Hogares por régimen de tenencia de la vivienda y grado de urbanización
Hogares por régimen de tenencia de la vivienda y grado de urbanización¶
Este archivo (ver imagen de la tabla al final del documento) contiene el resumen de Hogares por régimen de tenencia de la vivienda y grado de urbanización de España en el año 2024, obtenidos de la Encuesta de Condiciones de Vida del INE. Le pido a la IA que me de código python para hacer un análisis de correspondencias del mismo, Explicar los resultados, Mostrar la tabla.
In [3]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
import seaborn as sns
# Crear el DataFrame con los datos
data = {
'Tipo_Area': ['Área densamente poblada', 'Área poblada nivel intermedio', 'Área poco poblada'],
'Propiedad_sin_hipoteca': [47.2, 47.5, 58.5],
'Propiedad_con_hipoteca': [24.6, 26.9, 20.1],
'Alquiler_mercado': [19.3, 16.4, 8.8],
'Alquiler_inferior': [4.2, 2.6, 2.1],
'Cesión': [4.6, 6.6, 10.6]
}
df = pd.DataFrame(data)
df.set_index('Tipo_Area', inplace=True)
print("Tabla original:")
print(df)
print("\n" + "="*80 + "\n")
# Análisis de Correspondencias Múltiples (ACM)
# Estandarizar los datos
scaler = StandardScaler()
data_std = scaler.fit_transform(df)
# Realizar PCA
pca = PCA()
pca.fit(data_std)
# Obtener componentes principales
components = pca.transform(data_std)
# Crear DataFrame para los resultados
pca_df = pd.DataFrame(components[:, :2],
index=df.index,
columns=['Dimensión 1', 'Dimensión 2'])
# Coordenadas de las variables
loadings = pca.components_.T * np.sqrt(pca.explained_variance_)
loadings_df = pd.DataFrame(loadings[:, :2],
index=df.columns,
columns=['Dimensión 1', 'Dimensión 2'])
# Resultados del análisis
print("Varianza explicada por cada dimensión:")
for i, var in enumerate(pca.explained_variance_ratio_):
print(f"Dimensión {i+1}: {var:.3f} ({var*100:.1f}%)")
print(f"\nVarianza total explicada: {sum(pca.explained_variance_ratio_[:2]):.3f} ({sum(pca.explained_variance_ratio_[:2])*100:.1f}%)")
print("\nCoordenadas de las áreas:")
print(pca_df)
print("\nCoordenadas de las modalidades de tenencia:")
print(loadings_df)
# Visualización
plt.figure(figsize=(12, 8))
# Graficar áreas
plt.scatter(pca_df['Dimensión 1'], pca_df['Dimensión 2'],
s=100, alpha=0.7, color='blue')
for i, txt in enumerate(pca_df.index):
plt.annotate(txt, (pca_df['Dimensión 1'].iloc[i], pca_df['Dimensión 2'].iloc[i]),
xytext=(10, 5), textcoords='offset points', fontsize=10)
# Graficar modalidades de tenencia
plt.scatter(loadings_df['Dimensión 1'], loadings_df['Dimensión 2'],
s=100, alpha=0.7, color='red', marker='s')
for i, txt in enumerate(loadings_df.index):
plt.annotate(txt, (loadings_df['Dimensión 1'].iloc[i], loadings_df['Dimensión 2'].iloc[i]),
xytext=(10, 5), textcoords='offset points', fontsize=10, color='red')
# Líneas desde el origen
for i in range(len(loadings_df)):
plt.arrow(0, 0, loadings_df['Dimensión 1'].iloc[i], loadings_df['Dimensión 2'].iloc[i],
head_width=0.05, head_length=0.1, fc='red', ec='red', alpha=0.5)
plt.axhline(y=0, color='gray', linestyle='--', alpha=0.7)
plt.axvline(x=0, color='gray', linestyle='--', alpha=0.7)
plt.xlabel(f'Dimensión 1 ({pca.explained_variance_ratio_[0]*100:.1f}%)')
plt.ylabel(f'Dimensión 2 ({pca.explained_variance_ratio_[1]*100:.1f}%)')
plt.title('Análisis de Correspondencias - Régimen de Tenencia de Vivienda')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
# Análisis adicional - Contribuciones
print("\nContribuciones de las áreas a las dimensiones:")
contributions = (components**2) / np.sum(components**2, axis=0)
contrib_df = pd.DataFrame(contributions[:, :2] * 100,
index=df.index,
columns=['Dimensión 1 (%)', 'Dimensión 2 (%)'])
print(contrib_df.round(1))
print("\nContribuciones de las modalidades a las dimensiones:")
var_contributions = (loadings**2) / np.sum(loadings**2, axis=0)
var_contrib_df = pd.DataFrame(var_contributions[:, :2] * 100,
index=df.columns,
columns=['Dimensión 1 (%)', 'Dimensión 2 (%)'])
print(var_contrib_df.round(1))
Tabla original:
Propiedad_sin_hipoteca Propiedad_con_hipoteca \
Tipo_Area
Área densamente poblada 47.2 24.6
Área poblada nivel intermedio 47.5 26.9
Área poco poblada 58.5 20.1
Alquiler_mercado Alquiler_inferior Cesión
Tipo_Area
Área densamente poblada 19.3 4.2 4.6
Área poblada nivel intermedio 16.4 2.6 6.6
Área poco poblada 8.8 2.1 10.6
================================================================================
Varianza explicada por cada dimensión:
Dimensión 1: 0.870 (87.0%)
Dimensión 2: 0.130 (13.0%)
Dimensión 3: 0.000 (0.0%)
Varianza total explicada: 1.000 (100.0%)
Coordenadas de las áreas:
Dimensión 1 Dimensión 2
Tipo_Area
Área densamente poblada 1.988743 0.842607
Área poblada nivel intermedio 0.891666 -1.087673
Área poco poblada -2.880409 0.245065
Coordenadas de las modalidades de tenencia:
Dimensión 1 Dimensión 2
Propiedad_sin_hipoteca -1.201969 0.235099
Propiedad_con_hipoteca 1.040659 -0.645777
Alquiler_mercado 1.222943 0.066405
Alquiler_inferior 1.010257 0.692374
Cesión -1.216369 -0.142993
Contribuciones de las áreas a las dimensiones:
Dimensión 1 (%) Dimensión 2 (%)
Tipo_Area
Área densamente poblada 30.3 36.4
Área poblada nivel intermedio 6.1 60.6
Área poco poblada 63.6 3.1
Contribuciones de las modalidades a las dimensiones:
Dimensión 1 (%) Dimensión 2 (%)
Propiedad_sin_hipoteca 22.1 5.7
Propiedad_con_hipoteca 16.6 42.7
Alquiler_mercado 22.9 0.5
Alquiler_inferior 15.6 49.1
Cesión 22.7 2.1
Análisis de Correspondencias - Régimen de Tenencia de Vivienda en España (2024)¶
️ Descripción de la Imagen y Análisis¶
La imagen muestra el plano factorial resultante del análisis de correspondencias aplicado a los datos de régimen de tenencia de vivienda según el grado de urbanización en España.
Interpretación de los Resultados:¶
Ejes Principales:
- Dimensión 1 (87.0%): Este eje principal explica la mayor parte de la variabilidad y representa el continuo urbano-rural
- Dimensión 2: Complementa la interpretación con patrones secundarios de tenencia
Agrupamientos y Asociaciones:
| Área/Modalidad | Posición | Asociaciones Principales |
|---|---|---|
| Área poco poblada | Izquierda | Fuertemente asociada con Propiedad sin hipoteca |
| Área densamente poblada | Derecha | Relacionada con Alquiler a precio de mercado |
| Área de nivel intermedio | Centro | Asociada con Propiedad con hipoteca |
| Cesión | Periferia | Modalidad menos común, con patrón diferenciado |
Patrones Identificados:¶
Gradiente Urbano-Rural Clarísimo:
- Las áreas poco pobladas se caracterizan por alta propiedad sin hipoteca (58.5%)
- Las áreas densamente pobladas muestran mayor diversidad de tenencia con predominio de alquileres
Transición Progresiva:
- El área de nivel intermedio ocupa una posición transitional entre ambos extremos
- Muestra valores intermedios en todas las modalidades de tenencia
Modalidades Periféricas:
- La "Cesión" de vivienda aparece como modalidad minoritaria y diferenciada
- El "Alquiler inferior al precio de mercado" también muestra un patrón distintivo
️ Implicaciones Socioeconómicas:¶
- Áreas rurales: Predomina la propiedad libre de deudas, sugiriendo patrimonios consolidados
- Áreas urbanas: Mayor presencia de alquiler y propiedad con hipoteca, indicando dinamismo económico y movilidad
- Áreas intermedias: Representan el equilibrio entre ambos modelos, con importante presencia de hipotecas
Este análisis confirma la fuerte relación entre el grado de urbanización y los patrones de tenencia de vivienda en España, reflejando diferentes realidades económicas y sociales en cada tipo de territorio.
Nota: Los porcentajes entre paréntesis indican la varianza explicada por cada dimensión del análisis.
Comentarios
Publicar un comentario