ASISTENTES AL TEATRO EN CABA
Un acercamiento a partir de los asistentes al CTBA
PROPÓSITO
El propósito de este informe es poder caracterizar a los asistentes al Complejo Teatral Buenos Aires (CTBA), a partir de la base de usuario de quienes compraron entradas via online en 2018. Para ello, se describirá la base a partir de sus distintas variables. Además, a través de herramientas geoespaciales, se cruzará la información de los asistentes con información censal para establecer su perfil sociodemográfico (observando qué caracteristicas son estadísticamente significativas para establecer dicho perfil).
DATASETS
El principal Dataset a utilizar es el de usuario de CTBA para el año 2018. Este dataset presenta todas las transacciones online para la adiquisicion de entradas a funciones de teatro circuito oficial. Las variables que presenta son: Nombre, apellido, mail del usuario. Fecha de nacimiento de los usuarios Domicilio Ciudad Provincia País CP Género: del comprador Evento: qué obra de teatro, recital, etc Día *Lugar: teatro en el que se realizó la función
Otros dataset a utilizar son: 1- ESPACIOS CULTURALES DE LA CIUDAD DE BUENOS AIRES, de Data Cultura BA. Para obtener información de los espacios culturales de la CABA. 2-Información censal por radio de la Ciudad de Buenos Aires, a partir del Censo 2010, georreferenciados. 3-Barrios de la CABA, de Data BA, georreferenciados.
DESARROLLO
Puesta a punto y exploración de la base
Se abren las librerias que se utilizarán
library (tidyverse)
library (ggplot2)
library(sf)
library(httr)
library(jsonlite)
library(readr)
library(lubridate)
library(tufte)
library(eeptools)
library ("sp")
library(rgeos)
library(lwgeom)Se carga la base de usuarios de CTBA y se osberva cómo se compone el dataset
ctba18 <- read_csv("C:/Users/Claudia/Documents/R/GCBA Datos/Taller CABA/ctba18.csv")
str(ctba18)## Classes 'spec_tbl_df', 'tbl_df', 'tbl' and 'data.frame': 25789 obs. of 19 variables:
## $ Nombre : chr "venceslao ariel" "Patricio" "Patricio German" "paula" ...
## $ Apellido : chr "gerlich" "Uranga" "Barletta" "briuolo" ...
## $ Documento : chr "24501520" "28910621" "35725907" "10203040" ...
## $ Fecha de nac. : Date, format: "1975-03-02" "1981-06-25" ...
## $ Mail : chr "agerlich75@gmail.com" "pato_u@hotmail.com" "pbarletta@gmail.com" "pbriuolo@gmail.com" ...
## $ Domicilio : chr "combate de los pozos 1138 3 c" "Av Díaz Vélez 3841" "Moctezuma 1036" "Potosí 4052" ...
## $ Ciudad : chr "caba" "CABA" "C.A.B.A" "caba" ...
## $ Provincia : chr "Ciudad Autonoma de Buenos Aires" "Ciudad Autonoma de Buenos Aires" "Ciudad Autonoma de Buenos Aires" "Ciudad Autonoma de Buenos Aires" ...
## $ CP : chr "1222" "1200" "1407" "1199" ...
## $ Pais : chr "Argentina" "Argentina" "Argentina" "Argentina" ...
## $ Genero : chr "H" "H" "H" "M" ...
## $ Evento : chr "La vuelta al mundo en 80 mundos" "Madre coraje" "La vuelta al mundo en 80 mundos" "Blum" ...
## $ Dia : POSIXct, format: "2018-07-21 15:00:00" "2018-12-01 21:00:00" ...
## $ Lugar : chr "CTBA - Teatro Regio" "CTBA - Teatro Regio" "CTBA - Teatro Regio" "CTBA - Teatro Regio" ...
## $ columna_14 : logi NA NA NA NA NA NA ...
## $ direccion_normalizada: chr "COMBATE DE LOS POZOS 1138, CABA" "DIAZ VELEZ AV. 3841, CABA" "MOCTEZUMA 1036, CABA" "POTOSI 4052, CABA" ...
## $ geometry : chr "POINT (-58.3930035897 -34.6220360987)" "POINT (-58.4205179695 -34.6084677)" "POINT (-58.4949711811 -34.627832926)" "POINT (-58.4237642146 -34.6073197621)" ...
## $ barrio : chr "San Cristóbal" "Almagro" "Vélez Sarsfield" "Almagro" ...
## $ comuna : chr "Comuna 3" "Comuna 5" "Comuna 10" "Comuna 5" ...
## - attr(*, "spec")=
## .. cols(
## .. Nombre = col_character(),
## .. Apellido = col_character(),
## .. Documento = col_character(),
## .. `Fecha de nac.` = col_date(format = ""),
## .. Mail = col_character(),
## .. Domicilio = col_character(),
## .. Ciudad = col_character(),
## .. Provincia = col_character(),
## .. CP = col_character(),
## .. Pais = col_character(),
## .. Genero = col_character(),
## .. Evento = col_character(),
## .. Dia = col_datetime(format = ""),
## .. Lugar = col_character(),
## .. columna_14 = col_logical(),
## .. direccion_normalizada = col_character(),
## .. geometry = col_character(),
## .. barrio = col_character(),
## .. comuna = col_character()
## .. )El dataset tiene 25789 observaciones (aquí refieren a transacciones realizadas).
Se observa que la columna que debe proveer la ubicación geográfica, está como clase character, por lo que tengo que tranformarla. Se define también el sistema de coordenadas (4326).
ctba18$geometry <- st_as_sfc(ctba18$geometry, crs = 4326)
class(ctba18$geometry)## [1] "sfc_POINT" "sfc"A continuación exploro los valores que presenta el dataset:
summary(ctba18)## Nombre Apellido Documento
## Length:25789 Length:25789 Length:25789
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## Fecha de nac. Mail Domicilio
## Min. :1759-06-12 Length:25789 Length:25789
## 1st Qu.:1960-10-26 Class :character Class :character
## Median :1974-04-16 Mode :character Mode :character
## Mean :1996-09-02
## 3rd Qu.:1986-01-09
## Max. :4089-10-15
## NA's :130
## Ciudad Provincia CP
## Length:25789 Length:25789 Length:25789
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## Pais Genero Evento
## Length:25789 Length:25789 Length:25789
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
##
## Dia Lugar columna_14
## Min. :2018-03-01 21:00:00 Length:25789 Mode:logical
## 1st Qu.:2018-06-01 20:30:00 Class :character NA's:25789
## Median :2018-08-03 20:00:00 Mode :character
## Mean :2018-08-02 18:52:30
## 3rd Qu.:2018-09-29 17:00:00
## Max. :2018-12-16 20:30:00
##
## direccion_normalizada geometry barrio
## Length:25789 POINT :25789 Length:25789
## Class :character epsg:4326 : 0 Class :character
## Mode :character +proj=long...: 0 Mode :character
##
##
##
##
## comuna
## Length:25789
## Class :character
## Mode :character
##
##
##
## Se analizan algunas columnas para ver si son utiles para el análisis o se pueden desechar
head (ctba18$Ciudad,20)## [1] "caba" "CABA"
## [3] "C.A.B.A" "caba"
## [5] "lanus" "CAPITAL FEDERAL"
## [7] "CABA" "San Martín"
## [9] "CABA" "CABA"
## [11] "Caba" "Caballito"
## [13] "capital federal" "belgrano"
## [15] "Capital Federal" "palermo"
## [17] "buenos aires" "caba"
## [19] "Caba" "Ciudad Autónoma de Buenos Aires"head (ctba18$Provincia, 20)## [1] "Ciudad Autonoma de Buenos Aires" "Ciudad Autonoma de Buenos Aires"
## [3] "Ciudad Autonoma de Buenos Aires" "Ciudad Autonoma de Buenos Aires"
## [5] "Buenos Aires" "CAPITAL FEDERAL"
## [7] "Ciudad Autonoma de Buenos Aires" "Buenos Aires"
## [9] "Ciudad de Buenos Aires" "Buenos Aires"
## [11] "Ciudad Autonoma de Buenos Aires" "Capital Federal"
## [13] "Ciudad Autonoma de Buenos Aires" "Ciudad Autonoma de Buenos Aires"
## [15] "Ciudad Autonoma de Buenos Aires" "Ciudad Autonoma de Buenos Aires"
## [17] "C.A.B.A." "Ciudad Autonoma de Buenos Aires"
## [19] "Buenos Aires" "Ciudad Autonoma de Buenos Aires"table (ctba18$comuna)##
## Comuna 1 Comuna 10 Comuna 11 Comuna 12 Comuna 13 Comuna 14 Comuna 15
## 2852 722 1041 1605 3135 3779 2680
## Comuna 2 Comuna 3 Comuna 4 Comuna 5 Comuna 6 Comuna 7 Comuna 8
## 1965 1593 907 1865 1984 1040 146
## Comuna 9
## 474table (ctba18$Lugar)##
## CTBA - CCK - Sala Argentina
## 5
## CTBA - CCK - Sala Sinfonica
## 5
## CTBA - Parroquia San Ildefonso
## 5
## CTBA - Teatro de la Ribera
## 950
## CTBA - Teatro Regio
## 8132
## CTBA - Teatro San Martin - CEDOC 4° piso
## 57
## CTBA - Teatro San Martin - Sala Casacuberta
## 6612
## CTBA - Teatro San Martin - Sala Casacuberta S/N
## 88
## CTBA - Teatro San Martin - Sala Cunill Cabanellas
## 2064
## CTBA - Teatro San Martin - Sala Martin Coronado
## 4570
## CTBA - Teatro San Martin Visitas guiadas
## 2
## CTBA - Teatro Sarmiento
## 3299head (ctba18$barrio, 20)## [1] "San Cristóbal" "Almagro" "Vélez Sarsfield"
## [4] "Almagro" "Parque Chacabuco" "Recoleta"
## [7] "Chacarita" "Almagro" "Palermo"
## [10] "Palermo" "Palermo" "Caballito"
## [13] "Mataderos" "Belgrano" "Villa Ortúzar"
## [16] "Colegiales" "Almagro" "Belgrano"
## [19] "Almagro" "Parque Patricios"head (ctba18$CP, 20)## [1] "1222" "1200" "1407" "1199" "1824" "1425" "1427" "1650"
## [9] "1425" "1426" "1425" "1424" "1440" "1428" "1430" "1426"
## [17] "1177" "1428" "1704" "C1437"table (ctba18$Genero)##
## H M
## 9656 15888Se observa que CP, Ciudad y Provincia están muy sucias, además, esa información ya está provista por la geolocalización, la variable barrio y comuna. Lo mismo sucede con la variable Domicilio. Para identificar a cada usuario, se utilizará la variable mail.
Limpiar el data set, generando uno nuevo con menos variables
ctba18v0 <- ctba18 %>%
select ( -Domicilio , -Ciudad, -Provincia, -CP, -Nombre, -Apellido, -Documento, -Pais, -columna_14)Comola información venía a nivel sala de teatro (varibale Lugar), se crea una nueva definiendo los teatros:
ctba18v0 <- mutate (ctba18v0, teatro = Lugar)
ctba18v0$teatro <- ctba18v0$teatro %>%
str_replace ("CTBA - CCK - Sala Argentina", "CCK") %>%
str_replace ("CTBA - CCK - Sala Sinfonica", "CCK") %>%
str_replace ("CTBA - Teatro Sarmiento", "Teatro Sarmiento") %>%
str_replace ("CTBA - Parroquia San Ildefonso", "Pquia San Ildefonso") %>%
str_replace ("CTBA - Teatro de la Ribera", "Teatro de la Ribera") %>%
str_replace ( "CTBA - Teatro Regio", "Teatro Regio") %>%
str_replace ("CTBA - Teatro San Martin - CEDOC 4° piso", "Teatro San Martin") %>%
str_replace ( "CTBA - Teatro San Martin - Sala Casacuberta", "Teatro San Martin") %>%
str_replace ( "CTBA - Teatro San Martin - Sala Casacuberta S/N", "Teatro San Martin") %>%
str_replace ("CTBA - Teatro San Martin - Sala Cunill Cabanellas", "Teatro San Martin") %>%
str_replace ("CTBA - Teatro San Martin - Sala Martin Coronado", "Teatro San Martin") %>%
str_replace ("CTBA - Teatro San Martin - Visitas guiadas", "Teatro San Martin") %>%
str_replace ("Teatro San Martin S/N", "Teatro San Martin") %>%
str_replace ( " CTBA - Teatro Sarmiento", "Teatro Sarmiento")
table(ctba18v0$teatro)##
## CCK
## 10
## CTBA - Teatro San Martin Visitas guiadas
## 2
## Pquia San Ildefonso
## 5
## Teatro de la Ribera
## 950
## Teatro Regio
## 8132
## Teatro San Martin
## 13391
## Teatro Sarmiento
## 3299Comienzo a analizar los resultados:
ggplot() +
geom_sf(data = ctba18v0, aes (colour = Genero)) +
coord_sf(crs = st_crs(4326)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por compras online, CABA, 2018",
caption = "Fuente: Data Cultura",
fill = "Genero") +
facet_wrap(~teatro)
Se observa que el CCK y la parroquia tienen muy pocos casos y desde los mismo puntos.
filter(ctba18v0, teatro == 'CCK' | teatro == 'Pquia San Ildefonso')## # A tibble: 15 x 11
## `Fecha de nac.` Mail Genero Evento Dia Lugar
## <date> <chr> <chr> <chr> <dttm> <chr>
## 1 NA pedr~ <NA> XXII ~ 2018-12-12 21:00:00 CTBA~
## 2 NA pedr~ <NA> XXII ~ 2018-12-12 21:00:00 CTBA~
## 3 NA pedr~ <NA> XXII ~ 2018-12-07 20:00:00 CTBA~
## 4 NA pedr~ <NA> XXII ~ 2018-12-14 20:30:00 CTBA~
## 5 1982-07-06 gonr~ H XXII ~ 2018-12-12 21:00:00 CTBA~
## 6 1978-03-02 lore~ M XXII ~ 2018-12-07 20:00:00 CTBA~
## 7 1982-07-06 gonr~ H XXII ~ 2018-12-14 20:30:00 CTBA~
## 8 1978-03-02 lore~ M XXII ~ 2018-12-14 20:30:00 CTBA~
## 9 1957-12-31 patr~ M XXII ~ 2018-12-14 20:30:00 CTBA~
## 10 1982-07-06 gonr~ H XXII ~ 2018-12-07 20:00:00 CTBA~
## 11 NA pedr~ <NA> XXII ~ 2018-12-07 20:00:00 CTBA~
## 12 1957-12-31 patr~ M XXII ~ 2018-12-12 21:00:00 CTBA~
## 13 1978-03-02 lore~ M XXII ~ 2018-12-12 21:00:00 CTBA~
## 14 1957-12-31 patr~ M XXII ~ 2018-12-07 20:00:00 CTBA~
## 15 NA pedr~ <NA> XXII ~ 2018-12-14 20:30:00 CTBA~
## # ... with 5 more variables: direccion_normalizada <chr>, geometry <POINT
## # [°]>, barrio <chr>, comuna <chr>, teatro <chr>Todo muy sospechoso, se eliminan estos casos.
ctba18v0 <- filter (ctba18v0, teatro != 'CCK' & teatro != 'Pquia San Ildefonso')
table(ctba18v0$teatro)##
## CTBA - Teatro San Martin Visitas guiadas
## 2
## Teatro de la Ribera
## 950
## Teatro Regio
## 8132
## Teatro San Martin
## 13391
## Teatro Sarmiento
## 3299También se observó que hay NA en género, también se quitan.
ctba18v0 <- ctba18v0 %>%
filter(Genero != 'NA',
comuna != 'NA')Además, se agrega un layer de barrois para para ver mejor:
barrios <- st_read('https://data.buenosaires.gob.ar/dataset/19/resource/1c3d185b-fdc9-474b-b41b-9bd960a3806e/download/barrios.geojson')## Reading layer `barrios' from data source `https://data.buenosaires.gob.ar/dataset/19/resource/1c3d185b-fdc9-474b-b41b-9bd960a3806e/download/barrios.geojson' using driver `GeoJSON'
## Simple feature collection with 48 features and 4 fields
## geometry type: POLYGON
## dimension: XY
## bbox: xmin: -58.53092 ymin: -34.70574 xmax: -58.33455 ymax: -34.52799
## epsg (SRID): 4326
## proj4string: +proj=longlat +datum=WGS84 +no_defssummary(barrios)## BARRIO COMUNA PERIMETRO AREA
## AGRONOMIA: 1 1 : 6 10021.45966480549: 1 1232275.092474457: 1
## ALMAGRO : 1 10 : 6 10165.62712936149: 1 1279951.372561846: 1
## BALVANERA: 1 15 : 6 10597.25280900626: 1 1334146.08283464 : 1
## BARRACAS : 1 11 : 4 10674.41646756023: 1 1385411.513739759: 1
## BELGRANO : 1 12 : 4 10990.96447148555: 1 1406833.595801687: 1
## BOCA : 1 4 : 4 11124.63579209356: 1 15772496.3315 : 1
## (Other) :42 (Other):18 (Other) :42 (Other) :42
## geometry
## POLYGON :48
## epsg:4326 : 0
## +proj=long...: 0
##
##
##
## y gafico:
ggplot() +
geom_sf(data=barrios) +
geom_sf(data = ctba18v0, aes (colour = Genero)) +
coord_sf(crs = st_crs(4326)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por teatro, CABA, 2018",
caption = "Fuente: Data Cultura",
fill = "Genero") +
facet_wrap(~teatro) +
theme_minimal()
ggplot(ctba18v0) +
geom_bar (aes(x = Genero, fill = Genero)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por género, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Género",
y = "Cantidad") +
coord_flip()
Se observa que hay mayoria de mujeres (más de 2/3 del total)
ggplot(ctba18v0) +
geom_bar (aes(x = barrio, fill = Genero)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por barrio, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Barrio",
y = "Cantidad",
fill ="Género") +
coord_flip()
ggplot(ctba18v0) +
geom_bar (aes(x = comuna, fill = Genero)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por comuna, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Comuna",
y = "Cantidad",
fill ="Género") +
coord_flip()
Los asistentes radican mayoritariamente en la comuna 14, 13, 1 y 15. La comuna 8 presenta muy pocos asistentes.
ggplot(ctba18v0) +
geom_bar(aes(x = teatro, fill = Genero)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por teatro, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Teatro",
y = "Cantidad",
fill ="Género") +
coord_flip()
ggplot(ctba18v0) +
geom_bar(aes(x = comuna, fill = Genero)) +
facet_wrap(~teatro) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por teatro y comuna, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Comuna",
y = "Cantidad",
fill = "Género") +
coord_flip()
Se observa que el Teatro Sarmiento, que se encuentra en la Comuna 14, recibe muchos visistantes de esa misma comuna. Algo similar sucede con el teatro de la Ribera que prenta mayoria de asistentes de la comuna 1.
ggplot(ctba18v0) +
geom_bar(aes(x = month (Dia), fill = teatro)) +
facet_wrap(~teatro) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por mes y teatro, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Mes",
y = "Cantidad",
fill = "Teatro")
Se observa en qué momento del año está concentrada la actividad en cada teatro.Así se ve que el Sarmiento tuvo picos de actividad en agosto y septiembre, que el San Martín en vacaciones de invierno (julio y agosto) y en noviembre. El teatro de la Ribera en Septiembre y el Regio en julio.
ggplot(ctba18v0) +
geom_bar(aes(x = wday (Dia, label=TRUE, abbr=FALSE, week_start = 2), fill = teatro)) +
facet_wrap(~teatro) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por día y teatro, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Día",
y = "Cantidad",
fill = "Teatro")
Por otro lado, quiero calcular la edad de los asistentes, pero el dataset sólo tiene la fecha de nacimiento. Para calcularla, tengo que tener las dos variables como Date
class(ctba18v0$`Fecha de nac.`)## [1] "Date"class (ctba18v0$Dia)## [1] "POSIXct" "POSIXt"La variable Dia no es del tipo Date, tengo que transformarla
ctba18v0 <- mutate(ctba18v0, fecha = as.Date(ctba18v0$Dia))
class(ctba18v0$fecha)## [1] "Date"Lo segundo para poder calcular es que las fechas de inicio (de nacimiento) tiene que ser menor a la de fin (momento de la transacción). Por lo que creo un nuevo dataset con la variable edad
ctbaz<- subset(ctba18v0, ctba18v0$fecha > ctba18v0$`Fecha de nac.`)
ctbaz$edad <- age_calc(ctbaz$`Fecha de nac.`, ctbaz$fecha, units = 'years', precise = TRUE)
ctbaz$edad <- round(ctbaz$edad, digits = 0)
class(ctbaz$edad)## [1] "numeric"summary(ctbaz)## Fecha de nac. Mail Genero
## Min. :1759-06-12 Length:24358 Length:24358
## 1st Qu.:1960-01-30 Class :character Class :character
## Median :1972-09-18 Mode :character Mode :character
## Mean :1972-06-12
## 3rd Qu.:1984-06-07
## Max. :2018-11-18
## Evento Dia Lugar
## Length:24358 Min. :2018-03-01 21:00:00 Length:24358
## Class :character 1st Qu.:2018-06-01 20:37:30 Class :character
## Mode :character Median :2018-08-03 20:30:00 Mode :character
## Mean :2018-08-03 02:47:47
## 3rd Qu.:2018-09-29 17:00:00
## Max. :2018-12-16 20:30:00
## direccion_normalizada geometry barrio
## Length:24358 POINT :24358 Length:24358
## Class :character epsg:4326 : 0 Class :character
## Mode :character +proj=long...: 0 Mode :character
##
##
##
## comuna teatro fecha
## Length:24358 Length:24358 Min. :2018-03-01
## Class :character Class :character 1st Qu.:2018-06-01
## Mode :character Mode :character Median :2018-08-03
## Mean :2018-08-02
## 3rd Qu.:2018-09-29
## Max. :2018-12-16
## edad
## Min. : 0.00
## 1st Qu.: 34.00
## Median : 46.00
## Mean : 46.14
## 3rd Qu.: 58.00
## Max. :259.00Veo que en edad tengo valores muy altos (gente de 259 años!) y muy bajos (0 años), los saco del analisis, son compras por tarjeta de credito por eso suponemos una cota de mínimo de edad para las transacciones de 15 año.
subset (ctbaz, ctbaz$edad>100)## # A tibble: 26 x 13
## `Fecha de nac.` Mail Genero Evento Dia Lugar
## <date> <chr> <chr> <chr> <dttm> <chr>
## 1 1856-09-27 belu~ M Blum 2018-08-19 20:00:00 CTBA~
## 2 1844-05-26 jo.g~ M La Te~ 2018-08-02 21:00:00 CTBA~
## 3 1834-08-24 gonz~ M Petró~ 2018-08-16 21:00:00 CTBA~
## 4 1759-06-12 jona~ H El hi~ 2018-08-02 20:00:00 CTBA~
## 5 1899-12-31 fybl~ M Las a~ 2018-04-04 20:30:00 CTBA~
## 6 1868-02-15 emie~ M Miedo 2018-03-09 21:00:00 CTBA~
## 7 1796-02-16 msol~ M Blum 2018-07-19 20:30:00 CTBA~
## 8 1818-07-22 luci~ M Retro~ 2018-04-28 21:00:00 CTBA~
## 9 1885-12-02 ilet~ M Petró~ 2018-07-26 21:00:00 CTBA~
## 10 1856-09-27 belu~ M XXII ~ 2018-11-27 21:00:00 CTBA~
## # ... with 16 more rows, and 7 more variables:
## # direccion_normalizada <chr>, geometry <POINT [°]>, barrio <chr>,
## # comuna <chr>, teatro <chr>, fecha <date>, edad <dbl>subset (ctbaz, ctbaz$edad<15)## # A tibble: 586 x 13
## `Fecha de nac.` Mail Genero Evento Dia Lugar
## <date> <chr> <chr> <chr> <dttm> <chr>
## 1 2018-01-25 bell~ H Blum 2018-07-12 20:30:00 CTBA~
## 2 2018-01-03 joac~ H Cae l~ 2018-11-08 20:30:00 CTBA~
## 3 2018-08-18 mart~ H Blum 2018-09-09 20:00:00 CTBA~
## 4 2008-05-04 juan~ H Divin~ 2018-11-23 20:00:00 CTBA~
## 5 2018-06-10 mech~ M El hi~ 2018-08-12 20:00:00 CTBA~
## 6 2018-04-24 romi~ M Blum 2018-08-30 20:30:00 CTBA~
## 7 2018-05-22 roxa~ M Divin~ 2018-09-16 19:00:00 CTBA~
## 8 2018-05-22 roxa~ M La Te~ 2018-07-18 21:00:00 CTBA~
## 9 2018-01-04 tang~ H Blum 2018-08-04 20:30:00 CTBA~
## 10 2018-05-08 pial~ M La Te~ 2018-08-05 21:00:00 CTBA~
## # ... with 576 more rows, and 7 more variables:
## # direccion_normalizada <chr>, geometry <POINT [°]>, barrio <chr>,
## # comuna <chr>, teatro <chr>, fecha <date>, edad <dbl>ctbaz <- subset (ctbaz, ctbaz$edad<100)
ctbaz <- subset (ctbaz, ctbaz$edad>14)Ahora puedo graficar los comportamientos por edad
ggplot(ctbaz, aes(x=edad,fill = teatro)) +
geom_histogram(binwidth = 5) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por edad, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Cantidad",
fill = "Teatro")
ggplot(ctbaz, aes(x=edad, fill=Genero)) +
geom_histogram(binwidth = 5) +
facet_wrap(~teatro) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por edad y teatro, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Cantidad",
fill = "Género")
Por un lado es interesante notar que en general hay picos de asistencia entre el público de 30-40 años y de 55-65 años. Por otro lado, el Teatro Sarmiento y el de la Ribera presentan comportamientos específicos, el primero con público más jóven y el segundo más adulto. Esto se explica por el tipo de programación de estos teatros (más experimental, por un lado y más clásica, por el otro). No parecieran haber diferencias por género relacionadas con la edad.
ggplot(ctbaz, aes(x=edad, fill = teatro)) +
geom_histogram(binwidth = 5) +
facet_wrap(~hour(Dia)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por edad y hora, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Cantidad",
fill = "Teatro")
Otro dato llamativo es que el público más jóven es el que asiste al teatro más temprano ( y no los jubilados como se suele suponer)
ggplot(ctbaz, aes(x=edad, fill = teatro)) +
geom_histogram(binwidth = 5) +
facet_wrap(~wday(Dia, label=TRUE, abbr=FALSE, week_start = 2)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por edad y día, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Cantidad",
fill = "Teatro")
Al analizar el dataset por día de la semana se observa que los treintañeros son los que más van los miercoles y los jueves, días que suelen presentar descuentos. Los sábados, por el contrario, crece la asistencis de gente de cerca de 60 años.
Asistencia de usuarios recurrentes
Otro dato que puede ser interesante de generar es el de cantidad de veces que fue cada usuario al teatro (esto es un estimativo, porque se computa quién realizó al transacción, por lo que una persona pudo haber ido más veces al teatro)
ctbau <- ctbaz %>%
group_by(Mail) %>%
summarise (qus= n())
ctbau## # A tibble: 16,711 x 2
## Mail qus
## <chr> <int>
## 1 100leguas@gmail.com 1
## 2 10pmrock@gmail.com 1
## 3 1948jaime08@gmail.com 1
## 4 1986nando@gmail.com 1
## 5 1camilamenendez@hotmail.com 1
## 6 1fitomendonca@gmail.com 1
## 7 1juanschnitman@gmail.com 3
## 8 1lucianapiantanida@gmail.com 1
## 9 1meugeniafontana@gmail.com 2
## 10 1serveraandrea@gmail.com 2
## # ... with 16,701 more rowsctbau %>%
filter (qus==1) %>%
summarise (q= n())## # A tibble: 1 x 1
## q
## <int>
## 1 12928ctbau %>%
filter (qus >1) %>%
summarise (q= n(),
visitas_promedio=mean(qus))## # A tibble: 1 x 2
## q visitas_promedio
## <int> <dbl>
## 1 3783 2.86Hay 3783 usuarios recurrentes, que, en promedio, fueron 2,85 veces cada uno. Por otro lado, hay 12929 personas que compraron entradas via online una sola vez.
Y se la agrego al dataset
ctbaz <- left_join(ctbaz, ctbau)ctbaz %>%
ggplot() +
geom_bar(aes(x=qus, fill = teatro)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por cantidad de visitas, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Visitas",
y = "Cantidad",
fill = "Teatro")
Se genera además una variable dummy para ver si es un usuario recurrente o no.
Tambipen se genera una variable categórica para la edad (agrupada cada 5 años).
ctbaz$recur <- cut(ctbaz$qus, c(0,1,30), labels=c("Asistentes ünicos", "Asistentes recurrentes"))
ctbaz$edadcat <- cut(ctbaz$edad, seq(15,90,5), right=FALSE)
str(ctbaz)## Classes 'tbl_df', 'tbl' and 'data.frame': 23746 obs. of 16 variables:
## $ Fecha de nac. : Date, format: "1975-03-02" "1981-06-25" ...
## $ Mail : chr "agerlich75@gmail.com" "pato_u@hotmail.com" "pbarletta@gmail.com" "pbriuolo@gmail.com" ...
## $ Genero : chr "H" "H" "H" "M" ...
## $ Evento : chr "La vuelta al mundo en 80 mundos" "Madre coraje" "La vuelta al mundo en 80 mundos" "Blum" ...
## $ Dia : POSIXct, format: "2018-07-21 15:00:00" "2018-12-01 21:00:00" ...
## $ Lugar : chr "CTBA - Teatro Regio" "CTBA - Teatro Regio" "CTBA - Teatro Regio" "CTBA - Teatro Regio" ...
## $ direccion_normalizada: chr "COMBATE DE LOS POZOS 1138, CABA" "DIAZ VELEZ AV. 3841, CABA" "MOCTEZUMA 1036, CABA" "POTOSI 4052, CABA" ...
## $ geometry :sfc_POINT of length 23746; first list element: 'XY' num -58.4 -34.6
## $ barrio : chr "San Cristóbal" "Almagro" "Vélez Sarsfield" "Almagro" ...
## $ comuna : chr "Comuna 3" "Comuna 5" "Comuna 10" "Comuna 5" ...
## $ teatro : chr "Teatro Regio" "Teatro Regio" "Teatro Regio" "Teatro Regio" ...
## $ fecha : Date, format: "2018-07-21" "2018-12-01" ...
## $ edad : num 43 37 28 67 41 36 28 48 61 65 ...
## $ qus : int 1 2 1 4 1 3 7 1 1 2 ...
## $ recur : Factor w/ 2 levels "Asistentes ünicos",..: 1 2 1 2 1 2 2 1 1 2 ...
## $ edadcat : Factor w/ 15 levels "[15,20)","[20,25)",..: 6 5 3 11 6 5 3 7 10 11 ...A continuación se compara el comportamiento de aquellas asistencias hechas por asistentes únicos (aquellos que realizaron una sola transacción) y aquellos asistentes recurrentes (aquellos que fueron más de una vez).
ctbaz %>%
ggplot(aes(x=edad, fill = recur)) +
geom_histogram(binwidth = 5) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por edad y teatro, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Cantidad",
fill = "Recurrentes")+
facet_wrap (~teatro)
ctbaz %>%
ggplot()+
geom_bar(aes(x=recur, fill=Genero)) +
facet_wrap(~teatro) +
labs(title = "Asistencia a teatros del GCBA",
subtitle = "Por edad y día, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Recurrencia",
y = "Cantidad",
fill = "Género")
ctbaz$recur <- as.numeric(ctbaz$recur)
ctbaz %>%
group_by(teatro) %>%
summarise (tasa_recur = mean(recur) - 1)## # A tibble: 5 x 2
## teatro tasa_recur
## <chr> <dbl>
## 1 CTBA - Teatro San Martin Visitas guiadas 1
## 2 Teatro de la Ribera 0.495
## 3 Teatro Regio 0.379
## 4 Teatro San Martin 0.478
## 5 Teatro Sarmiento 0.545A partir de los gráficos se pueden observar diferencias por edad que se analizarán más adelante. Por otro lado, mientras que el 38% de las transacciones hechas en el Teatro Regio fue por asistentes recurrentes, el Sarmiento tuvo un 55% de tasa de recurrencia (esto es, más de las mitad de las transacciones que se hicieron por internet fue de gente que asistió más de una vez a algún teatro del GCBA).
ctbaz$recur <- cut(ctbaz$qus, c(0,1,30), labels=c("Asistentes ünicos", "Asistentes recurrentes"))
ctbaz %>%
ggplot()+
geom_bar(aes(x=recur, fill = Genero)) +
facet_wrap(~Genero) +
labs(title = "Asistencia a teatros del GCBA",
subtitle = "Por género y recurrencia, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Recurrencia",
y = "Cantidad",
fill = "Género")
ctbaz$recur <- as.numeric (ctbaz$recur)
ctbaz %>%
group_by(Genero) %>%
summarise(tasa_recur = mean(recur) -1)## # A tibble: 2 x 2
## Genero tasa_recur
## <chr> <dbl>
## 1 H 0.471
## 2 M 0.446Los hombres presentan una tasa de recurrencia mayor que las mujeres (47% frente a 45%). Entonces se puede decir que los hombres que asisten al teatro, como son menos en el total de transacciones, son un núcleo intenso de asistentes.
ctbaz$recur <- cut(ctbaz$qus, c(0,1,30), labels=c("Asistentes ünicos", "Asistentes recurrentes"))
ctbaz %>%
ggplot(aes(x=edad, fill = recur)) +
facet_wrap(~wday(Dia, label=TRUE, abbr=FALSE, week_start = 2)) +
geom_histogram(binwidth = 5) +
labs(title = "Asistencia a teatros del GCBA",
subtitle = "Por edad y día, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Cantidad",
fill = "Recurrencia")
ctbaz %>%
ggplot()+
geom_bar(aes(x=wday(Dia, label=TRUE, abbr=FALSE, week_start = 2), fill = edadcat)) +
facet_wrap(~recur) +
labs(title = "Asistencia a teatros del GCBA",
subtitle = "Por recurrencia y día, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Día",
y = "Cantidad",
fill = "Edad")
ctbaz$recur <- as.numeric(ctbaz$recur)
ctbaz %>%
group_by(pordia=wday(Dia, label=TRUE, abbr=FALSE, week_start = 2)) %>%
summarise(tasa_recur = mean(recur)-1)## # A tibble: 6 x 2
## pordia tasa_recur
## <ord> <dbl>
## 1 martes 0.489
## 2 miércoles 0.473
## 3 jueves 0.473
## 4 viernes 0.466
## 5 sábado 0.444
## 6 domingo 0.442Al analizar la recurrencia por día, se observa que el martes es el día de los que asisten seguido al teatro, casí la mitad (49%) de las asistencias es de público recurrente. Por el contrario, el fin de semana es del público más casual (tasa de recurrencia en torno al 44%). A su vez, se puede ver que esta tendencia se acrecienta entre los más jóvenes.
ctbaz <- mutate(ctbaz, recur= recur-1)ctbaz %>%
group_by(comuna) %>%
summarise(tasa_recur = mean(recur),
asist = n()) %>%
ggplot() +
geom_point(aes(x= asist , y=tasa_recur, colour=comuna)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Cantidad total y tasa de recurrencia por comuna, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Cantidad de Transacciones",
y = "Tasa de recurrencia",
colour = "Comuna") +
ylim(c(0.3, 0.55))
La comuna 1, 2 y 14 no sólo son las comunas con más cantidad de transacciones, sino también las que mayor cantidad de tranasacciones de agentes recurrentes presentan.
ctbacomr <- ctbaz %>%
group_by(comuna) %>%
summarise(tasa_recur = mean(recur),
asist = n()/1000)
ctbacomr <- as.data.frame(ctbacomr)
lmcomr <- lm(tasa_recur ~ asist, ctbacomr)
summary(lmcomr)##
## Call:
## lm(formula = tasa_recur ~ asist, data = ctbacomr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.028453 -0.014516 -0.000874 0.008817 0.051604
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.419479 0.011119 37.726 1.14e-14 ***
## asist 0.017115 0.006086 2.812 0.0147 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.0215 on 13 degrees of freedom
## Multiple R-squared: 0.3783, Adjusted R-squared: 0.3305
## F-statistic: 7.91 on 1 and 13 DF, p-value: 0.01468Al parecer, la tasa de recurrencia está relacionada con la cantidad de transacciones. Esto es, a más transacciones, más tasa de recurrencia (cada 1000 asistentes aumenta la tasa de recurentes en 0,059).
ctbaz %>%
group_by(edadcat) %>%
summarise(tasa_recur = mean(recur),
asist=n()) %>%
ggplot() +
geom_point(aes(x= edadcat, y=tasa_recur, size=asist, colour=asist)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Tasa de recurrencia por edad, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Tasa de recurrencia",
size = "Asistencia",
colour="Asistencia") +
theme_bw()
ctbaedadr <- ctbaz %>%
group_by(edadcat) %>%
summarise(tasa_recur = mean(recur))
ctbaedadr$edadcat <- as.numeric(ctbaedadr$edadcat)
ctbaedadr <- as.data.frame(ctbaedadr)
lmedadr <- lm(tasa_recur ~ edadcat, ctbaedadr)
summary(lmedadr)##
## Call:
## lm(formula = tasa_recur ~ edadcat, data = ctbaedadr)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.08152 -0.03583 -0.01267 0.01532 0.17689
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.381798 0.034664 11.014 5.8e-08 ***
## edadcat 0.011774 0.003813 3.088 0.00864 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.0638 on 13 degrees of freedom
## (1 observation deleted due to missingness)
## Multiple R-squared: 0.4232, Adjusted R-squared: 0.3788
## F-statistic: 9.537 on 1 and 13 DF, p-value: 0.008641Al graficar la tasa de recurrencia por grupo etáreo se observa que esta va en aumento a medida que la población es mayor. Un análisis de regresión lineal demuestra que existe esta vinculación (la variable edadcat es significativa) y que cada 5 años aumenta un 0,01 la tasa de recurrencia. Al parecer, ir recurrentemente al teatro del GCBA es una costumbre que se incrementa a medida que pasa el tiempo.
ctbaz %>%
group_by(edadcat) %>%
summarise(tasa_recur = mean(recur),
asist=n()) %>%
ggplot() +
geom_point(aes(x= edadcat, y=tasa_recur, size=asist, colour=asist)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Tasa de recurrencia por edad, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Tasa de recurrencia",
size = "Asistencia",
colour="Asistencia") +
theme_bw() +
geom_abline(aes(intercept = 0.381750 , slope = 0.011778 )) +
ylim(c(0.3, 0.75))
Análisis espaciales
Espacios escénicos
Ahora se desea observar cómo se vincula este dataset con otra información, en este caso con la cantidad cantidad de espacios culturales teatrales. Se desea observar si existe relación entre la cantidad de teatros en un barrio y la cantidad de gente del barrio que va al teatro. Si bien la base es de teatro público, se supone que los que asisten al teatro privado, también asisten al teatro público, por lo que se busca ver si existe relación entre la ubicación entre los usuarios y los teatros.
cult <- read_sf('C:/Users/Claudia/Documents/R/GCBA Datos/Taller CABA/dependencias_culturales.shp')
summary(cult)## id nombre calle1 calle2
## Min. : 1.0 Length:2096 Length:2096 Length:2096
## 1st Qu.: 537.8 Class :character Class :character Class :character
## Median :1088.5 Mode :character Mode :character Mode :character
## Mean :1086.9
## 3rd Qu.:1638.2
## Max. :2174.0
## altura piso depto codigo_pos
## Min. : 0 Length:2096 Length:2096 Length:2096
## 1st Qu.: 649 Class :character Class :character Class :character
## Median : 1330 Mode :character Mode :character Mode :character
## Mean : 1751
## 3rd Qu.: 2374
## Max. :11450
## direccion barrio comuna
## Length:2096 Length:2096 Length:2096
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## actividad_ otras_acti dias_y_hor
## Length:2096 Length:2096 Length:2096
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## telefonos celular email
## Length:2096 Length:2096 Length:2096
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## pagina_web dependenci publico
## Length:2096 Length:2096 Length:2096
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
##
##
##
## sector geometry
## Length:2096 POINT :2096
## Class :character epsg:NA : 0
## Mode :character +proj=tmer...: 0
##
##
## Se dejan sólo las variabels con las que interesa trabajar
cult <- select(cult, nombre, actividad_, publico, sector, geometry, barrio, comuna)
summary(cult)## nombre actividad_ publico
## Length:2096 Length:2096 Length:2096
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
## sector barrio comuna
## Length:2096 Length:2096 Length:2096
## Class :character Class :character Class :character
## Mode :character Mode :character Mode :character
## geometry
## POINT :2096
## epsg:NA : 0
## +proj=tmer...: 0Se observan las actividades presentes en el dataset:
table (cult$actividad_)##
## Archivo
## 15
## Bar Cultural
## 16
## Bar Elemento
## 32
## Bar Identificado
## 53
## Bar Notable
## 72
## Biblioteca
## 216
## Calesita
## 50
## Centro Cultural
## 103
## Cine
## 26
## Circo
## 1
## Disquería
## 62
## Editorial
## 224
## Espacio Cultural
## 7
## Espacio de Formación (Seminarios y Talleres)
## 138
## Espacio Escénico (Teatro, Música y Danza)
## 219
## Galería de Arte
## 72
## Librería
## 442
## Milonga y/o Tanguería
## 68
## Museo
## 131
## Peña
## 4
## Planetario
## 1
## Productora Audiovisual
## 55
## Radio Local (AM y FM)
## 38
## Sala de Exposición
## 7
## Sello Discográfico
## 39
## Televisión Local
## 5Como hay muchos tipos de espacios, se seleccionan sólo los de espacios escénicos, que son los que interesa trabajar.
cultea <- filter (cult, actividad_ == "Espacio Escénico (Teatro, Música y Danza)" )ggplot() +
geom_sf(data=barrios) +
geom_sf(data = cultea, aes(colour = barrio))+
labs(title = "Espacios escénicos",
subtitle = "CABA, 2018",
caption = "Fuente: Data Cultura",
colour = "Barrio") +
theme_minimal () +
coord_sf(crs = st_crs(4326))
ggplot(cultea) +
geom_bar(aes(x= comuna, fill = barrio )) +
labs(title = "Espacios escénicos en CABA",
subtitle = "Por comuna, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Comuna",
y = "Canitdad",
fill = "Barrio") +
coord_flip()
Se observa una gran concentración de espacios en la comuna 1, en segundo lugar en Comuna 14, seguido por comuna 3 y 5.
Se desea realizar un spatial join, entre los espacios y los barrios. Primero se chequea que tengan la misma proyeccion
colnames(barrios)[1] <- "barrio"
cultea$barrio <- toupper(cultea$barrio)
as.data.frame(cultea)## nombre
## 1 1/2 Mundo Club de Arte
## 2 Abasto Social Club
## 3 Actor´s Studio
## 4 Al Escenario
## 5 Andamio 90
## 6 Anfitrión
## 7 Ángel del Abasto
## 8 Apacheta
## 9 Arlequino
## 10 Astros
## 11 Auditorio AMIA
## 12 Auditorio Belgrano
## 13 Auditorio Ben Ami
## 14 Auditorio de la Fundación Beethoven
## 15 Auditorio Eva Perón - Parque Centenario
## 16 Auditorio Hotel Bauen
## 17 Auditorio Losada
## 18 Bajo Corrientes
## 19 Bar Café La Dama de Bollini
## 20 Bartolomeo
## 21 Bar Virasoro
## 22 Beckett Teatro
## 23 Belisario Club de Cultura
## 24 Boedo XXI Espacio de Teatro
## 25 Boris Club de Jazz
## 26 Brilla Cordelia
## 27 Broadway I y II
## 28 Café Homero
## 29 Café Vinilo
## 30 Casal de Catalunya
## 31 Castorera
## 32 Cendas Auditorio
## 33 Centro Argentino de Teatro Ciego
## 34 Centro Creativo Cabildo
## 35 Centro Cultural G.I.T.
## 36 Centro Cultural Raíces
## 37 Centro Latinoamericano de Creación e Investigación Teatral (CELCIT)lcit
## 38 Chacarerean Teatre
## 39 Cine Teatro Brown
## 40 Cine Teatro San Pedro
## 41 Circuito Cultural Barracas
## 42 Club Atlético Fernández Fierro
## 43 Club Cultural Matienzo
## 44 Club de Amigos de La Vaca Profana
## 45 Club de las Artes
## 46 Club del Progreso
## 47 Club de Trapecistas
## 48 Club Italiano
## 49 Club Obras Sanitarias de la Nación
## 50 Club Premier
## 51 Código Montesco
## 52 Compañía Artística Arco Iris
## 53 Corriente Azul
## 54 Dandelión
## 55 De La Fábula
## 56 Del Borde Espacio Teatral
## 57 Del Nudo
## 58 Del Pasillo
## 59 Del Sur
## 60 Del Viejo Palermo
## 61 El Árbol, Centro de Investigacion Teatral
## 62 El Atajo
## 63 El Bardo
## 64 El Brío
## 65 El Búho
## 66 El Camarín de las Musas
## 67 El Carromato (Sala Móvil)
## 68 El Crisol
## 69 El Desguace, Teatro y Almacén Cultural
## 70 El Doble
## 71 El Duende Teatro
## 72 El Épico de Floresta
## 73 El Excéntrico de la 18
## 74 El Extranjero Teatro
## 75 El Farabute
## 76 El Fino Espacio Cultural
## 77 El Galpón de Catalinas
## 78 EL GALPÓN Multiespacio
## 79 El Kafka Espacio Teatral
## 80 El Ojo
## 81 El Patio de los Actores
## 82 El Piso
## 83 El Portón de Sánchez
## 84 El Sótano
## 85 El Teatro de Flores
## 86 El Trailer Bar Teatro
## 87 El Victorial
## 88 Empire
## 89 Entretelones Espacio Teatral
## 90 Escalada
## 91 Espacio Abierto
## 92 Espacio Aguirre
## 93 Espacio Artístico Colette
## 94 Espacio Callejón
## 95 Espacio Cultural C.E.I.A.C
## 96 Espacio Cultural Pata de Ganso
## 97 Espacio Cultural Pompapetriyazos
## 98 Espacio Cultural Urbano
## 99 Espacio Ecléctico
## 100 Espacio Polonia Teatro
## 101 Espacio TBK
## 102 Estadio Luna Park
## 103 Estudio Roberto Saiz
## 104 Fray Mocho
## 105 Fundación Mítica
## 106 Galpón V
## 107 Gargantúa
## 108 Garrick Arte y Cultura
## 109 Gran Rex
## 110 Groove
## 111 Grupo de Teatro Alma Mate de Feores
## 112 Grupo de Teatro Comunitario Pompapetriyass de Parque Patricios
## 113 Grupo de Teatro Comunitario Res o No Res
## 114 Grupo Los Villurqueros
## 115 Grupo Matemurga De Villa Crespo
## 116 Hasta Trilce
## 117 IFT
## 118 Inboccalupo
## 119 Korinthio Teatro
## 120 La Biblioteca Café
## 121 La Carpintería Teatro
## 122 La Casa del Árbol
## 123 La Clac Sala Teatral
## 124 La Comedia
## 125 La Escalera Espacio de Arte
## 126 La Fábrica
## 127 La Fuga Cabrera
## 128 La Huella
## 129 La Maravillosa. Casa de Arte.
## 130 La Oreja Negra
## 131 La Otra Orilla
## 132 La Ratonera Cultural
## 133 La Salita Espacio Cultural
## 134 La Sodería
## 135 La Tertulia
## 136 La Trastienda
## 137 Liberarte Bodega Cultural
## 138 Lo de Guidi
## 139 Lola Membrives
## 140 Machado
## 141 Madera de Sueños
## 142 Margarita Xirgu
## 143 Mediterránea Espacio de Arte
## 144 Mimoteatro Escobar-Lerchundi
## 145 Moliere Café Concert
## 146 Multiteatro
## 147 ND Ateneo
## 148 Niceto Club
## 149 NoAvestruz
## 150 Notorius
## 151 Oeste
## 152 Ópera Citi
## 153 Pan y Arte / Boedo Vida y Arte
## 154 Paseo La Plaza
## 155 Picadilly
## 156 Puerta Roja
## 157 Querida Elena
## 158 Sala Carlos Carella
## 159 Sala La Nazca
## 160 Santa María del Buen Ayre
## 161 Silencio de Negras
## 162 Sociedad Hebraica Argentina (SHA)
## 163 Sportivo Teatral
## 164 Tabarís
## 165 Tadrón Teatro
## 166 Teatro 25 de Mayo
## 167 Teatro Absurdo de Palermo
## 168 Teatro Apolo
## 169 Teatro Astral
## 170 Teatro Avenida
## 171 Teatro Calibán
## 172 Teatro Coliseo
## 173 Teatro Colón
## 174 Teatro del Abasto
## 175 Teatro del Ángel
## 176 Teatro de la Ribera
## 177 Teatro del Artefacto
## 178 Teatro Del Globo
## 179 Teatro del Pueblo
## 180 Teatro Del Viejo Mercado
## 181 Teatro El Bululú
## 182 Teatro El Cubo
## 183 Teatro El Espión
## 184 Teatro El Laberinto del Cíclope
## 185 Teatro El Nacional
## 186 Teatro El Picadero
## 187 Teatro El Tinglado
## 188 Teatro El Vitral
## 189 Teatro Estudio "El Cuervo"
## 190 Teatro General San Martín
## 191 Teatro La Casona
## 192 Teatro La Galera
## 193 Teatro La Mueca
## 194 Teatro La Ranchería
## 195 Teatro Liceo
## 196 Teatro Maipo
## 197 Teatro Metropólitan
## 198 Teatro Nacional Cervantes
## 199 Teatro Orfeo
## 200 Teatro Payró
## 201 Teatro Piccolino
## 202 Teatro Porteño
## 203 Teatro Presidente Alvear
## 204 Teatro Regina - Casa del Teatro
## 205 Teatro Regio
## 206 Teatro Sarmiento
## 207 Teatro Taller El Grito
## 208 Templum
## 209 Terraza Teatro Bar
## 210 The Cavern Club
## 211 Thelonius Club
## 212 The Roxy Live
## 213 Timbre 4
## 214 TST (Teatro San Telmo)
## 215 Velma Café
## 216 Vera Vera Teatro
## 217 Vuela el pez
## 218 Yupanqui
## 219 Zafra
## actividad_ publico
## 1 Espacio Escénico (Teatro, Música y Danza) General
## 2 Espacio Escénico (Teatro, Música y Danza) General
## 3 Espacio Escénico (Teatro, Música y Danza) General
## 4 Espacio Escénico (Teatro, Música y Danza) General
## 5 Espacio Escénico (Teatro, Música y Danza) General
## 6 Espacio Escénico (Teatro, Música y Danza) General
## 7 Espacio Escénico (Teatro, Música y Danza) General
## 8 Espacio Escénico (Teatro, Música y Danza) General
## 9 Espacio Escénico (Teatro, Música y Danza) General
## 10 Espacio Escénico (Teatro, Música y Danza) General
## 11 Espacio Escénico (Teatro, Música y Danza) General
## 12 Espacio Escénico (Teatro, Música y Danza) General
## 13 Espacio Escénico (Teatro, Música y Danza) General
## 14 Espacio Escénico (Teatro, Música y Danza) General
## 15 Espacio Escénico (Teatro, Música y Danza) General
## 16 Espacio Escénico (Teatro, Música y Danza) General
## 17 Espacio Escénico (Teatro, Música y Danza) General
## 18 Espacio Escénico (Teatro, Música y Danza) General
## 19 Espacio Escénico (Teatro, Música y Danza) General
## 20 Espacio Escénico (Teatro, Música y Danza) General
## 21 Espacio Escénico (Teatro, Música y Danza) General
## 22 Espacio Escénico (Teatro, Música y Danza) General
## 23 Espacio Escénico (Teatro, Música y Danza) General
## 24 Espacio Escénico (Teatro, Música y Danza) General
## 25 Espacio Escénico (Teatro, Música y Danza) General
## 26 Espacio Escénico (Teatro, Música y Danza) General
## 27 Espacio Escénico (Teatro, Música y Danza) General
## 28 Espacio Escénico (Teatro, Música y Danza) General
## 29 Espacio Escénico (Teatro, Música y Danza) General
## 30 Espacio Escénico (Teatro, Música y Danza) General
## 31 Espacio Escénico (Teatro, Música y Danza) General
## 32 Espacio Escénico (Teatro, Música y Danza) General
## 33 Espacio Escénico (Teatro, Música y Danza) General
## 34 Espacio Escénico (Teatro, Música y Danza) General
## 35 Espacio Escénico (Teatro, Música y Danza) General
## 36 Espacio Escénico (Teatro, Música y Danza) General
## 37 Espacio Escénico (Teatro, Música y Danza) General
## 38 Espacio Escénico (Teatro, Música y Danza) General
## 39 Espacio Escénico (Teatro, Música y Danza) General
## 40 Espacio Escénico (Teatro, Música y Danza) General
## 41 Espacio Escénico (Teatro, Música y Danza) General
## 42 Espacio Escénico (Teatro, Música y Danza) General
## 43 Espacio Escénico (Teatro, Música y Danza) General
## 44 Espacio Escénico (Teatro, Música y Danza) General
## 45 Espacio Escénico (Teatro, Música y Danza) General
## 46 Espacio Escénico (Teatro, Música y Danza) General
## 47 Espacio Escénico (Teatro, Música y Danza) General
## 48 Espacio Escénico (Teatro, Música y Danza) General
## 49 Espacio Escénico (Teatro, Música y Danza) General
## 50 Espacio Escénico (Teatro, Música y Danza) General
## 51 Espacio Escénico (Teatro, Música y Danza) General
## 52 Espacio Escénico (Teatro, Música y Danza) General
## 53 Espacio Escénico (Teatro, Música y Danza) General
## 54 Espacio Escénico (Teatro, Música y Danza) General
## 55 Espacio Escénico (Teatro, Música y Danza) General
## 56 Espacio Escénico (Teatro, Música y Danza) General
## 57 Espacio Escénico (Teatro, Música y Danza) General
## 58 Espacio Escénico (Teatro, Música y Danza) General
## 59 Espacio Escénico (Teatro, Música y Danza) General
## 60 Espacio Escénico (Teatro, Música y Danza) General
## 61 Espacio Escénico (Teatro, Música y Danza) General
## 62 Espacio Escénico (Teatro, Música y Danza) General
## 63 Espacio Escénico (Teatro, Música y Danza) General
## 64 Espacio Escénico (Teatro, Música y Danza) General
## 65 Espacio Escénico (Teatro, Música y Danza) General
## 66 Espacio Escénico (Teatro, Música y Danza) General
## 67 Espacio Escénico (Teatro, Música y Danza) General
## 68 Espacio Escénico (Teatro, Música y Danza) General
## 69 Espacio Escénico (Teatro, Música y Danza) General
## 70 Espacio Escénico (Teatro, Música y Danza) General
## 71 Espacio Escénico (Teatro, Música y Danza) General
## 72 Espacio Escénico (Teatro, Música y Danza) General
## 73 Espacio Escénico (Teatro, Música y Danza) General
## 74 Espacio Escénico (Teatro, Música y Danza) General
## 75 Espacio Escénico (Teatro, Música y Danza) General
## 76 Espacio Escénico (Teatro, Música y Danza) General
## 77 Espacio Escénico (Teatro, Música y Danza) General
## 78 Espacio Escénico (Teatro, Música y Danza) General
## 79 Espacio Escénico (Teatro, Música y Danza) General
## 80 Espacio Escénico (Teatro, Música y Danza) General
## 81 Espacio Escénico (Teatro, Música y Danza) General
## 82 Espacio Escénico (Teatro, Música y Danza) General
## 83 Espacio Escénico (Teatro, Música y Danza) General
## 84 Espacio Escénico (Teatro, Música y Danza) General
## 85 Espacio Escénico (Teatro, Música y Danza) General
## 86 Espacio Escénico (Teatro, Música y Danza) General
## 87 Espacio Escénico (Teatro, Música y Danza) General
## 88 Espacio Escénico (Teatro, Música y Danza) General
## 89 Espacio Escénico (Teatro, Música y Danza) General
## 90 Espacio Escénico (Teatro, Música y Danza) General
## 91 Espacio Escénico (Teatro, Música y Danza) General
## 92 Espacio Escénico (Teatro, Música y Danza) General
## 93 Espacio Escénico (Teatro, Música y Danza) General
## 94 Espacio Escénico (Teatro, Música y Danza) General
## 95 Espacio Escénico (Teatro, Música y Danza) General
## 96 Espacio Escénico (Teatro, Música y Danza) General
## 97 Espacio Escénico (Teatro, Música y Danza) General
## 98 Espacio Escénico (Teatro, Música y Danza) General
## 99 Espacio Escénico (Teatro, Música y Danza) General
## 100 Espacio Escénico (Teatro, Música y Danza) General
## 101 Espacio Escénico (Teatro, Música y Danza) General
## 102 Espacio Escénico (Teatro, Música y Danza) General
## 103 Espacio Escénico (Teatro, Música y Danza) General
## 104 Espacio Escénico (Teatro, Música y Danza) General
## 105 Espacio Escénico (Teatro, Música y Danza) General
## 106 Espacio Escénico (Teatro, Música y Danza) General
## 107 Espacio Escénico (Teatro, Música y Danza) General
## 108 Espacio Escénico (Teatro, Música y Danza) General
## 109 Espacio Escénico (Teatro, Música y Danza) General
## 110 Espacio Escénico (Teatro, Música y Danza) General
## 111 Espacio Escénico (Teatro, Música y Danza) General
## 112 Espacio Escénico (Teatro, Música y Danza) General
## 113 Espacio Escénico (Teatro, Música y Danza) General
## 114 Espacio Escénico (Teatro, Música y Danza) General
## 115 Espacio Escénico (Teatro, Música y Danza) General
## 116 Espacio Escénico (Teatro, Música y Danza) General
## 117 Espacio Escénico (Teatro, Música y Danza) General
## 118 Espacio Escénico (Teatro, Música y Danza) General
## 119 Espacio Escénico (Teatro, Música y Danza) General
## 120 Espacio Escénico (Teatro, Música y Danza) General
## 121 Espacio Escénico (Teatro, Música y Danza) General
## 122 Espacio Escénico (Teatro, Música y Danza) Jóvenes y Adultos
## 123 Espacio Escénico (Teatro, Música y Danza) General
## 124 Espacio Escénico (Teatro, Música y Danza) General
## 125 Espacio Escénico (Teatro, Música y Danza) General
## 126 Espacio Escénico (Teatro, Música y Danza) Jóvenes y Adultos
## 127 Espacio Escénico (Teatro, Música y Danza) General
## 128 Espacio Escénico (Teatro, Música y Danza) General
## 129 Espacio Escénico (Teatro, Música y Danza) General
## 130 Espacio Escénico (Teatro, Música y Danza) Jóvenes y Adultos
## 131 Espacio Escénico (Teatro, Música y Danza) General
## 132 Espacio Escénico (Teatro, Música y Danza) General
## 133 Espacio Escénico (Teatro, Música y Danza) General
## 134 Espacio Escénico (Teatro, Música y Danza) General
## 135 Espacio Escénico (Teatro, Música y Danza) General
## 136 Espacio Escénico (Teatro, Música y Danza) General
## 137 Espacio Escénico (Teatro, Música y Danza) General
## 138 Espacio Escénico (Teatro, Música y Danza) General
## 139 Espacio Escénico (Teatro, Música y Danza) General
## 140 Espacio Escénico (Teatro, Música y Danza) General
## 141 Espacio Escénico (Teatro, Música y Danza) General
## 142 Espacio Escénico (Teatro, Música y Danza) General
## 143 Espacio Escénico (Teatro, Música y Danza) General
## 144 Espacio Escénico (Teatro, Música y Danza) General
## 145 Espacio Escénico (Teatro, Música y Danza) General
## 146 Espacio Escénico (Teatro, Música y Danza) General
## 147 Espacio Escénico (Teatro, Música y Danza) General
## 148 Espacio Escénico (Teatro, Música y Danza) General
## 149 Espacio Escénico (Teatro, Música y Danza) General
## 150 Espacio Escénico (Teatro, Música y Danza) General
## 151 Espacio Escénico (Teatro, Música y Danza) General
## 152 Espacio Escénico (Teatro, Música y Danza) General
## 153 Espacio Escénico (Teatro, Música y Danza) General
## 154 Espacio Escénico (Teatro, Música y Danza) General
## 155 Espacio Escénico (Teatro, Música y Danza) General
## 156 Espacio Escénico (Teatro, Música y Danza) General
## 157 Espacio Escénico (Teatro, Música y Danza) General
## 158 Espacio Escénico (Teatro, Música y Danza) General
## 159 Espacio Escénico (Teatro, Música y Danza) General
## 160 Espacio Escénico (Teatro, Música y Danza) General
## 161 Espacio Escénico (Teatro, Música y Danza) General
## 162 Espacio Escénico (Teatro, Música y Danza) General
## 163 Espacio Escénico (Teatro, Música y Danza) General
## 164 Espacio Escénico (Teatro, Música y Danza) General
## 165 Espacio Escénico (Teatro, Música y Danza) General
## 166 Espacio Escénico (Teatro, Música y Danza) General
## 167 Espacio Escénico (Teatro, Música y Danza) General
## 168 Espacio Escénico (Teatro, Música y Danza) General
## 169 Espacio Escénico (Teatro, Música y Danza) General
## 170 Espacio Escénico (Teatro, Música y Danza) General
## 171 Espacio Escénico (Teatro, Música y Danza) General
## 172 Espacio Escénico (Teatro, Música y Danza) General
## 173 Espacio Escénico (Teatro, Música y Danza) General
## 174 Espacio Escénico (Teatro, Música y Danza) General
## 175 Espacio Escénico (Teatro, Música y Danza) General
## 176 Espacio Escénico (Teatro, Música y Danza) General
## 177 Espacio Escénico (Teatro, Música y Danza) General
## 178 Espacio Escénico (Teatro, Música y Danza) General
## 179 Espacio Escénico (Teatro, Música y Danza) General
## 180 Espacio Escénico (Teatro, Música y Danza) General
## 181 Espacio Escénico (Teatro, Música y Danza) General
## 182 Espacio Escénico (Teatro, Música y Danza) General
## 183 Espacio Escénico (Teatro, Música y Danza) General
## 184 Espacio Escénico (Teatro, Música y Danza) General
## 185 Espacio Escénico (Teatro, Música y Danza) General
## 186 Espacio Escénico (Teatro, Música y Danza) General
## 187 Espacio Escénico (Teatro, Música y Danza) General
## 188 Espacio Escénico (Teatro, Música y Danza) General
## 189 Espacio Escénico (Teatro, Música y Danza) General
## 190 Espacio Escénico (Teatro, Música y Danza) General
## 191 Espacio Escénico (Teatro, Música y Danza) General
## 192 Espacio Escénico (Teatro, Música y Danza) General
## 193 Espacio Escénico (Teatro, Música y Danza) General
## 194 Espacio Escénico (Teatro, Música y Danza) General
## 195 Espacio Escénico (Teatro, Música y Danza) General
## 196 Espacio Escénico (Teatro, Música y Danza) General
## 197 Espacio Escénico (Teatro, Música y Danza) General
## 198 Espacio Escénico (Teatro, Música y Danza) General
## 199 Espacio Escénico (Teatro, Música y Danza) General
## 200 Espacio Escénico (Teatro, Música y Danza) General
## 201 Espacio Escénico (Teatro, Música y Danza) General
## 202 Espacio Escénico (Teatro, Música y Danza) General
## 203 Espacio Escénico (Teatro, Música y Danza) General
## 204 Espacio Escénico (Teatro, Música y Danza) General
## 205 Espacio Escénico (Teatro, Música y Danza) General
## 206 Espacio Escénico (Teatro, Música y Danza) General
## 207 Espacio Escénico (Teatro, Música y Danza) General
## 208 Espacio Escénico (Teatro, Música y Danza) General
## 209 Espacio Escénico (Teatro, Música y Danza) General
## 210 Espacio Escénico (Teatro, Música y Danza) General
## 211 Espacio Escénico (Teatro, Música y Danza) General
## 212 Espacio Escénico (Teatro, Música y Danza) General
## 213 Espacio Escénico (Teatro, Música y Danza) General
## 214 Espacio Escénico (Teatro, Música y Danza) General
## 215 Espacio Escénico (Teatro, Música y Danza) General
## 216 Espacio Escénico (Teatro, Música y Danza) General
## 217 Espacio Escénico (Teatro, Música y Danza) Jóvenes y Adultos
## 218 Espacio Escénico (Teatro, Música y Danza) General
## 219 Espacio Escénico (Teatro, Música y Danza) Jóvenes y Adultos
## sector barrio comuna
## 1 Privado BALVANERA Comuna 3
## 2 Privado ALMAGRO Comuna 5
## 3 Privado ALMAGRO Comuna 5
## 4 None BOCA Comuna 4
## 5 Privado SAN NICOLAS Comuna 1
## 6 Privado ALMAGRO Comuna 5
## 7 Privado BALVANERA Comuna 3
## 8 Privado BALVANERA Comuna 3
## 9 Privado MONSERRAT Comuna 1
## 10 Privado SAN NICOLAS Comuna 1
## 11 ONG BALVANERA Comuna 3
## 12 Privado BELGRANO Comuna 13
## 13 Privado BALVANERA Comuna 3
## 14 Privado RETIRO Comuna 1
## 15 Estado Municipal CABALLITO Comuna 6
## 16 Privado BALVANERA Comuna 3
## 17 Privado SAN NICOLAS Comuna 1
## 18 Privado SAN NICOLAS Comuna 1
## 19 Privado RECOLETA Comuna 2
## 20 Privado SAN NICOLAS Comuna 1
## 21 Privado PALERMO Comuna 14
## 22 Privado ALMAGRO Comuna 5
## 23 Privado SAN NICOLAS Comuna 1
## 24 Privado BOEDO Comuna 5
## 25 Privado PALERMO Comuna 14
## 26 Privado BALVANERA Comuna 3
## 27 Privado SAN NICOLAS Comuna 1
## 28 Privado PALERMO Comuna 14
## 29 Privado PALERMO Comuna 14
## 30 Privado SAN TELMO Comuna 1
## 31 Privado CHACARITA Comuna 15
## 32 Privado PALERMO Comuna 14
## 33 Privado BALVANERA Comuna 3
## 34 Privado SAAVEDRA Comuna 12
## 35 Privado BOEDO Comuna 5
## 36 Privado BALVANERA Comuna 3
## 37 Asociación Civil MONSERRAT Comuna 1
## 38 Privado PALERMO Comuna 14
## 39 Privado BOCA Comuna 4
## 40 Privado MONTE CASTRO Comuna 10
## 41 Privado BARRACAS Comuna 4
## 42 Privado ALMAGRO Comuna 5
## 43 Privado VILLA CRESPO Comuna 15
## 44 Privado ALMAGRO Comuna 5
## 45 Privado MONSERRAT Comuna 1
## 46 Privado SAN NICOLAS Comuna 1
## 47 Privado VILLA CRESPO Comuna 15
## 48 Privado CABALLITO Comuna 6
## 49 Privado NUÑEZ Comuna 13
## 50 ONG CABALLITO Comuna 6
## 51 Privado PALERMO Comuna 14
## 52 Privado ALMAGRO Comuna 5
## 53 Privado VILLA CRESPO Comuna 15
## 54 Privado RECOLETA Comuna 2
## 55 Privado BALVANERA Comuna 3
## 56 Privado SAN TELMO Comuna 1
## 57 Privado SAN NICOLAS Comuna 1
## 58 Privado ALMAGRO Comuna 5
## 59 None BALVANERA Comuna 3
## 60 Privado PALERMO Comuna 14
## 61 Privado VILLA ORTUZAR Comuna 15
## 62 Privado BELGRANO Comuna 13
## 63 Privado SAN TELMO Comuna 1
## 64 Privado PALERMO Comuna 14
## 65 Privado MONSERRAT Comuna 1
## 66 Privado ALMAGRO Comuna 5
## 67 Privado BELGRANO Comuna 13
## 68 Privado PARQUE CHAS Comuna 15
## 69 Privado ALMAGRO Comuna 5
## 70 Privado VILLA CRESPO Comuna 15
## 71 Privado PALERMO Comuna 14
## 72 Privado FLORESTA Comuna 10
## 73 Privado VILLA CRESPO Comuna 15
## 74 Privado BALVANERA Comuna 3
## 75 Privado VILLA CRESPO Comuna 15
## 76 Privado SAN NICOLAS Comuna 1
## 77 Privado BOCA Comuna 4
## 78 Privado SAN CRISTOBAL Comuna 3
## 79 Privado ALMAGRO Comuna 5
## 80 Privado BALVANERA Comuna 3
## 81 Privado VILLA CRESPO Comuna 15
## 82 Privado CABALLITO Comuna 6
## 83 Privado ALMAGRO Comuna 5
## 84 Privado COLEGIALES Comuna 13
## 85 Privado FLORES Comuna 7
## 86 Privado PALERMO Comuna 14
## 87 Privado SAN TELMO Comuna 1
## 88 Privado BALVANERA Comuna 3
## 89 Privado COLEGIALES Comuna 13
## 90 Privado VILLA CRESPO Comuna 15
## 91 Privado SAN NICOLAS Comuna 1
## 92 Privado VILLA CRESPO Comuna 15
## 93 Privado SAN NICOLAS Comuna 1
## 94 Privado ALMAGRO Comuna 5
## 95 Privado BELGRANO Comuna 13
## 96 Privado BALVANERA Comuna 3
## 97 None PARQUE PATRICIOS Comuna 4
## 98 Privado VILLA CRESPO Comuna 15
## 99 Privado SAN TELMO Comuna 1
## 100 Privado PALERMO Comuna 14
## 101 Privado VILLA GRAL. MITRE Comuna 11
## 102 Privado SAN NICOLAS Comuna 1
## 103 Privado MONSERRAT Comuna 1
## 104 Privado ALMAGRO Comuna 5
## 105 Privado PALERMO Comuna 14
## 106 Privado BARRACAS Comuna 4
## 107 Privado CHACARITA Comuna 15
## 108 Privado CABALLITO Comuna 6
## 109 Privado SAN NICOLAS Comuna 1
## 110 Privado PALERMO Comuna 14
## 111 Privado FLORES Comuna 7
## 112 Privado PARQUE PATRICIOS Comuna 4
## 113 Privado MATADEROS Comuna 9
## 114 Privado VILLA URQUIZA Comuna 12
## 115 Privado VILLA CRESPO Comuna 15
## 116 Privado BOEDO Comuna 5
## 117 Privado BALVANERA Comuna 3
## 118 Privado COLEGIALES Comuna 13
## 119 Privado BALVANERA Comuna 3
## 120 Privado RETIRO Comuna 1
## 121 Privado BALVANERA Comuna 3
## 122 Privado PALERMO Comuna 14
## 123 Privado MONSERRAT Comuna 1
## 124 Privado RECOLETA Comuna 2
## 125 Privado PALERMO Comuna 14
## 126 Organización sin fines de lucro MONSERRAT Comuna 1
## 127 Privado PALERMO Comuna 14
## 128 Privado ALMAGRO Comuna 5
## 129 Privado PALERMO Comuna 14
## 130 Privado PALERMO Comuna 14
## 131 Privado BALVANERA Comuna 3
## 132 Privado VILLA CRESPO Comuna 15
## 133 Privado MONSERRAT Comuna 1
## 134 Privado BELGRANO Comuna 13
## 135 Privado ALMAGRO Comuna 5
## 136 Privado MONSERRAT Comuna 1
## 137 Privado SAN NICOLAS Comuna 1
## 138 Privado BALVANERA Comuna 3
## 139 Privado SAN NICOLAS Comuna 1
## 140 Privado CABALLITO Comuna 6
## 141 Privado VILLA CRESPO Comuna 15
## 142 Privado SAN TELMO Comuna 1
## 143 Privado ALMAGRO Comuna 5
## 144 Privado MONSERRAT Comuna 1
## 145 Privado MONSERRAT Comuna 1
## 146 Privado SAN NICOLAS Comuna 1
## 147 Privado RETIRO Comuna 1
## 148 Privado PALERMO Comuna 14
## 149 Privado PALERMO Comuna 14
## 150 Privado RECOLETA Comuna 2
## 151 Privado CABALLITO Comuna 6
## 152 Privado SAN NICOLAS Comuna 1
## 153 Privado BOEDO Comuna 5
## 154 Privado SAN NICOLAS Comuna 1
## 155 Privado SAN NICOLAS Comuna 1
## 156 Privado ALMAGRO Comuna 5
## 157 Privado BOCA Comuna 4
## 158 None SAN NICOLAS Comuna 1
## 159 Privado FLORES Comuna 7
## 160 Privado RECOLETA Comuna 2
## 161 Privado MONSERRAT Comuna 1
## 162 ONG BALVANERA Comuna 3
## 163 Privado PALERMO Comuna 14
## 164 Privado SAN NICOLAS Comuna 1
## 165 Privado PALERMO Comuna 14
## 166 Estado Municipal VILLA URQUIZA Comuna 12
## 167 Privado PALERMO Comuna 14
## 168 Privado SAN NICOLAS Comuna 1
## 169 Privado SAN NICOLAS Comuna 1
## 170 Privado MONSERRAT Comuna 1
## 171 Privado MONSERRAT Comuna 1
## 172 Privado RETIRO Comuna 1
## 173 Estado Municipal SAN NICOLAS Comuna 1
## 174 Privado ALMAGRO Comuna 5
## 175 Privado RECOLETA Comuna 2
## 176 Estado Municipal BOCA Comuna 4
## 177 Privado BALVANERA Comuna 3
## 178 Privado RETIRO Comuna 1
## 179 Privado SAN NICOLAS Comuna 1
## 180 Privado BALVANERA Comuna 3
## 181 Privado MONSERRAT Comuna 1
## 182 Privado BALVANERA Comuna 3
## 183 Privado BALVANERA Comuna 3
## 184 Privado MONSERRAT Comuna 1
## 185 Privado SAN NICOLAS Comuna 1
## 186 Privado BALVANERA Comuna 3
## 187 Privado ALMAGRO Comuna 5
## 188 Privado SAN NICOLAS Comuna 1
## 189 Privado MONSERRAT Comuna 1
## 190 Estado Municipal SAN NICOLAS Comuna 1
## 191 Privado BALVANERA Comuna 3
## 192 Privado PALERMO Comuna 14
## 193 Privado VILLA CRESPO Comuna 15
## 194 Privado MONSERRAT Comuna 1
## 195 Privado SAN NICOLAS Comuna 1
## 196 Privado SAN NICOLAS Comuna 1
## 197 Privado SAN NICOLAS Comuna 1
## 198 Privado RETIRO Comuna 1
## 199 Privado PALERMO Comuna 14
## 200 Privado SAN NICOLAS Comuna 1
## 201 Privado PALERMO Comuna 14
## 202 Privado SAN NICOLAS Comuna 1
## 203 Estado Municipal SAN NICOLAS Comuna 1
## 204 Privado RETIRO Comuna 1
## 205 Estado Municipal CHACARITA Comuna 15
## 206 Estado Municipal PALERMO Comuna 14
## 207 Privado PALERMO Comuna 14
## 208 Privado BALVANERA Comuna 3
## 209 Privado SAN NICOLAS Comuna 1
## 210 Privado SAN NICOLAS Comuna 1
## 211 Privado PALERMO Comuna 14
## 212 Privado PALERMO Comuna 14
## 213 Privado ALMAGRO Comuna 5
## 214 Privado SAN TELMO Comuna 1
## 215 Privado PALERMO Comuna 14
## 216 Privado VILLA CRESPO Comuna 15
## 217 Privado PALERMO Comuna 14
## 218 Privado VILLA LUGANO Comuna 8
## 219 Privado BALVANERA Comuna 3
## geometry
## 1 POINT (106095.3 102060.6)
## 2 POINT (103154.1 102757.9)
## 3 POINT (103923.2 102288.3)
## 4 POINT (108886.3 98841.79)
## 5 POINT (106895.8 103129.1)
## 6 POINT (104590.9 101396.7)
## 7 POINT (104901 103065)
## 8 POINT (106011.7 101414.9)
## 9 POINT (106985 102002.7)
## 10 POINT (107890.4 102852.8)
## 11 POINT (105833.4 103047.4)
## 12 POINT (101279.4 106949.5)
## 13 POINT (105075.8 103076.7)
## 14 POINT (107138.4 104036.7)
## 15 POINT (102439.4 102579.1)
## 16 POINT (106509 102681.6)
## 17 POINT (106846.9 102782.9)
## 18 POINT (106735.9 102763.3)
## 19 POINT (105534.7 104776.4)
## 20 POINT (106876.9 102388.2)
## 21 POINT (103906.5 104477.3)
## 22 POINT (104450.5 103026)
## 23 POINT (106746.7 102764.3)
## 24 POINT (104303.5 100666.7)
## 25 POINT (102422.4 104887.6)
## 26 POINT (106375.1 102470)
## 27 POINT (107349.9 102832.2)
## 28 POINT (102888.8 104318.3)
## 29 POINT (104140.8 103741.7)
## 30 POINT (108014.6 101227.9)
## 31 POINT (101400.7 105130.7)
## 32 POINT (104255.9 103690.7)
## 33 POINT (105037.7 103024.3)
## 34 POINT (98998.19 109771.6)
## 35 POINT (104067.9 100466.6)
## 36 POINT (104998.1 101308.8)
## 37 POINT (108333 101989.7)
## 38 POINT (102772.6 105249.6)
## 39 POINT (109638.9 99171.12)
## 40 POINT (95780.33 101062.9)
## 41 POINT (107837.9 97795.15)
## 42 POINT (104510.6 103076.2)
## 43 POINT (103394.1 103543.3)
## 44 POINT (104205 103246.9)
## 45 POINT (107356.4 101328.9)
## 46 POINT (107134.8 102662.5)
## 47 POINT (102185.5 102778.5)
## 48 POINT (102844.7 101431.9)
## 49 POINT (100464.1 109261.7)
## 50 POINT (102577 101925.8)
## 51 POINT (103906.2 103752.4)
## 52 POINT (103817.7 101288.1)
## 53 POINT (101637.8 103959.3)
## 54 POINT (105672.4 103317.2)
## 55 POINT (104711 102734.8)
## 56 POINT (108094.4 101452.1)
## 57 POINT (106846.9 102782.9)
## 58 POINT (104016.7 101925.7)
## 59 POINT (105927.6 101583.3)
## 60 POINT (102348.2 104803.9)
## 61 POINT (100142.6 105583.9)
## 62 POINT (101423.1 107838.6)
## 63 POINT (107976.9 100647.8)
## 64 POINT (103244.2 105061.5)
## 65 POINT (107719.5 102042.1)
## 66 POINT (104330.4 103410.3)
## 67 POINT (100958.8 107556.5)
## 68 POINT (98781.66 104944.8)
## 69 POINT (104152.8 101033.8)
## 70 POINT (102738.6 103505.4)
## 71 POINT (103472.5 104086.4)
## 72 POINT (97693.76 100254.4)
## 73 POINT (102917.3 103820.6)
## 74 POINT (104612.3 102672.5)
## 75 POINT (101951.6 103579.6)
## 76 POINT (106904 103140.3)
## 77 POINT (109622.5 100001.9)
## 78 POINT (105279.8 100441.7)
## 79 POINT (103002.5 102710.5)
## 80 POINT (106101.4 102453.6)
## 81 POINT (102798.5 103974)
## 82 POINT (101996 102265.7)
## 83 POINT (104568.1 103386.4)
## 84 POINT (101155 105708.8)
## 85 POINT (100105.8 99872.52)
## 86 POINT (103051.7 104473.5)
## 87 POINT (107881.2 101400.8)
## 88 POINT (106353.8 102079)
## 89 POINT (100236.9 106005.1)
## 90 POINT (101240.6 103232.4)
## 91 POINT (107617.2 102652.3)
## 92 POINT (101938.4 104268.1)
## 93 POINT (106733.7 102763.1)
## 94 POINT (104220.7 102998.2)
## 95 POINT (100262 106463.7)
## 96 POINT (104901 103065)
## 97 POINT (105532.6 99624.46)
## 98 POINT (102138.8 103513.3)
## 99 POINT (107986.5 100926.5)
## 100 POINT (102286.5 104796.4)
## 101 POINT (99784.68 102727.1)
## 102 POINT (108648.3 102982.6)
## 103 POINT (107023.1 102190.9)
## 104 POINT (104163 102482.1)
## 105 POINT (103365.2 104910.4)
## 106 POINT (106717.7 99161.96)
## 107 POINT (101297.6 105090.5)
## 108 POINT (101124.6 101124.4)
## 109 POINT (107743.7 102860.4)
## 110 POINT (103675.7 105503.4)
## 111 POINT (99049.45 100891.5)
## 112 POINT (105519.3 99628.48)
## 113 POINT (96350.66 96575.14)
## 114 POINT (98199.77 106708.7)
## 115 POINT (101285.5 102620.5)
## 116 POINT (104461.7 100191.9)
## 117 POINT (105218.8 102836.7)
## 118 POINT (101063.5 106794.7)
## 119 POINT (106103.1 102687.8)
## 120 POINT (107314.9 103597.3)
## 121 POINT (105112 103192.5)
## 122 POINT (103150 105708)
## 123 POINT (107374 102219.9)
## 124 POINT (106546.2 103641.5)
## 125 POINT (103154.3 105387.1)
## 126 POINT (108133 101776.7)
## 127 POINT (102977.3 104255.8)
## 128 POINT (104157.6 103136.1)
## 129 POINT (104016.9 103973.1)
## 130 POINT (102549.1 104375.6)
## 131 POINT (104874.5 101931.1)
## 132 POINT (101936 103597.2)
## 133 POINT (107121.9 102140.6)
## 134 POINT (99950.63 107674.9)
## 135 POINT (104680.6 103258.8)
## 136 POINT (108495.7 101790.7)
## 137 POINT (106841.4 102782.4)
## 138 POINT (106380 102687.2)
## 139 POINT (107200.8 102803.3)
## 140 POINT (102091 102531.5)
## 141 POINT (102869.9 103696.7)
## 142 POINT (108014.6 101227.9)
## 143 POINT (104586 103236.2)
## 144 POINT (108390.6 101578.3)
## 145 POINT (108528.1 101490.3)
## 146 POINT (107196.8 102821.5)
## 147 POINT (107629 103490.5)
## 148 POINT (102254.1 104662.2)
## 149 POINT (102679.6 105042)
## 150 POINT (106426.5 103490.8)
## 151 POINT (102038.7 100868.8)
## 152 POINT (107737.7 102841.2)
## 153 POINT (104320.3 100645)
## 154 POINT (106703.2 102757.1)
## 155 POINT (106892.9 102778)
## 156 POINT (104277.8 103208.2)
## 157 POINT (108582.8 99828.23)
## 158 POINT (107619 102439.2)
## 159 POINT (99021.92 100883.3)
## 160 POINT (106748.3 103353.6)
## 161 POINT (106948.8 101439.2)
## 162 POINT (105933.8 102579.1)
## 163 POINT (102796 104453.1)
## 164 POINT (107774 102862.7)
## 165 POINT (102904 104121.4)
## 166 POINT (98140.23 105889.6)
## 167 POINT (102067.5 105130.2)
## 168 POINT (107073 102794.5)
## 169 POINT (106733.5 102781.2)
## 170 POINT (107300.2 102222.5)
## 171 POINT (107052 101519.5)
## 172 POINT (107342.8 103599.3)
## 173 POINT (107417.7 103127.1)
## 174 POINT (104439.1 102943.1)
## 175 POINT (104447.5 103777.9)
## 176 POINT (109400.2 98913.26)
## 177 POINT (106312.4 101268.6)
## 178 POINT (107314.9 103597.3)
## 179 POINT (107636.4 102750.2)
## 180 POINT (104821.4 103003.8)
## 181 POINT (107135.7 102272.3)
## 182 POINT (104994.3 103046.3)
## 183 POINT (106312.6 101261.3)
## 184 POINT (106664 101505.4)
## 185 POINT (107607.1 102832)
## 186 POINT (106424.8 102809.8)
## 187 POINT (104329.7 103393.2)
## 188 POINT (106645.2 102684.5)
## 189 POINT (107212.6 101722.7)
## 190 POINT (106848.3 102773.9)
## 191 POINT (106275.6 102756.1)
## 192 POINT (102467.4 104818.8)
## 193 POINT (102407.8 104381.6)
## 194 POINT (107413.5 101538.3)
## 195 POINT (106948 102263.1)
## 196 POINT (107819.5 102904.4)
## 197 POINT (107105.3 102814.9)
## 198 POINT (107308.1 103348.6)
## 199 POINT (101938.3 107257.1)
## 200 POINT (108174.1 103354.6)
## 201 POINT (102776.4 105329.5)
## 202 POINT (106735.9 102763.3)
## 203 POINT (106711.3 102779.1)
## 204 POINT (107187.8 103738.2)
## 205 POINT (101603.3 104995.7)
## 206 POINT (104072.5 105551.9)
## 207 POINT (102745.8 105064.2)
## 208 POINT (106244.8 102626.3)
## 209 POINT (106733.7 102763.1)
## 210 POINT (106733.7 102763.1)
## 211 POINT (104455.4 104550.3)
## 212 POINT (102235.2 104678.1)
## 213 POINT (104291.4 101003.3)
## 214 POINT (108479 100686.3)
## 215 POINT (102454.9 104858.1)
## 216 POINT (102627.7 102997.7)
## 217 POINT (103258.1 103735.2)
## 218 POINT (98324.1 93922.22)
## 219 POINT (104896.9 102496.6)cultea_bar <- cultea %>%
select (barrio) %>%
group_by (barrio) %>%
summarise(q = n())
cultea_bar <- st_transform(cultea_bar, 4326)
cultea <- st_transform(cultea, 4326)
barrios1 <- st_join(barrios, cultea_bar)
str(barrios1)## Classes 'sf' and 'data.frame': 48 obs. of 7 variables:
## $ barrio.x : Factor w/ 48 levels "AGRONOMIA","ALMAGRO",..: 9 26 36 37 2 8 46 18 44 13 ...
## $ COMUNA : Factor w/ 15 levels "1","10","11",..: 7 7 7 3 11 12 3 2 2 13 ...
## $ PERIMETRO: Factor w/ 48 levels "10021.45966480549",..: 41 36 43 40 46 5 26 37 22 13 ...
## $ AREA : Factor w/ 48 levels "1232275.092474457",..: 22 14 25 24 28 42 11 21 3 46 ...
## $ barrio.y : chr "CHACARITA" NA "VILLA CRESPO" NA ...
## $ q : int 3 NA 15 NA 21 7 NA 1 NA 3 ...
## $ geometry :sfc_POLYGON of length 48; first list element: List of 1
## ..$ : num [1:572, 1:2] -58.5 -58.5 -58.5 -58.5 -58.5 ...
## ..- attr(*, "class")= chr "XY" "POLYGON" "sfg"
## - attr(*, "sf_column")= chr "geometry"
## - attr(*, "agr")= Factor w/ 3 levels "constant","aggregate",..: NA NA NA NA NA NA
## ..- attr(*, "names")= chr "barrio.x" "COMUNA" "PERIMETRO" "AREA" ...Se limpia la variable duplicada:
colnames(barrios1)[1] <- "barrio"
barrios1 <- select (barrios1, -barrio.y)Grafico
ggplot() +
geom_sf(data=barrios1, aes(fill=q)) +
theme_minimal() +
coord_sf(crs = st_crs(4326)) +
labs(title = "Espacios escénicos por barrio",
subtitle = "CABA, 2018",
caption = "Fuente: Data Cultura",
fill = "Cantidad")
Ahora que tengo la cantidad de teatros por barrios, quiero traer la cantidad de asistentes al teatro por barrio.
ctbaz$barrio <- toupper(ctbaz$barrio)
table(ctbaz$barrio)##
## AGRONOMÍA ALMAGRO BALVANERA BARRACAS
## 95 1428 1105 324
## BELGRANO BOCA BOEDO CABALLITO
## 1497 191 304 1817
## CHACARITA COGHLAN COLEGIALES CONSTITUCIÓN
## 540 247 781 267
## FLORES FLORESTA LINIERS MATADEROS
## 655 179 115 180
## MONSERRAT MONTE CASTRO NUEVA POMPEYA NUÑEZ
## 595 98 101 543
## PALERMO PARQUE AVELLANEDA PARQUE CHACABUCO PARQUE CHAS
## 3439 146 329 172
## PARQUE PATRICIOS PATERNAL PUERTO MADERO RECOLETA
## 234 129 106 1833
## RETIRO SAAVEDRA SAN CRISTÓBAL SAN NICOLÁS
## 489 364 334 808
## SAN TELMO VÉLEZ SARSFIELD VERSALLES VILLA CRESPO
## 355 168 50 1240
## VILLA DEL PARQUE VILLA DEVOTO VILLA GRAL. MITRE VILLA LUGANO
## 306 279 205 108
## VILLA LURO VILLA ORTÚZAR VILLA PUEYRREDÓN VILLA REAL
## 136 303 188 57
## VILLA RIACHUELO VILLA SANTA RITA VILLA SOLDATI VILLA URQUIZA
## 11 179 21 695Se quitan las tildes
ctbaz$barrio %>%
gsub("Á", "A", ctbaz$barrio) %>%
gsub("É", "E", ctbaz$barrio) %>%
gsub("Í", "I", ctbaz$barrio) %>%
gsub("Ó", "O", ctbaz$barrio) %>%
gsub("Ú", "U", ctbaz$barrio)## [1] "U"table(ctbaz$barrio)##
## AGRONOMÍA ALMAGRO BALVANERA BARRACAS
## 95 1428 1105 324
## BELGRANO BOCA BOEDO CABALLITO
## 1497 191 304 1817
## CHACARITA COGHLAN COLEGIALES CONSTITUCIÓN
## 540 247 781 267
## FLORES FLORESTA LINIERS MATADEROS
## 655 179 115 180
## MONSERRAT MONTE CASTRO NUEVA POMPEYA NUÑEZ
## 595 98 101 543
## PALERMO PARQUE AVELLANEDA PARQUE CHACABUCO PARQUE CHAS
## 3439 146 329 172
## PARQUE PATRICIOS PATERNAL PUERTO MADERO RECOLETA
## 234 129 106 1833
## RETIRO SAAVEDRA SAN CRISTÓBAL SAN NICOLÁS
## 489 364 334 808
## SAN TELMO VÉLEZ SARSFIELD VERSALLES VILLA CRESPO
## 355 168 50 1240
## VILLA DEL PARQUE VILLA DEVOTO VILLA GRAL. MITRE VILLA LUGANO
## 306 279 205 108
## VILLA LURO VILLA ORTÚZAR VILLA PUEYRREDÓN VILLA REAL
## 136 303 188 57
## VILLA RIACHUELO VILLA SANTA RITA VILLA SOLDATI VILLA URQUIZA
## 11 179 21 695Se crea un nuevo dataset agregado por barrio y se lo une con el de barrios
ctbaz <- as_data_frame (ctbaz)
ctbay <- ctbaz %>%
select (barrio) %>%
group_by (barrio) %>%
summarise(t = n())
ctbay <- as.data.frame(ctbay)
barctba <- left_join(barrios1, ctbay)
summary(barctba)## barrio COMUNA PERIMETRO
## Length:48 1 : 6 10021.45966480549: 1
## Class :character 10 : 6 10165.62712936149: 1
## Mode :character 15 : 6 10597.25280900626: 1
## 11 : 4 10674.41646756023: 1
## 12 : 4 10990.96447148555: 1
## 4 : 4 11124.63579209356: 1
## (Other):18 (Other) :42
## AREA q t
## 1232275.092474457: 1 Min. : 1.000 Min. : 11.0
## 1279951.372561846: 1 1st Qu.: 1.000 1st Qu.: 136.0
## 1334146.08283464 : 1 Median : 3.000 Median : 279.0
## 1385411.513739759: 1 Mean : 7.552 Mean : 526.4
## 1406833.595801687: 1 3rd Qu.: 7.000 3rd Qu.: 595.0
## 15772496.3315 : 1 Max. :37.000 Max. :3439.0
## (Other) :42 NA's :19 NA's :7
## geometry
## POLYGON :48
## epsg:4326 : 0
## +proj=long...: 0
##
##
##
## Se grafica el nuevo dataset
ggplot() +
geom_sf(data=barctba, aes(fill=t)) +
theme_minimal() +
coord_sf(crs = st_crs(4326)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por barrio, CABA, 2018",
caption = "Fuente: Data Cultura",
fill = "Cantidad")
ggplot() +
geom_sf(data=barctba, aes(fill=t/q)) +
theme_minimal() +
coord_sf(crs = st_crs(4326)) +
labs(title = "Asistentes al GCBA por espacio escénico",
subtitle = "Por barrio, CABA, 2018",
caption = "Fuente: Data Cultura",
fill = "Asistentes por espacio")
Como una forma de normalizar los datos, se observa el ratio de asistentes por espacio. Se ve más homogeneizado, por lo que podría existir vinculación.
ggplot(data = barctba) +
geom_point(aes(x = t, y = q, color = barrio)) +
labs(title = "Asistentes y espacios del CTBA",
subtitle = "Por barrio, CABA, 2018",
x = "Cantidad de asistentes",
y = "Cantidad de espacios",
color= "Barrio") +
coord_flip() +
theme_minimal()
mlqtbar<- lm(q ~ t, barctba)
summary(mlqtbar)##
## Call:
## lm(formula = q ~ t, data = barctba)
##
## Residuals:
## Min 1Q Median 3Q Max
## -9.948 -3.073 -1.199 2.555 19.091
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.742854 1.762993 0.421 0.677
## t 0.008295 0.001671 4.963 0.0000456 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 6.364 on 24 degrees of freedom
## (22 observations deleted due to missingness)
## Multiple R-squared: 0.5065, Adjusted R-squared: 0.486
## F-statistic: 24.64 on 1 and 24 DF, p-value: 0.0000456La variable t (Cantindad de asistentes al teatro público por barrio) es muy significativa para explicar la cantidad de espacios escénicos por barrio. Cada mil asistentes, la cantidad de teatros aumenta en 0.8 teatros.
Un siguiente análisis consiste en observar cuán lejos viven los asistentes de cada teatro de este. Para ello, se toma el set de espacios teatrales que tiene la información georreferenciada para cada espacio (de aqui interesan los teatros del GCBA) y se la une con la base de transacciones del CTBA. Posteriormente, se calcula la distancia espacial entre el teatro y el domicilio de la transacción.
cultea$nombre <- cultea$nombre %>%
str_replace ("Teatro General San Martín", "Teatro San Martin")
ctbatea <- left_join(ctbaz, cultea, by = c("teatro" = "nombre"))
ctbatea$dist <- st_distance(ctbatea$geometry.x,ctbatea$geometry.y, by_element=TRUE)
ctbatea$dist <- as.numeric(ctbatea$dist)ctbatea %>%
ggplot(aes(x=dist)) +
facet_wrap(~teatro) +
geom_histogram(binwidth = 500) +
labs(title = "Asistencia a teatros del GCBA",
subtitle = "Por teatro y cercanía, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Distancia (metros)",
y = "Cantidad")
Se observa un comportamiento similar para la mayoría de los teatros, que aumenta rápidamente y después disminuye.
ctbatea <- mutate (ctbatea, km=dist/1000)
ctbatea$km <- cut(ctbatea$km, seq(0,50,1))
ctbatea$km <- as.numeric(ctbatea$km)ctbatea %>%
ggplot() +
geom_bar(aes(x=km, fill=teatro) )+
labs(title = "Asistencia a teatros del GCBA",
subtitle = "Por edad y día, CABA, 2018",
caption = "Fuente: Data Cultura",
x = "Edad",
y = "Cantidad",
fill = "Recurrencia")
colnames(ctbatea)[8] <- "geometry"ggplot() +
geom_sf(data=barrios) +
geom_sf(data=ctbatea, aes (colour = km)) +
scale_colour_gradient(low='green', high = 'red') +
coord_sf(crs = st_crs(4326)) +
labs(title = "Asistentes a teatros del GCBA",
subtitle = "Por teatro y cercanía, CABA, 2018",
caption = "Fuente: Data Cultura",
colour = "Distancia (km)") +
facet_wrap(~teatro) +
theme_minimal()
ctbatea1 <- ctbatea %>%
group_by(km) %>%
summarise(asist=n())
ctbatea1 <- as.data.frame(ctbatea1)
lmdist <- lm(asist ~ km, ctbatea1)
summary(lmdist)##
## Call:
## lm(formula = asist ~ km, data = ctbatea1)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2020.94 -225.86 -51.41 302.79 1162.84
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3424.20 376.73 9.089 0.000000301 ***
## km -228.26 38.96 -5.859 0.000041553 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 718.4 on 14 degrees of freedom
## (1 observation deleted due to missingness)
## Multiple R-squared: 0.7103, Adjusted R-squared: 0.6896
## F-statistic: 34.32 on 1 and 14 DF, p-value: 0.00004155Por último, una regresión conjunta para todos los casos, arroja que la distancia es una variable explicativa. Por cada kilómetro que nos alejamos de un teatro, la cantidad de asistentes totales disminuye en 228.
Vinculación con información censal. Hacia una descripción sociodemográfica.
Otro estudio es el de dotar a los asistentes de información sociodemografica a partir de la base del censo. Dado que la información censal se encuentra a nivel radio, se busca asignar la información por radio a cadad asistente para observar las vinculaciones.
ctba_st <- st_as_sf(ctbaz, crs ="+proj=longlat +datum=WGS84 +no_defs")Se abre el dataset del censo y se empieza a explorar.
censo <- read_sf ('C:/Users/Claudia/Documents/R/GCBA Datos/Taller CABA/ICenso_4326.shp')
summary(censo)## OBJECTID POLY_ID SUP10 DENS10
## Min. : 1 Min. : 1 Min. : 0.4511 Min. : 0.0
## 1st Qu.: 899 1st Qu.: 899 1st Qu.: 1.8730 1st Qu.: 129.7
## Median :1797 Median :1797 Median : 3.6097 Median : 214.3
## Mean :1797 Mean :1797 Mean : 6.0962 Mean : 272.7
## 3rd Qu.:2695 3rd Qu.:2695 3rd Qu.: 6.3775 3rd Qu.: 377.9
## Max. :3593 Max. :3593 Max. :631.3960 Max. :1635.6
## POB10 VIV10 HOG10 HAC_HO10
## Min. : 0.0 Min. : 6.0 Min. : 0.0 Min. :0.0000
## 1st Qu.: 648.0 1st Qu.: 310.0 1st Qu.: 259.0 1st Qu.:0.7645
## Median : 787.0 Median : 376.0 Median : 310.0 Median :0.8249
## Mean : 815.7 Mean : 399.6 Mean : 323.5 Mean :0.8365
## 3rd Qu.: 929.0 3rd Qu.: 460.0 3rd Qu.: 371.0 3rd Qu.:0.8832
## Max. :3945.0 Max. :1404.0 Max. :1093.0 Max. :4.5374
## Z_AGUA10 Z_CLOA10 Z_GAS10 Z_NBI10
## Min. : 0.00 Min. : 0.00 Min. : 0.00 Min. : 0.0000
## 1st Qu.: 99.62 1st Qu.: 99.28 1st Qu.: 94.78 1st Qu.: 0.6148
## Median :100.00 Median : 99.76 Median : 97.97 Median : 1.9169
## Mean : 99.54 Mean : 98.60 Mean : 92.03 Mean : 6.2063
## 3rd Qu.:100.00 3rd Qu.:100.00 3rd Qu.: 99.12 3rd Qu.: 7.7810
## Max. :100.00 Max. :100.00 Max. :100.00 Max. :88.8889
## Z_NBIH10 Z_NVIV10 Z_NINO10 Z_NEDU10
## Min. : 0.0000 Min. : 0.0000 Min. : 0.0000 Min. : 0.00
## 1st Qu.: 0.2421 1st Qu.: 0.0000 1st Qu.: 0.0000 1st Qu.:18.59
## Median : 0.5882 Median : 0.4751 Median : 0.2625 Median :23.68
## Mean : 1.5401 Mean : 3.3849 Mean : 2.5537 Mean :25.54
## 3rd Qu.: 1.4793 3rd Qu.: 3.6430 3rd Qu.: 1.0204 3rd Qu.:29.67
## Max. :24.7387 Max. :90.9091 Max. :80.0000 Max. :76.19
## Z_DESO10 Z_OCUP10 Z_INMI10 Z_NTEN10
## Min. : 0.000 Min. : 0.00 Min. : 0.000 Min. : 0.000
## 1st Qu.: 3.136 1st Qu.:66.18 1st Qu.: 7.333 1st Qu.: 9.115
## Median : 4.046 Median :69.40 Median : 9.756 Median : 12.121
## Mean : 4.281 Mean :69.28 Mean :12.537 Mean : 13.801
## 3rd Qu.: 5.152 3rd Qu.:72.37 3rd Qu.:13.977 3rd Qu.: 16.393
## Max. :17.052 Max. :98.63 Max. :82.000 Max. :100.000
## AGUA10 CLOAC10 GAS10 NBI10
## Min. : 0.0 Min. : 0.0 Min. : 0.0 Min. : 0.00
## 1st Qu.: 258.0 1st Qu.: 255.0 1st Qu.: 242.0 1st Qu.: 2.00
## Median : 309.0 Median : 306.0 Median : 294.0 Median : 6.00
## Mean : 322.2 Mean : 316.3 Mean : 296.9 Mean : 19.56
## 3rd Qu.: 369.0 3rd Qu.: 365.0 3rd Qu.: 354.0 3rd Qu.: 23.00
## Max. :1091.0 Max. :1056.0 Max. :1049.0 Max. :403.00
## NBI_H10 NO_VIV10 NO_INO10 NO_EDU10
## Min. : 0.000 Min. : 0.0 Min. : 0.000 Min. : 0
## 1st Qu.: 1.000 1st Qu.: 0.0 1st Qu.: 0.000 1st Qu.: 128
## Median : 2.000 Median : 2.0 Median : 1.000 Median : 179
## Mean : 5.071 Mean : 11.6 Mean : 8.407 Mean : 209
## 3rd Qu.: 5.000 3rd Qu.: 13.0 3rd Qu.: 3.000 3rd Qu.: 241
## Max. :142.000 Max. :213.0 Max. :381.000 Max. :2009
## DESOC10 OCUP10 INMIG10 NO_TEN10
## Min. : 0.00 Min. : 0 Min. : 0 Min. : 0.00
## 1st Qu.: 14.00 1st Qu.: 373 1st Qu.: 54 1st Qu.: 27.00
## Median : 19.00 Median : 451 Median : 75 Median : 38.00
## Mean : 21.03 Mean : 466 Mean : 108 Mean : 44.59
## 3rd Qu.: 25.00 3rd Qu.: 538 3rd Qu.: 110 3rd Qu.: 53.00
## Max. :117.00 Max. :1895 Max. :1998 Max. :423.00
## Shape_Leng Shape_Area geometry
## Min. :0.000391 Min. :0.000000008 MULTIPOLYGON :3593
## 1st Qu.:0.005570 1st Qu.:0.000001809 epsg:4326 : 0
## Median :0.008317 Median :0.000003452 +proj=long...: 0
## Mean :0.009560 Mean :0.000005535
## 3rd Qu.:0.011604 3rd Qu.:0.000006131
## Max. :0.155975 Max. :0.000610548ggplot() +
geom_sf(data = censo, aes (fill= Z_NEDU10), color=NA) +
scale_fill_viridis_c() +
theme_minimal() +
coord_sf(crs = st_crs(4326)) +
labs(title = "Nivel educativo por radio censal",
subtitle = "Por radio censal, CABA, 2010",
caption = "Fuente: INDEC",
fill = "Porcentaje de población con secundario incompleto")
Se observa que existen diferencias espaciales entre el porcentaje de población con el secundario incompleto. En el sur de la ciudad, este valor aumenta; por el contrario, se reduce a medida que nos dirigimos al noreste.
Se realiza el join espacial con la base para tener información censal.
ctbac <- st_join(ctba_st, censo)ctbac1 <- ctbac %>%
group_by(POLY_ID) %>%
summarise(qesp = n(),
tasa_recur = mean(recur))
summary(ctbac1)## POLY_ID qesp tasa_recur geometry
## Min. : 41 Min. : 1.000 Min. :0.0000 MULTIPOINT :2752
## 1st Qu.: 891 1st Qu.: 3.000 1st Qu.:0.0000 POINT : 418
## Median :1699 Median : 6.000 Median :0.3550 epsg:4326 : 0
## Mean :1708 Mean : 7.491 Mean :0.3406 +proj=long...: 0
## 3rd Qu.:2524 3rd Qu.: 10.000 3rd Qu.:0.6000
## Max. :3590 Max. :137.000 Max. :1.0000
## NA's :1ctbac1 <- ctbac1 %>%
as.data.frame() %>%
select ( -geometry )
censoq <- left_join (censo, ctbac1)
censoq [is.na(censoq)] <- 0ggplot() +
geom_sf(data = censoq, aes (fill= qesp), color=NA) +
scale_fill_distiller() +
labs(title="Asistencias al teatro del GCBA",
subtitle= "Por radio censal, CABA, 2010",
fill= "Asistentes",
caption="Fuente: INDEC") +
theme_minimal() +
coord_sf(crs = st_crs(4326))
Como los radios son de distinto tamaño de población las normalizo por eso (densidad de espectadores: espectadores cada 100 habitantes).
censoq <- mutate (censoq, dens_esp = qesp/POB10*100)
censoq [is.na(censoq)] <- 0
censoq$dens_esp [is.infinite (censoq$dens_esp)] <-0ggplot() +
geom_sf(data = censoq, aes (fill= dens_esp), color=NA) +
scale_fill_distiller() +
labs(title="Densidad de asistentes al teatro del GCBA",
subtitle= "Por radio censal, cABA, 2010",
fill= "Asistencias cada 100 habitantes",
caption="Fuente: INDEC") +
theme_minimal()
Se observa que en general la densidad de asistentes aumenta hacia el norte de la ciudad, similar al sentido de población con secundario completo. Se estudia si hay alguna vinculación.
ggplot(data = censoq) +
geom_point(aes(x = Z_NEDU10, y = dens_esp)) +
labs(title="Relación entre asistentes y educación",
subtitle= "Por radio censal, cABA, 2010",
fill= "Asistentes cada 100 habitantes",
caption="Fuente: elaboración propia en base a INDEC",
x="Porcentaje con secundario incompleto",
y="Densidad de espectadores") +
theme_minimal()
ggplot(data = censoq) +
geom_point(aes(x = Z_NBI10, y = dens_esp)) +
labs(title="Relación entre asistentes y NBI",
subtitle= "Por radio censal, cABA, 2010",
fill= "Asistentes cada 100 habitantes",
caption="Fuente: elaboración propia en base a INDEC",
x="Porcentaje de hogares con NBI",
y="Densidad de espectadores") +
theme_minimal()
ggplot(data = censoq) +
geom_point(aes(x = Z_DESO10, y = dens_esp)) +
labs(title="Relación entre asistentes y desocupados",
subtitle= "Por radio censal, cABA, 2010",
fill= "Asistentes cada 100 habitantes",
caption="Fuente: elaboración propia en base a INDEC",
x="Porcentaje de desocupados",
y="Densidad de espectadores") +
theme_minimal()
mlqedu<- lm(dens_esp ~ Z_NEDU10, censoq)
summary(mlqedu)##
## Call:
## lm(formula = dens_esp ~ Z_NEDU10, data = censoq)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.8964 -0.5126 -0.2022 0.2622 24.6096
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.896450 0.048375 39.20 <2e-16 ***
## Z_NEDU10 -0.038686 0.001761 -21.97 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.068 on 3591 degrees of freedom
## Multiple R-squared: 0.1185, Adjusted R-squared: 0.1183
## F-statistic: 482.8 on 1 and 3591 DF, p-value: < 2.2e-16mlqnbi<- lm(dens_esp ~ Z_NBI10, censoq)
summary(mlqnbi)##
## Call:
## lm(formula = dens_esp ~ Z_NBI10, data = censoq)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.9628 -0.6295 -0.2478 0.3189 25.0294
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.962813 0.022516 42.760 < 2e-16 ***
## Z_NBI10 -0.008792 0.001967 -4.471 0.00000804 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.134 on 3591 degrees of freedom
## Multiple R-squared: 0.005535, Adjusted R-squared: 0.005258
## F-statistic: 19.99 on 1 and 3591 DF, p-value: 0.000008037mlqdes<- lm(dens_esp ~ Z_DESO10, censoq)
summary(mlqdes)##
## Call:
## lm(formula = dens_esp ~ Z_DESO10, data = censoq)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.5951 -0.5747 -0.2198 0.2778 24.6810
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.59507 0.05066 31.48 <2e-16 ***
## Z_DESO10 -0.16045 0.01102 -14.55 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.105 on 3591 degrees of freedom
## Multiple R-squared: 0.0557, Adjusted R-squared: 0.05544
## F-statistic: 211.8 on 1 and 3591 DF, p-value: < 2.2e-16Analisando las regresiones entre densidad de asistentes cada 100 habitantes y las variables censales (porcentajes de población con secundario imcompleto, con nbi, descocupada -como aporximaciones al nivel socio económico) se observa que todas ellas son significativas, pero sin embargo tienen bajo poder predictivo en general (R cuadrado ajustado muy bajo). Según las regresiones: -por cada punto porcentual de aumento en la población con NBI, la cantidad de asistentes se reduce en 0.01; -por cada punto porcentual de aumento en la descoupación, la cantidad de asistentes se reduce en 0.16; -por cada punto porcentual de aumento en la población que no finalizó el secundario, la cantidad de asistentes se reduce en 0.04. Esto es, existe evidencia para afirmar que la asistencia al teatro está relacionada positivamente con mejores condiciones de vida, mayor nivel educativo y mejores condiciones laborales.
Relación con la accesibilidad cultural
Un último análisis refiere a la vinculación de la cantidad de asistentes por radio con las condiciones de accesibilidad cultural a espacios culturales de esos radios. El indice de accesibilidad cultural busca estblecer un parámetro comparable a todos los radios de la Capital en torno a las condiciones de accebilidad a espacios culturales. En ella, se conjugan la cercanía a espacios culturales, la cercanía a redes troncales de medios de trasnsporte y la caminabilidad de la zona (índice que calcula el GCBA) -más información en http://monitorculturalba.com.ar -. Lo que se busca explorar es si existe relación entre este índice y la cantidad de asistencias al teatro del GCBA por radio, lo que indicaría que las condiciones de accesibilidad a los espacios culturales efectivamente indicen en el consumo cultural.
acc <- read_sf ('C:/Users/Claudia/Documents/R/GCBA Datos/Taller CABA/radios_con_barrio_y_acc2.shp')
summary(acc)## acc_activi left_carto left_left_ left_lef_1
## Length:3576 Min. : 1.0 Min. : 1.0 Min. : 1.0
## Class :character 1st Qu.: 882.8 1st Qu.: 888.8 1st Qu.: 894.8
## Mode :character Median :1776.5 Median :1782.5 Median :1788.5
## Mean :1776.8 Mean :1782.2 Mean :1787.7
## 3rd Qu.:2670.2 3rd Qu.:2676.2 3rd Qu.:2682.2
## Max. :3564.0 Max. :3558.0 Max. :3555.0
##
## acc_jun_ca barrio cartodb_id co_frac_ra
## Min. :1.000 Length:3576 Min. : 1.0 Length:3576
## 1st Qu.:1.000 Class :character 1st Qu.: 894.8 Class :character
## Median :3.000 Mode :character Median :1788.5 Mode :character
## Mean :2.753 Mean :1788.5
## 3rd Qu.:4.000 3rd Qu.:2682.2
## Max. :4.000 Max. :3576.0
## NA's :1
## acc_junio acc_act acc_espac right_porc
## Min. :-0.02278 Min. :0.1838 Min. :0.1966 Min. :0.00
## 1st Qu.: 0.65107 1st Qu.:0.7528 1st Qu.:0.8013 1st Qu.:1.90
## Median : 0.75771 Median :0.8258 Median :0.8809 Median :2.44
## Mean : 0.73637 Mean :0.8088 Mean :0.8473 Mean :2.53
## 3rd Qu.: 0.85270 3rd Qu.:0.8883 3rd Qu.:0.9303 3rd Qu.:3.07
## Max. : 0.99382 Max. :0.9947 Max. :0.9866 Max. :6.73
## NA's :1 NA's :1 NA's :1 NA's :6
## right_po_1 right_po_2 geometry
## Min. : 0.000 Min. : 0.00 MULTIPOLYGON :3576
## 1st Qu.: 2.470 1st Qu.:31.00 epsg:4326 : 0
## Median : 3.150 Median :40.00 +proj=long...: 0
## Mean : 3.325 Mean :39.71
## 3rd Qu.: 3.890 3rd Qu.:51.00
## Max. :16.880 Max. :80.00
## NA's :6 NA's :6ggplot() +
geom_sf(data = acc, aes (fill= acc_espac), color=NA) +
scale_fill_viridis_c() +
labs(title="Accesibilidad a espacios culturales",
subtitle= "CABA, 2018",
fill= "Índice de accesibilidad",
caption="Fuente: Data cultura") +
theme_minimal()+
coord_sf(crs = st_crs(4326))
Se observa que el índice de accesibilidad encuentra sus valores más altos en las zonas este y norte de la Capital, y sidminuye a medida que se aleja de ese foco.
ctbac<- mutate (ctbac, d_esp = 1/POB10)
ctbaacc <- st_join(ctbac, acc)ctbaacc1 <- ctbaacc %>%
group_by(co_frac_ra) %>%
summarise(qesp = n(),
POB10= mean(POB10))
summary(ctbaacc1)## co_frac_ra qesp POB10
## Length:3132 Min. : 1.000 Min. : 25.0
## Class :character 1st Qu.: 3.000 1st Qu.: 690.1
## Mode :character Median : 6.000 Median : 800.5
## Mean : 7.743 Mean : 816.3
## 3rd Qu.: 10.000 3rd Qu.: 922.0
## Max. :408.000 Max. :3385.0
## NA's :1
## geometry
## MULTIPOINT :2697
## POINT : 435
## epsg:4326 : 0
## +proj=long...: 0
##
##
## ctbaacc1 <- ctbaacc1 %>%
as.data.frame() %>%
select ( -geometry )
ctbaacc1 <- mutate (ctbaacc1, dens_esp = qesp/POB10*100)
accq <- left_join (acc, ctbaacc1)
accq [is.na(accq)] <- 0 #por si es dividido 0ggplot(data = accq) +
geom_point(aes(x = log(acc_espac), y = log(dens_esp))) +
labs(title = "Relación entre la accesibilidad cultural y asistentes",
subtitle = "Por radio censal cada 100 habitantes",
x= "Índice de accesibilidad a espacios culturales (log)",
y = "Asistentes cada 100 habitantes (log)") +
theme_minimal()
accq <- accq %>%
as.data.frame () %>%
mutate (logdens = log(dens_esp)) %>%
mutate (logacc = log(acc_espac))
accq [is.na(accq)] <- 0
accq$logdens [is.infinite(accq$logdens)] <- -3
accq$logacc [is.infinite(accq$logacc)] <- -3
mlqacc<- lm(logdens ~ logacc, accq)
summary(mlqacc)##
## Call:
## lm(formula = logdens ~ logacc, data = accq)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.7878 -0.7002 0.1613 0.7918 5.8272
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.17318 0.02862 -6.05 1.59e-09 ***
## logacc 2.88468 0.11971 24.10 < 2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 1.151 on 3574 degrees of freedom
## Multiple R-squared: 0.1398, Adjusted R-squared: 0.1395
## F-statistic: 580.6 on 1 and 3574 DF, p-value: < 2.2e-16Según los resultados de la regresión, la accesibilidad cultural a los espacios culturales es una variable muy explicativa de la canitdad de asistentes por radio cada 100 habitantes. Nuevamente, el valor predictivo del modelo es bajo (0.14), pero se puede estimar que por cada punto porcentual que aumenta el índice de accesibilidad, aumenta un 2.88% la cantidad de espectadores por habitantes del radio censal.
ggplot(data = accq) +
geom_point(aes(x = log(acc_espac), y = log(dens_esp))) +
labs(title = "Relación entre la accesibilidad cultural y asistentes",
subtitle = "Por radio censal cada 100 habitantes",
x= "Índice de accesibilidad a espacios culturales (log)",
y = "Asistentes cada 100 habitantes (log)") +
theme_minimal() +
geom_abline(aes(intercept = -0.17318 , slope = 2.88468 )) 