
+    st.markdown('''Palabras clave: analítica cultural, brecha digital, campo cultural, industrias culturales y creativas, innovación cultural''')
 elif opcion_general == 'Conceptos clave':
-                 st.title('Conceptos clave')
-                 tema = st.sidebar.radio('Selecciona la temática de tu interés', ['Industrias Culturales y Creativas', 'Analítica Cultural'])
-                 if tema == 'Industrias Culturales y Creativas':
-                                  st.header('Industrias Culturales y Culturales')
-                 elif tema == 'Analítica Cultural':
-                                  st.header('Analítica Cultural')
+    st.title('Conceptos clave')
+    tema = st.sidebar.radio('Selecciona la temática de tu interés', ['Industrias Culturales y Creativas', 'Analítica Cultural'])
+    if tema == 'Industrias Culturales y Creativas':
+        st.header('Industrias Culturales y Creativas')
+    elif tema == 'Analítica Cultural':
+        st.header('Analítica Cultural')
 elif opcion_general == 'Análisis exploratorio (EDA: Exploratory Data Analysis)':
-                 st.title('Análisis exploratorio (EDA: Exploratory Data Analysis)')
-                 opcion = st.sidebar.selectbox('Selecciona el año que deseas examinar', ('2015', '2016', '2017', '2018', '2019', '2020',
-                 '2021'))
-                 df_cargado = pd.read_csv('datos_procesados/datos_denue_icc_' + opcion + '.csv')
-                 st.write('Seleccionaste el año', opcion)
-                 st.dataframe(df_cargado)
-                 opcion_grafico = st.sidebar.radio('Selecciona el gráfico para visualizar los datos', ('Pie', 'De barras horizontales'))
-                 if opcion_grafico == 'Pie':
-                                  opcion_variable = st.sidebar.selectbox('Selecciona la variable categórica que deseas graficar', 
-                                  ['Razon social', 'Rango de personal ocupado', 'Cuenta con correo electrónico', 
-                                  'Cuenta con sitio de Internet', 'Tipo de establecimiento'])
-                                  if opcion_variable == 'Razon social':
-                                                   figura, eje = plt.subplots()
-                                                   eje.pie(df_cargado['razon_social'].notna().value_counts(), 
-                                                   labels= ['No cuentan con razón social', 'Sí cuentan con razón social'], 
-                                                   autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
-                                                   eje.axis('equal')
-                                                   st.pyplot(figura)
-                                  elif opcion_variable == 'Rango de personal ocupado':
-                                                   figura, eje = plt.subplots()
-                                                   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', 
-                                                   '51 a 100 personas', '101 a 250 personas', '251 y más personas'], 
-                                                   autopct= '%1.1f%%', explode= [0.1, 0, 0, 0, 0.3, 0.6, 0.9], shadow= True)
-                                                   eje.axis('equal')
-                                                   st.pyplot(figura)
-                                  elif opcion_variable == 'Cuenta con correo electrónico':
-                                                   figura, eje = plt.subplots()
-                                                   eje.pie(df_cargado['correo_electronico'].notna().value_counts(), 
-                                                   labels= ['No cuentan con correo electrónico', 'Sí cuentan con correo electrónico'], 
-                                                   autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
-                                                   eje.axis('equal')
-                                                   st.pyplot(figura)
-                                  elif opcion_variable == 'Cuenta con sitio de Internet':
-                                                   figura, eje = plt.subplots()
-                                                   eje.pie(df_cargado['sitio_internet'].notna().value_counts(), 
-                                                   labels= ['No cuentan con sitio en Internet', 'Sí cuentan con sitio en Internet'], 
-                                                   autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
-                                                   eje.axis('equal')
-                                                   st.pyplot(figura)
-                                  elif opcion_variable == 'Tipo de establecimiento':
-                                                   figura, eje = plt.subplots()
-                                                   eje.pie(df_cargado['tipo_establecimiento'].value_counts(), 
-                                                   labels= ['Fijo', 'Semifijo'], 
-                                                   autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
-                                                   eje.axis('equal')
-                                                   st.pyplot(figura)
-                 if opcion_grafico == 'De barras horizontales':
-                                  opcion_estado = st.sidebar.selectbox('Escoge una entidad federativa para explorar', 
-                                                   [i for i in df_cargado.groupby(by= 'entidad_federativa').groups])
-                                  df_entidad_federativa = df_cargado.groupby(by= 'entidad_federativa').get_group(opcion_estado)
-                                  #st.table(pd.crosstab(df_entidad_federativa['nombre_clase_actividad'], 
-                                  #[df_entidad_federativa['sitio_internet'].notna()]))
-                                  #st.bar_chart(df_entidad_federativa['nombre_clase_actividad'].value_counts())
-                                  #figura, eje = plt.subplots()
-                                  #eje.hist(pd.crosstab([df_entidad_federativa['sitio_internet'].notna()], 
-                                  #df_entidad_federativa['nombre_clase_actividad']))
-                                  #st.pyplot(figura)
-                                  #st.pyplot(pd.crosstab(df_entidad_federativa['nombre_clase_actividad'], 
-                                  #[df_entidad_federativa['sitio_internet'].notna()]).plot(kind= 'barh'))
-                                  
-                                  
-                                  fig3 = plt.figure()
-                                  sns.heatmap(df_entidad_federativa[['nombre_clase_actividad', 
-                                             'rango_personal_ocupado']].apply(lambda x : pd.factorize(x)[0]).corr(method= 'pearson',
-                                             min_periods= 1), annot= True)
-                                  st.pyplot(fig3)
-                                  
+    st.title('Análisis exploratorio (EDA: Exploratory Data Analysis)')
+    opcion = st.sidebar.selectbox('Selecciona el año que deseas examinar', ('2015', '2016', '2017', '2018', '2019', '2020', '2021'))
+    df_cargado = pd.read_csv('datos_procesados/datos_denue_icc_' + opcion + '.csv')
+    st.sidebar.write('Seleccionaste el año', opcion)
+
+    copia_df = df_cargado.copy()
+    datos_binarios = df_cargado[['razon_social', 'correo_electronico', 'sitio_internet']].notna()
+    copia_df.insert(2, '_razon_social', datos_binarios['razon_social'])
+    copia_df.insert(13, '_correo_electronico', datos_binarios['correo_electronico'])
+    copia_df.insert(15, '_sitio_internet', datos_binarios['sitio_internet'])
+    copia_df['_razon_social'] = copia_df['_razon_social'].astype(str)
+    copia_df['_razon_social'] = copia_df['_razon_social'].replace('False', 'No tiene')
+    copia_df['_razon_social'] = copia_df['_razon_social'].replace('True', 'Sí tiene')
+    copia_df['_correo_electronico'] = copia_df['_correo_electronico'].astype(str)
+    copia_df['_correo_electronico'] = copia_df['_correo_electronico'].replace('False', 'No tiene')
+    copia_df['_correo_electronico'] = copia_df['_correo_electronico'].replace('True', 'Sí tiene')
+    copia_df['_sitio_internet'] = copia_df['_sitio_internet'].astype(str)
+    copia_df['_sitio_internet'] = copia_df['_sitio_internet'].replace('False', 'No tiene')
+    copia_df['_sitio_internet'] = copia_df['_sitio_internet'].replace('True', 'Sí tiene')
+
+    opcion_actividad = st.sidebar.radio('Selecciona la actividad que deseas realizar sobre el conjunto de datos seleccionado', ['Exploración descriptiva',
+                        'Visualización'])
+    if opcion_actividad == 'Exploración descriptiva':
+        opcion_tarea = st.sidebar.selectbox('Selecciona la tarea exploratoria', ['Descripción general', 'Marco de datos completo', 
+                        'Agrupación', 'Análisis de segmentación', 'Correlaciones'])
+        if opcion_tarea == 'Descripción general':
+            buffer = io.StringIO()
+            df_cargado.info(buf= buffer)
+            info_df = buffer.getvalue()
+            st.text(info_df)
+        elif opcion_tarea == 'Marco de datos completo':
+            st.dataframe(df_cargado)
+        elif opcion_tarea == 'Agrupación':
+            st.subheader('Selecciona la variable categórica en torno a la cual deseas agrupar los demás valores:')
+            if st.sidebar.checkbox('Razón social'):
+                df_grupo = df_cargado['razon_social'].notna().value_counts()
+                st.table(df_grupo)              
+            elif st.sidebar.checkbox('Clase de actividad'):
+                df_grupo = df_cargado['nombre_clase_actividad'].value_counts()
+                st.table(df_grupo)
+            elif st.sidebar.checkbox('Rango de personal ocupado'):
+                df_grupo = df_cargado['rango_personal_ocupado'].value_counts()
+                st.table(df_grupo)
+            elif st.sidebar.checkbox('Entidad federativa'):
+                df_grupo = df_cargado['entidad_federativa'].value_counts()
+                st.table(df_grupo)
+            elif st.sidebar.checkbox('Correo electrónico'):
+                df_grupo = df_cargado['correo_electronico'].notna().value_counts()
+                st.table(df_grupo)
+            elif st.sidebar.checkbox('Sitio en Internet'):
+                df_grupo = df_cargado['sitio_internet'].notna().value_counts()
+                st.table(df_grupo)    
+            elif st.sidebar.checkbox('Tipo de establecimiento'):
+                df_grupo = df_cargado['tipo_establecimiento'].value_counts()
+                st.table(df_grupo)   
+        elif opcion_tarea == 'Análisis de segmentación':
+            try:
+                opcion_estado = st.sidebar.selectbox('Selecciona la entidad federativa', [i for i in copia_df.groupby(by= 'entidad_federativa').groups])
+                opcion_razon_social = st.sidebar.selectbox('Selecciona el estatus de registro legal', [i for i in copia_df.groupby(by= '_razon_social').groups])
+                opcion_actividad = st.sidebar.selectbox('Selecciona la clase de actividad', [i for i in copia_df.groupby(by= 'nombre_clase_actividad').groups])
+                opcion_rango_ocupacion = st.sidebar.selectbox('Selecciona el rango de ocupación laboral', [i for i in copia_df.groupby(by= 'rango_personal_ocupado').groups])
+                opcion_correo = st.sidebar.selectbox('Selecciona según posea o no correo electrónico', [i for i in copia_df.groupby(by= '_correo_electronico').groups])
+                opcion_sitio = st.sidebar.selectbox('Selecciona según posea o no sitio en Internet', [i for i in copia_df.groupby(by= '_sitio_internet').groups])
+                opcion_tipo_establecimiento = st.sidebar.selectbox('Selecciona el tipo de establecimiento', [i for i in copia_df.groupby(by= 'tipo_establecimiento').groups])
+                df_segmentado = copia_df.groupby(['entidad_federativa', '_razon_social', 'nombre_clase_actividad', 'rango_personal_ocupado', '_correo_electronico',
+                                        '_sitio_internet', 'tipo_establecimiento']).get_group((opcion_estado, opcion_razon_social, opcion_actividad, 
+                                        opcion_rango_ocupacion, opcion_correo, opcion_sitio, opcion_tipo_establecimiento))
+                df_segmentado.drop(columns= 'entidad_federativa', inplace= True)
+                st.dataframe(df_segmentado)
+            except KeyError:
+                st.warning('No existen entradas u observaciones para las categorías seleccionadas')
+        elif opcion_tarea == 'Correlaciones':
+           etiquetador = LabelEncoder()
+           copia_df = df_cargado.copy()
+           for columna in copia_df.columns:
+               copia_df[columna] = etiquetador.fit_transform(copia_df[columna])
+           copia_df.drop(columns= ['nombre_unidad_economica', 'tipo_vialidad', 'nombre_vialidad', 'numero', 'tipo_asentamiento_humano', 'nombre_asentamiento_humano',
+           'codigo_postal', 'entidad_federativa', 'municipio', 'fecha_incorporacion_denue'], inplace= True)
+           st.table(copia_df.corr(method= 'pearson'))
+    elif opcion_actividad == 'Visualización':
+        opcion_grafico = st.sidebar.radio('Selecciona el gráfico para visualizar los datos', ('Pie', 'De barras', 'Mapa de calor'))
+        if opcion_grafico == 'Pie':
+            if st.sidebar.checkbox('Gráfico general'):
+                opcion_variable = st.sidebar.selectbox('Selecciona la variable categórica que deseas graficar', 
+                ['Razon social', 'Rango de personal ocupado', 'Cuenta con correo electrónico', 'Cuenta con sitio de Internet', 'Tipo de establecimiento'])
+                if opcion_variable == 'Razon social':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_cargado['razon_social'].notna().value_counts(), labels= ['No cuentan con razón social', 'Sí cuentan con razón social'], 
+                    autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Rango de personal ocupado':
+                    figura, eje = plt.subplots()
+                    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', 
+                    '51 a 100 personas', '101 a 250 personas', '251 y más personas'], 
+                    autopct= '%1.1f%%', explode= [0.1, 0, 0, 0, 0.3, 0.6, 0.9], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Cuenta con correo electrónico':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_cargado['correo_electronico'].notna().value_counts(), 
+                    labels= ['No cuentan con correo electrónico', 'Sí cuentan con correo electrónico'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Cuenta con sitio de Internet':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_cargado['sitio_internet'].notna().value_counts(), 
+                    labels= ['No cuentan con sitio en Internet', 'Sí cuentan con sitio en Internet'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Tipo de establecimiento':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_cargado['tipo_establecimiento'].value_counts(), labels= ['Fijo', 'Semifijo'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+            elif st.sidebar.checkbox('Gráfico por entidad federativa'):
+                opcion_estado = st.sidebar.selectbox('Selecciona la entidad federativa', [i for i in copia_df.groupby(by= 'entidad_federativa').groups])
+                opcion_variable = st.sidebar.selectbox('Selecciona la variable categórica que deseas graficar', 
+                ['Razon social', 'Rango de personal ocupado', 'Cuenta con correo electrónico', 'Cuenta con sitio de Internet', 'Tipo de establecimiento'])
+                df_segmentado = copia_df.groupby('entidad_federativa').get_group(opcion_estado)
+                if opcion_variable == 'Razon social':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_segmentado['razon_social'].notna().value_counts(), labels= ['No cuentan con razón social', 'Sí cuentan con razón social'], 
+                    autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Rango de personal ocupado':
+                    figura, eje = plt.subplots()
+                    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', 
+                    '51 a 100 personas', '101 a 250 personas', '251 y más personas'], 
+                    autopct= '%1.1f%%', explode= [0.1, 0, 0, 0, 0.3, 0.6, 0.9], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Cuenta con correo electrónico':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_segmentado['correo_electronico'].notna().value_counts(), 
+                    labels= ['No cuentan con correo electrónico', 'Sí cuentan con correo electrónico'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Cuenta con sitio de Internet':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_segmentado['sitio_internet'].notna().value_counts(), 
+                    labels= ['No cuentan con sitio en Internet', 'Sí cuentan con sitio en Internet'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+                elif opcion_variable == 'Tipo de establecimiento':
+                    figura, eje = plt.subplots()
+                    eje.pie(df_segmentado['tipo_establecimiento'].value_counts(), labels= ['Fijo', 'Semifijo'], autopct= '%1.1f%%', explode= [0, 0.1], shadow= True)
+                    eje.axis('equal')
+                    st.pyplot(figura)
+        elif opcion_grafico == 'De barras':
+            opcion_estado = st.sidebar.selectbox('Escoge una entidad federativa para explorar', [i for i in copia_df.groupby(by= 'entidad_federativa').groups])
+            df_segmentado = copia_df.groupby(by= 'entidad_federativa').get_group(opcion_estado)
+            st.subheader('Selecciona la variable categórica en torno a la cual deseas agrupar los demás valores:')
+            if st.sidebar.checkbox('Razón social'):
+                figura = plt.figure()
+                eje = sns.countplot(y= 'nombre_clase_actividad', hue= '_razon_social', data= df_segmentado)
+                st.pyplot(figura)       
+            elif st.sidebar.checkbox('Rango de personal ocupado'):
+                figura = plt.figure()
+                eje = sns.countplot(y= 'nombre_clase_actividad', hue= 'rango_personal_ocupado', data= df_segmentado)
+                st.pyplot(figura)  
+            elif st.sidebar.checkbox('Correo electrónico'):
+                figura = plt.figure()
+                eje = sns.countplot(y= 'nombre_clase_actividad', hue= '_correo_electronico', data= df_segmentado)
+                st.pyplot(figura)  
+            elif st.sidebar.checkbox('Sitio en Internet'):
+                figura = plt.figure()
+                eje = sns.countplot(y= 'nombre_clase_actividad', hue= '_sitio_internet', data= df_segmentado)
+                st.pyplot(figura)    
+            elif st.sidebar.checkbox('Tipo de establecimiento'):
+                figura = plt.figure()
+                eje = sns.countplot(y= 'nombre_clase_actividad', hue= 'tipo_establecimiento', data= df_segmentado)
+                st.pyplot(figura)
+        elif opcion_grafico == 'Mapa de calor':
+            etiquetador = LabelEncoder()
+            copia_df = df_cargado.copy()
+            for columna in copia_df.columns:
+               copia_df[columna] = etiquetador.fit_transform(copia_df[columna])
+            copia_df.drop(columns= ['nombre_unidad_economica', 'tipo_vialidad', 'nombre_vialidad', 'numero', 'tipo_asentamiento_humano', 'nombre_asentamiento_humano',
+                    'codigo_postal', 'entidad_federativa', 'municipio', 'fecha_incorporacion_denue'], inplace= True)
+            figura = plt.figure()
+            eje = sns.heatmap(copia_df.corr(), annot= True)
+            st.pyplot(figura)
 elif opcion_general == 'Hallazgos':
                  st.title('Hallazgos')
 elif opcion_general == 'Referencias':
                  st.title('Referencias')
 
 
+            
 
-
+            
+    
+    
+    
+    
+