-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathintegracion_opendata.py
1794 lines (1535 loc) · 101 KB
/
integracion_opendata.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
from pathlib import Path
from datetime import datetime
from dateutil import parser
import pandas as pd
import numpy as np
import argparse
import sys
import yaml
import numbers
import requests
import json
import ast
import time
import re
import json
import os
import logging
# Import neccessary libraries opendata and web scraping
from sodapy import Socrata
from bs4 import BeautifulSoup
# Logging configuration
logging.basicConfig(
filename='app.log',
filemode='a',
level=logging.DEBUG,
format='%(asctime)s - %(levelname)s - %(message)s'
)
# Download OPENDATA
def download_contracts_gencat(domain, dataset_identifier, destination_directory, file_name):
# Crear cliente Socrata
client = Socrata(domain, None)
# Inicializar variables
offset = 0
limit = 200000 # Cambia el límite según sea necesario
results_combined = []
total_rows = 0
while True:
# Obtener un bloque de resultados usando el offset
results = client.get(dataset_identifier, limit=limit, offset=offset)
if not results:
break
# Covert results to a DataFrame
df = pd.DataFrame.from_records(results)
results_combined.append(df)
# Update total rows count
total_rows += len(results)
print(f"Descargadas {total_rows} filas hasta ahora...")
# Increment offset for the next iteration
offset += limit
# Combinar todos los DataFrames en uno solo
full_df = pd.concat(results_combined, ignore_index=True)
# Asegurarse de que el directorio de destino existe, créalo si es necesario
if not os.path.exists(destination_directory):
os.makedirs(destination_directory)
# Guardar el DataFrame combinado en un archivo CSV
file_path = os.path.join(destination_directory, file_name)
full_df.to_csv(file_path, index=False)
print(f"Datos descargados y guardados en {file_path}")
# Auxiliary function to get contract IDs from Zaragoza's API
def get_contract_ids(base_url, params):
# Initialize a list to store contract details and a counter for downloaded contracts.
contract_ids = []
total_downloaded = 0
# Continuously request data until all pages are processed.
while True:
response = requests.get(base_url, params=params)
# Check if the HTTP request was successful.
if response.status_code != 200:
print(f"Error de solicitud: {response.status_code}")
break
# Parse JSON response and extend the contract list with new data.
data = response.json()
contract_ids.extend([item['id'] for item in data['result']])
total_downloaded += len(data['result'])
# Print the progress of downloaded contracts.
print(f"Descargados {total_downloaded} de {data['totalCount']} contracts.")
# Check if there are more pages of data to request.
if params['start'] + params['rows'] < data['totalCount']:
params['start'] += params['rows']
else:
break
return contract_ids
def download_contracts_zaragoza(contract_ids, detail_url_template, file_path):
"""Descarga los detalles de cada contrato y los guarda en un archivo JSON."""
contracts = []
total_contracts = len(contract_ids)
processed_contracts = 0
for contract_id in contract_ids:
detail_url = f"{detail_url_template}/{contract_id}.json"
response = requests.get(detail_url)
if response.status_code == 200:
contracts.append(response.json())
else:
print(f"Error al obtener detalles del contrato {contract_id}: {response.status_code}")
processed_contracts += 1
print(f"Procesado {processed_contracts}/{total_contracts} contratos.")
# Guardar los resultados en un archivo JSON
with open(file_path, 'w', encoding='utf-8') as file:
json.dump(contracts, file, ensure_ascii=False, indent=4)
print(f"Detalles de los contratos descargados y guardados en {file_path}")
def download_zaragoza_wrapper(base_url, params, detail_base_url, file_path):
# Obtain the contract IDs first
contract_ids = get_contract_ids(base_url, params)
# Download the details of each contract
download_contracts_zaragoza(contract_ids, detail_base_url, file_path)
def download_contracts_madrid(url, destination_directory, start_year,file_path):
# Ensure the destination directory exists, create if necessary.
if not os.path.exists(destination_directory):
os.makedirs(destination_directory)
# Perform an HTTP GET request to retrieve the HTML content of the page.
response = requests.get(url)
response.raise_for_status() # Ensure the request was successful.
# Parse the HTML using BeautifulSoup to find relevant links.
soup = BeautifulSoup(response.text, 'html.parser')
for link in soup.find_all('a'):
link_text = link.string
# Filter links that contain the required text.
if link_text and "Contratos menores inscritos en el Registro de Contratos." in link_text:
text_parts = link_text.split()
year = int(text_parts[-1].strip('()')) # Extract the year from the link text.
# Check if the year of the contract meets the criteria.
if year >= start_year:
href = link.get('href')
if href:
full_url = href if href.startswith('http') else url + href
file_name = href.split('/')[-1]
# Download the file linked from the URL.
file_response = requests.get(full_url)
file_response.raise_for_status()
file_path = os.path.join(destination_directory, file_name)
with open(file_path, 'wb') as file:
file.write(file_response.content)
print(f"File {file_name} downloaded in {file_path}")
def download_all_contracts(destination_directory):
# Parámetros para cada conjunto de datos
datasets = [
{
"func": download_contracts_gencat,
"params": {
"domain": "analisi.transparenciacatalunya.cat",
"dataset_identifier": "ybgg-dgi6",
"destination_directory": destination_directory,
"file_name": "contratacion_publica_catalunya_completo.csv"
}
},
{
"func": download_zaragoza_wrapper,
"params": {
"base_url": 'https://www.zaragoza.es/sede/servicio/contratacion-publica/contrato.json',
"params": {
'procedimiento.id': '10',
'fl': 'id',
'start': 0,
'rows': 50
},
"detail_base_url": "https://www.zaragoza.es/sede/servicio/contratacion-publica",
"file_path": os.path.join(destination_directory, "contratos_zaragoza_detalles.json")
}
},
{
"func": download_contracts_madrid,
"params": {
"url": 'https://transparencia.madrid.es/portales/transparencia/es/Economia-y-presupuestos/Contratacion/Contratacion-administrativa/Contratos-menores/?vgnextfmt=default&vgnextoid=6f86ad4dd90f9710VgnVCM1000001d4a900aRCRD&vgnextchannel=cd7079a1180d9710VgnVCM1000001d4a900aRCRD',
"destination_directory": destination_directory,
"start_year": 2018,
"file_path": "DESCARGAS/"
}
}
]
# Descargar cada dataset
for dataset in datasets:
func = dataset["func"]
params = dataset["params"]
print(f"Descargando datos de {func.__name__}...")
func(**params)
# Auxiliar functions for Zaragoza's Open Data integration
def extract_field(data, key):
"""
Extracts a value from a dictionary using the provided key.
"""
try:
return data[key]
except (TypeError, KeyError):
return None
def extract_from_list_of_dicts(lst, key):
"""
Extracts a value from the first dictionary in a list using the specified key.
"""
if lst and isinstance(lst, list):
return lst[0].get(key, None)
return None
def extract_nested_field(data, path):
""""
Attempts to retrieve a value from a nested structure of dictionaries/lists using a list of keys/indices to navigate the path.
"""
for key in path:
try:
data = data[key]
except (TypeError, KeyError, IndexError):
return None
return data
def extract_nested_field_from_list(lst, path):
"""
Extracts a nested field from a list of dictionaries, following a specified path of keys.
"""
if lst and isinstance(lst, list):
for item in lst:
data = item
try:
for key in path:
data = data[key]
return data
except (TypeError, KeyError, IndexError):
continue
return None
def extract_uris(anuncios):
uris_3 = []
uris_4 = []
if isinstance(anuncios, list):
for anuncio in anuncios:
if 'type' in anuncio:
type_id = anuncio['type'].get('id')
uri = anuncio.get('uri', None)
# Verifica si 'id' es 3 y guarda la URI correspondiente
if type_id == 3 and uri:
uris_3.append(uri)
# Verifica si 'id' es 4 y guarda la URI correspondiente
elif type_id == 4 and uri:
uris_4.append(uri)
# Formatea las listas de URIs a cadenas separadas por comas, o utiliza pd.NA si la lista está vacía
uris_3_str = ', '.join(uris_3) if uris_3 else pd.NA
uris_4_str = ', '.join(uris_4) if uris_4 else pd.NA
return {'anuncio.type.id.3.uri': uris_3_str, 'anuncio.type.id.4.uri': uris_4_str}
id_to_place_mapping = {
0: np.nan,
1: np.nan,
2: 1,
3: 2,
4: 4,
5: 8,
6: 9,
7: 3,
8: 5,
9: 9,
10: 4,
11: 4,
12: 9,
13: 8,
14: 9
}
title_to_place_mapping = {
"En Licitación": "PUB",
"Pendiente de Adjudicar": "EV",
"Adjudicación Provisional": "ADJ",
"Adjudicación Definitiva": "ADJ",
"Suspendida la licitación": "ANUL",
"Adjudicación": "ADJ",
"Contrato Formalizado": "RES",
"Desierto": "RES",
"Renuncia": "RES",
"Modificación del Contrato": "RES",
"Cancelado": "ANUL",
"Desistido": "ANUL",
"Resuelto": "RES",
"Parcialmente Adjudicado": "ADJ",
"Parcialmente Formalizado": "ADJ"
}
def convert_to_ndarray(item):
return np.array([str(item)], dtype=object)
# Following https://contrataciondelestado.es/codice/cl/2.07/SyndicationTenderingProcessCode-2.07.gc
def substitute_contract_value(x):
if x == 'Contracte menor':
return 6.0
elif x == 'Restringit':
return 2.0
elif x == 'Altres procediments segons instruccions internes':
return 999.0
else:
return x
# Following https://contrataciondelestado.es/codice/cl/2.07/SyndicationContractCode-2.07.gc
def substitute_type_code(x):
if x == 'Subministraments':
return 1.0
elif x == 'Serveis' or x == 'Contracte de serveis especials (annex IV)' or x == "Concessió de serveis especials (annex IV)":
return 2.0
elif x == 'Obres':
return 3.0
elif x == "Concessió de serveis":
return 22.0
elif x == "Concessió d'obres":
return 32.0
elif x == 'Administratiu especial':
return 7.0
elif x == "Privat d'Administració Pública":
return 40.0
elif x == 'Administratiu especial':
return 7.0
elif x == 'Altra legislació sectorial':
return 999.0
else:
return x
def extraer_url(row):
link_str = row['link']
try:
link_dict = ast.literal_eval(link_str)
return link_dict.get('url', link_str)
except (ValueError, SyntaxError):
return link_str
def convert_date_to_array(date_str):
date_str = str(date_str)
if date_str == 'nan':
return np.array([None], dtype=object)
date_formats = ['%d/%m/%Y', '%d/%m/%y', '%Y-%m-%dT%H:%M:%S', '%Y-%m-%d']
for format in date_formats:
try:
date_object = datetime.strptime(date_str, format)
break
except ValueError:
continue
else:
raise ValueError(f"No se pudo parsear la fecha: {date_str}")
# Formatear la fecha a 'yyyy-mm-dd'
formatted_date = date_object.strftime('%Y-%m-%d')
# Convertir la fecha formateada a un numpy.ndarray con dtype=object
return np.array([formatted_date], dtype=object)
def float64_to_array(item):
# Convertir el item a float64 si no lo es
if not isinstance(item, np.float64):
item = np.float64(item)
# Convertir el número a cadena y guardarlo en un numpy.ndarray con dtype=object
return np.array([str(item)], dtype=object)
def convert_int64_to_float64(value):
return np.float64(value)
def convert_to_object_array(x):
if isinstance(x, list):
return np.array(x, dtype=object)
elif isinstance(x, (str, float, int)):
return np.array([x], dtype=object)
elif not isinstance(x, np.ndarray):
return np.array([x], dtype=object)
return x
def convert_to_timestamp(date_str, tz='UTC'):
if not isinstance(date_str, str):
return pd.NaT
try:
parsed_date = parser.parse(date_str)
timestamp = pd.Timestamp(parsed_date, tz=tz)
return timestamp
except ValueError:
return pd.NaT
def ensure_array(x):
if isinstance(x, np.ndarray):
return x
elif pd.isnull(x):
return np.array([None], dtype=object)
elif isinstance(x, (list, tuple)):
return np.array(x, dtype=object)
elif isinstance(x, (int, float)):
return np.array([str(x)], dtype=object)
else:
return np.array([x], dtype=object)
# Mapeo de columnas para Zaragoza
mapeo_zgz = {
'url': 'link',
'title': 'title',
'expediente': 'ContractFolderStatus.ContractFolderID',
'organoContratante.dir3': 'ContractFolderStatus.LocatedContractingParty.Party.PartyIdentification.ID',
'organoContratante.title': 'ContractFolderStatus.LocatedContractingParty.Party.PartyName.Name',
'organoContratante.address.locality': 'ContractFolderStatus.ProcurementProject.RealizedLocation.Address.CityName',
'organoContratante.postal_code': 'ContractFolderStatus.ProcurementProject.RealizedLocation.Address.PostalZone',
'cpv.id': 'ContractFolderStatus.ProcurementProject.RequiredCommodityClassification.ItemClassificationCode',
'type.id': 'ContractFolderStatus.ProcurementProject.TypeCode',
'importeConIVA': 'ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount',
'importeSinIVA': 'ContractFolderStatus.ProcurementProject.BudgetAmount.TaxExclusiveAmount',
'servicio.address.locality': 'ContractFolderStatus.ProcurementProject.RealizedLocation.CountrySubentity',
'servicio.address.countryName': 'ContractFolderStatus.ProcurementProject.RealizedLocation.Address.Country.Name',
'duracion': 'ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure',
'status.title': 'ContractFolderStatus.TenderResult.StatusCode',
'status.id': 'ContractFolderStatus.TenderResult.ResultCode',
'fechaContrato': 'ContractFolderStatus.TenderResult.AwardDate',
'numLicitadores': 'ContractFolderStatus.TenderResult.ReceivedTenderQuantity',
'ofertas.empresa.nif': 'ContractFolderStatus.TenderResult.WinningParty.PartyIdentification.ID',
'ofertas.empresa.nombre': 'ContractFolderStatus.TenderResult.WinningParty.PartyName.Name',
'ofertas.importeSinIVA': 'ContractFolderStatus.TenderResult.AwardedTenderedProject.LegalMonetaryTotal.TaxExclusiveAmount',
'ofertas.importeConIVA': 'ContractFolderStatus.TenderResult.AwardedTenderedProject.LegalMonetaryTotal.PayableAmount',
'pubDate': 'ContractFolderStatus.ValidNoticeInfo.AdditionalPublicationStatus.AdditionalPublicationDocumentReference.IssueDate',
'procedimiento.id': 'ContractFolderStatus.TenderingProcess.ProcedureCode',
'criterio.tipo.title': 'ContractFolderStatus.TenderingTerms.AwardingTerms.AwardingCriteria.AwardingCriteriaTypeCode',
'criterio.title': 'ContractFolderStatus.TenderingTerms.AwardingTerm.AwardingCriteria.Description',
'criterio.peso': 'ContractFolderStatus.TenderingTerms.AwardingTerms.AwardingCriteria.WeightNumeric',
'valorEstimado': 'ContractFolderStatus.ProcurementProject.BudgetAmount.EstimatedOverallContractAmount',
'entity.title': 'ContractFolderStatus.LocatedContractingParty.ParentLocatedParty.PartyName.Name',
'fechaContrato': 'ContractFolderStatus.TenderResult.Contract.IssueDate',
'anuncio.type.id.4.uri': 'ContractFolderStatus.LegalDocumentReference.Attachment.ExternalReference.URI',
'anuncio.type.id.3.uri': 'ContractFolderStatus.TechnicalDocumentReference.Attachment.ExternalReference.URI',
'fechaPresentacion': 'ContractFolderStatus.TenderingProcess.TenderSubmissionDeadlinePeriod.EndDate',
'lastUpdated': 'updated'
}
def process_zaragoza(df, df_minors):
"""
Process the Zaragoza's Open Data DataFrame to extract and transform the relevant fields.
Return: df
With the relevant fields concatenated with the df_minors DataFrame.
"""
# Extracting the fields of column 'type'
df['type.id'] = df['type'].apply(lambda x: extract_field(x, 'id'))
df['type.title'] = df['type'].apply(lambda x: extract_field(x, 'title'))
df['type.type'] = df['type'].apply(lambda x: extract_field(x, 'type'))
# Extracting the fields of column 'procedimiento'
df['procedimiento.id'] = df['procedimiento'].apply(lambda x: extract_field(x, 'id'))
df['procedimiento.nombre'] = df['procedimiento'].apply(lambda x: extract_field(x, 'nombre'))
# Extracting the fields of column 'entity'
df['entity.id'] = df['entity'].apply(lambda x: extract_field(x, 'id'))
df['entity.title'] = df['entity'].apply(lambda x: extract_field(x, 'title'))
df['entity.lastUpdated'] = df['entity'].apply(lambda x: extract_field(x, 'lastUpdated'))
df['entity.schema'] = df['entity'].apply(lambda x: extract_field(x, 'schema'))
df['entity.idSchema'] = df['entity'].apply(lambda x: extract_field(x, 'idSchema'))
# Extracting the fields of column 'status'
df['status.id'] = df['status'].apply(lambda x: extract_field(x, 'id'))
df['status.title'] = df['status'].apply(lambda x: extract_field(x, 'title'))
# Extracting the fields of column 'cpv'
df['cpv.id'] = df['cpv'].apply(lambda x: extract_from_list_of_dicts(x, 'id'))
df['cpv.titulo'] = df['cpv'].apply(lambda x: extract_from_list_of_dicts(x, 'titulo'))
# Extracting the fields of column 'servicio'
df['servicio.id'] = df['servicio'].apply(lambda x: extract_field(x, 'id'))
df['servicio.dir3'] = df['servicio'].apply(lambda x: extract_field(x, 'dir3'))
df['servicio.title'] = df['servicio'].apply(lambda x: extract_field(x, 'title'))
df['servicio.phone'] = df['servicio'].apply(lambda x: extract_field(x, 'phone'))
df['servicio.postal_code'] = df['servicio'].apply(lambda x: extract_field(x, 'postal_code'))
df['servicio.nivelAdministracion'] = df['servicio'].apply(lambda x: extract_field(x, 'nivelAdministracion'))
df['servicio.tipoEntidadPublica'] = df['servicio'].apply(lambda x: extract_field(x, 'tipoEntidadPublica'))
df['servicio.nivelJerarquico'] = df['servicio'].apply(lambda x: extract_field(x, 'nivelJerarquico'))
df['servicio.unidadSuperior'] = df['servicio'].apply(lambda x: extract_field(x, 'unidadSuperior'))
df['servicio.unidadRaiz'] = df['servicio'].apply(lambda x: extract_field(x, 'unidadRaiz'))
df['servicio.status'] = df['servicio'].apply(lambda x: extract_field(x, 'status'))
df['servicio.headOf'] = df['servicio'].apply(lambda x: extract_field(x, 'headOf'))
df['servicio.creationDate'] = df['servicio'].apply(lambda x: extract_field(x, 'creationDate'))
# Extracting the fields of column 'organoContratante'
df['organoContratante.id'] = df['organoContratante'].apply(lambda x: extract_field(x, 'id'))
df['organoContratante.dir3'] = df['organoContratante'].apply(lambda x: extract_field(x, 'dir3'))
df['organoContratante.title'] = df['organoContratante'].apply(lambda x: extract_field(x, 'title'))
df['organoContratante.phone'] = df['organoContratante'].apply(lambda x: extract_field(x, 'phone'))
df['organoContratante.postal_code'] = df['organoContratante'].apply(lambda x: extract_field(x, 'postal_code'))
df['organoContratante.nivelAdministracion'] = df['organoContratante'].apply(lambda x: extract_field(x, 'nivelAdministracion'))
df['organoContratante.tipoEntidadPublica'] = df['organoContratante'].apply(lambda x: extract_field(x, 'tipoEntidadPublica'))
df['organoContratante.nivelJerarquico'] = df['organoContratante'].apply(lambda x: extract_field(x, 'nivelJerarquico'))
df['organoContratante.unidadSuperior'] = df['organoContratante'].apply(lambda x: extract_field(x, 'unidadSuperior'))
df['organoContratante.unidadRaiz'] = df['organoContratante'].apply(lambda x: extract_field(x, 'unidadRaiz'))
df['organoContratante.status'] = df['organoContratante'].apply(lambda x: extract_field(x, 'status'))
df['organoContratante.headOf'] = df['organoContratante'].apply(lambda x: extract_field(x, 'headOf'))
df['organoContratante.creationDate'] = df['organoContratante'].apply(lambda x: extract_field(x, 'creationDate'))
fields = {
'address.id': ['address', 'id'],
'address.address': ['address', 'address'],
'address.postal_code': ['address', 'postal_code'],
'address.locality': ['address', 'locality'],
'address.countryName': ['address', 'countryName'],
'address.geometry.type': ['address', 'geometry', 'type'],
'address.geometry.coordinates': ['address', 'geometry', 'coordinates'],
}
# Extracting the fields nested at 'servicio.address' and 'organoContratante.address'
for field, path in fields.items():
df[f'servicio.{field}'] = df['servicio'].apply(lambda x: extract_nested_field(x, path))
df[f'organoContratante.{field}'] = df['organoContratante'].apply(lambda x: extract_nested_field(x, path))
# Extracting the fields of 'criterios' field
df['criterio.id'] = df['criterios'].apply(lambda x: extract_from_list_of_dicts(x, 'idCriterio'))
df['criterio.description'] = df['criterios'].apply(lambda x: extract_from_list_of_dicts(x, 'description'))
df['criterio.title'] = df['criterios'].apply(lambda x: extract_from_list_of_dicts(x, 'title'))
df['criterio.peso'] = df['criterios'].apply(lambda x: extract_from_list_of_dicts(x, 'peso'))
# Extracting the fields nested in 'criterios.tipo' -> 'id' and 'title'
df['criterio.tipo.id'] = df['criterios'].apply(lambda x: extract_nested_field_from_list(x, ['tipo', 'id']))
df['criterio.tipo.title'] = df['criterios'].apply(lambda x: extract_nested_field_from_list(x, ['tipo', 'title']))
# Extracting the fields of 'ofertas' field
df['ofertas.id'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'id'))
df['ofertas.fechaAdjudicacion'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'fechaAdjudicacion'))
df['ofertas.fechaFormalizacion'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'fechaFormalizacion'))
df['ofertas.importeSinIVA'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'importeSinIVA'))
df['ofertas.canon'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'canon'))
df['ofertas.autonomo'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'autonomo'))
df['ofertas.ganador'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'ganador'))
df['ofertas.importeConIVA'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'importeConIVA'))
df['ofertas.iva'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'iva'))
df['ofertas.precioUnitario'] = df['ofertas'].apply(lambda x: extract_from_list_of_dicts(x, 'precioUnitario'))
# Extracting nested fields in 'ofertas.empresa' REVISAR PORQUE EN OCASIONES TIENEN MÁS DE UNA ENTRADA
df['ofertas.empresa.idEmpresa'] = df['ofertas'].apply(lambda x: extract_nested_field_from_list(x, ['empresa', 'idEmpresa']))
df['ofertas.empresa.nombre'] = df['ofertas'].apply(lambda x: extract_nested_field_from_list(x, ['empresa', 'nombre']))
df['ofertas.empresa.nif'] = df['ofertas'].apply(lambda x: extract_nested_field_from_list(x, ['empresa', 'nif']))
df['ofertas.empresa.openCorporateUrl'] = df['ofertas'].apply(lambda x: extract_nested_field_from_list(x, ['empresa', 'openCorporateUrl']))
df['ofertas.empresa.esUte'] = df['ofertas'].apply(lambda x: extract_nested_field_from_list(x, ['empresa', 'esUte']))
df['ofertas.empresa.autonomo'] = df['ofertas'].apply(lambda x: extract_nested_field_from_list(x, ['empresa', 'autonomo']))
uris = df['anuncios'].apply(extract_uris)
df['anuncio.type.id.3.uri'] = uris.apply(lambda x: x['anuncio.type.id.3.uri'])
df['anuncio.type.id.4.uri'] = uris.apply(lambda x: x['anuncio.type.id.4.uri'])
# Remove original cols where data where nested
df.drop(['type','ofertas','procedimiento','entity','status','cpv','servicio','criterios','organoContratante'], axis=1, inplace=True)
df['cpv.id'] = df['cpv.id'].apply(float64_to_array)
df['status.id'] = df['status.id'].map(id_to_place_mapping).astype(np.float64)
df['status.title'] = df['status.title'].map(title_to_place_mapping)
df['status.id'] = df['status.id'].apply(convert_to_ndarray)
df['status.title'] = df['status.title'].apply(convert_to_ndarray)
df['fechaContrato'] = df['fechaContrato'].apply(convert_date_to_array)
df['numLicitadores'] = df['numLicitadores'].apply(float64_to_array)
df['ofertas.empresa.nif'] = df['ofertas.empresa.nif'].apply(convert_to_ndarray)
df['ofertas.empresa.nombre'] = df['ofertas.empresa.nombre'].apply(convert_to_ndarray)
df['ofertas.importeSinIVA'] = df['ofertas.importeSinIVA'].apply(float64_to_array)
df['ofertas.importeConIVA'] = df['ofertas.importeConIVA'].apply(float64_to_array)
df['pubDate'] = df['pubDate'].apply(convert_date_to_array)
df['procedimiento.id'] = df['procedimiento.id'].apply(convert_int64_to_float64)
# Criterios, no está en minors ni outsiders (solo en insiders)
df['criterio.tipo.title'] = df['criterio.tipo.title'].apply(convert_to_ndarray)
df['criterio.title'] = df['criterio.title'].apply(convert_to_ndarray)
df['criterio.peso'] = df['criterio.peso'].apply(convert_to_ndarray)
# Fechas
df['fechaPresentacion'] = df['fechaPresentacion'].apply(convert_to_timestamp)
df['lastUpdated'] = df['lastUpdated'].apply(convert_date_to_array)
columns_to_keep = list(mapeo_zgz.keys())
df_filtered = df[columns_to_keep]
# Renombrar las columnas
df_minors_zgz = df_filtered.rename(columns=mapeo_zgz)
print(f"Hay un total de {len(df_minors_zgz)} menores de ZARAGOZA")
if 'origen' not in df_minors.columns:
df_minors['origen'] = 'minors_place'
df_minors_zgz['origen'] = 'zaragoza_opendata'
df_combined_minors_zgz = pd.concat([df_minors, df_minors_zgz], ignore_index=True)
df_combined_minors_zgz['ContractFolderStatus.TenderingProcess.TenderSubmissionDeadlinePeriod.EndDate'] = df_combined_minors_zgz['ContractFolderStatus.TenderingProcess.TenderSubmissionDeadlinePeriod.EndDate'].astype(str)
df_final = df_combined_minors_zgz.map(ensure_array)
return df_final
def unify_colname(col):
return ".".join([el for el in col if el])
# Auxiliar functions for Madrid's Open Data integration
def replace_names_by_codes(df, column_name):
tipo_contrato_codigo = {
"Suministros": 1.0,
"SUMINISTRO": 1.0,
"Servicios": 2.0,
"SERVICIOS": 2.0,
"Concesión de Servicios": 2.0,
"Obras": 3.0,
"OBRAS": 3.0,
"Gestión de Servicios Públicos": 21.0,
"Concesión de Obras Públicas": 31.0,
"Colaboración entre el sector público y el sector privado": 40.0,
"Administrativo especial": 7.0,
"Privado": 8.0,
"Patrimonial": 50.0,
"Otros": 999.0,
"OTROS": 999.0
}
if column_name in df.columns:
df[column_name] = df[column_name].map(tipo_contrato_codigo).astype('float64')
return df
def convertir_importe_a_float(df, column_name):
def limpiar_valor_importe(valor):
if pd.isna(valor):
return valor
# Eliminar el símbolo de euro y cualquier otro carácter no numérico, excepto la coma (se aplica sobre columna str)
valor_limpio = valor.replace('€', '').replace('.', '').replace(',', '.')
try:
return float(valor_limpio)
except ValueError:
return pd.NA
if column_name in df.columns:
df[column_name] = df[column_name].apply(limpiar_valor_importe).astype('float64')
return df
def convert_to_float_array(x):
return np.array([format(float(x), '.1f')], dtype=object)
def convert_to_float64(s):
try:
if pd.isna(s):
return np.nan
if isinstance(s, str):
# Reemplazar comas por puntos para manejar formatos numéricos con comas como separador decimal
s = s.replace(',', '.')
return float(s)
elif isinstance(s, (int, float)):
return float(s)
else:
# Manejar otros tipos de datos si es necesario
return np.nan
except ValueError as e:
print(f"Error al convertir '{s}' a float64: {e}")
return np.nan
# Función para convertir valores 'SI'/'NO' en un array de numpy con 'true'/'false'
def convert_pyme_to_boolean_array(value):
if value == 'SI':
return np.array(['true'], dtype=object)
elif value == 'NO':
return np.array(['false'], dtype=object)
else:
return np.array(['undefined'], dtype=object)
def convertir_timestamp_a_array(timestamp):
# Convertir el timestamp a formato de fecha 'YYYY-MM-DD'
fecha_formateada = timestamp.strftime('%Y-%m-%d')
resultado_array = np.array([fecha_formateada], dtype=object)
return resultado_array
def eliminar_corchetes(cadena):
if isinstance(cadena, str):
# Eliminar corchetes, comillas simples y dobles
cadena = re.sub(r"[\[\]']", '', cadena)
cadena = cadena.strip('"')
# Eliminar el sufijo ".0"
cadena = re.sub(r'\b(\d+)\.0\b', r'\1', cadena)
return cadena
def process_madrid(df_minors_base, input_dir):
"""
Process the Madrid's Open Data DataFrames to extract and transform the relevant fields.
Return: df with the relevant fields concatenated with the df_minors DataFrame.
"""
# Read the Excel files
try:
df_mad_24 = pd.read_excel(os.path.join(input_dir, '300253-21-contratos-actividad-menores.xlsx'), sheet_name=0, parse_dates=True)
df_mad_23 = pd.read_excel(os.path.join(input_dir, '300253-19-contratos-actividad-menores.xlsx'), sheet_name=0, skiprows=5, usecols="B:R", parse_dates=True)
df_mad_22 = pd.read_excel(os.path.join(input_dir, '300253-17-contratos-actividad-menores.xlsx'), sheet_name=0, parse_dates=True)
df_mad_21_15 = pd.read_excel(os.path.join(input_dir, '300253-15-contratos-actividad-menores.xlsx'), sheet_name=0, parse_dates=True)
df_mad_21_13 = pd.read_excel(os.path.join(input_dir, '300253-13-contratos-actividad-menores.xlsx'), sheet_name=0, parse_dates=True)
df_mad_20 = pd.read_excel(os.path.join(input_dir, '300253-11-contratos-actividad-menores.xlsx'), sheet_name=0, parse_dates=True)
df_mad_19 = pd.read_excel(os.path.join(input_dir, '300253-9-contratos-actividad-menores.xlsx'), sheet_name=0, parse_dates=True)
df_mad_18 = pd.read_excel(os.path.join(input_dir, '300253-1-contratos-actividad-menores.xlsx'), sheet_name=0, parse_dates=True)
except Exception as e:
print(f"Error al leer los archivos de Madrid: {e}")
return None
# Diccionarios de mapeo diferentes para cada subconjunto de datos
mapeo_24_23_22_21_15 = {
'N. DE EXPEDIENTE': 'ContractFolderStatus.ContractFolderID',
'ORGANO DE CONTRATACION': 'ContractFolderStatus.LocatedContractingParty.Party.PartyName.Name',
'OBJETO DEL CONTRATO': 'ContractFolderStatus.ProcurementProject.Name',
'TIPO DE CONTRATO': 'ContractFolderStatus.ProcurementProject.TypeCode',
'IMPORTE LICITACION IVA INC.': 'ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount',
'N. LICITADORES PARTICIPANTES': 'ContractFolderStatus.TenderResult.ReceivedTenderQuantity',
'NIF ADJUDICATARIO': 'ContractFolderStatus.TenderResult.WinningParty.PartyIdentification.ID',
'RAZON SOCIAL ADJUDICATARIO': 'ContractFolderStatus.TenderResult.WinningParty.PartyName.Name',
'PYME': 'ContractFolderStatus.TenderResult.SMEAwardedIndicator',
'IMPORTE ADJUDICACION IVA INC.': 'ContractFolderStatus.TenderResult.AwardedTenderedProject.LegalMonetaryTotal.PayableAmount',
'FECHA DE ADJUDICACION': 'ContractFolderStatus.TenderResult.AwardDate',
'PLAZO': 'ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'
}
mapeo_21_13 = {
'EXPEDIENTE': 'ContractFolderStatus.ContractFolderID',
'ORG_CONTRATACIÓN': 'ContractFolderStatus.LocatedContractingParty.Party.PartyName.Name',
'OBJETO': 'ContractFolderStatus.ProcurementProject.Name',
'TIPO_CONTRATO': 'ContractFolderStatus.ProcurementProject.TypeCode',
'CIF': 'ContractFolderStatus.TenderResult.WinningParty.PartyIdentification.ID',
'RAZÓN_SOCIAL': 'ContractFolderStatus.TenderResult.WinningParty.PartyName.Name',
'IMPORTE': 'ContractFolderStatus.TenderResult.AwardedTenderedProject.LegalMonetaryTotal.PayableAmount',
'F_APROBACIÓN':'ContractFolderStatus.TenderResult.AwardDate',
'PLAZO': 'ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'
}
mapeo_20_19_18 = {
'NUMERO EXPEDIENTE': 'ContractFolderStatus.ContractFolderID',
'ORG.CONTRATACION': 'ContractFolderStatus.LocatedContractingParty.Party.PartyName.Name',
'OBJETO DEL CONTRATO': 'ContractFolderStatus.ProcurementProject.Name',
'TIPO DE CONTRATO': 'ContractFolderStatus.ProcurementProject.TypeCode',
'CONTRATISTA': 'ContractFolderStatus.TenderResult.WinningParty.PartyName.Name',
'RAZON SOCIAL ADJUDICATARIO': 'ContractFolderStatus.TenderResult.WinningParty.PartyName.Name',
'N.I.F': 'ContractFolderStatus.TenderResult.WinningParty.PartyIdentification.ID',
'IMPORTE': 'ContractFolderStatus.TenderResult.AwardedTenderedProject.LegalMonetaryTotal.PayableAmount',
'F_APROBACIÓN': 'ContractFolderStatus.TenderResult.AwardDate',
'PLAZO': 'ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'
}
# Procesamiento de los DataFrames
# Bloque 1
dfs_bloque1 = [df_mad_24, df_mad_23, df_mad_22, df_mad_21_15]
df_bloque1 = pd.concat(dfs_bloque1, ignore_index=True)
df_bloque1 = replace_names_by_codes(df_bloque1, 'TIPO DE CONTRATO')
df_bloque1 = convertir_importe_a_float(df_bloque1, 'IMPORTE LICITACION IVA INC.')
df_bloque1['N. DE EXPEDIENTE'] = df_bloque1['N. DE EXPEDIENTE'].apply(convert_to_object_array)
df_bloque1['N. LICITADORES PARTICIPANTES'] = df_bloque1['N. LICITADORES PARTICIPANTES'].apply(convert_to_float_array)
df_bloque1['NIF ADJUDICATARIO'] = df_bloque1['NIF ADJUDICATARIO'].apply(convert_to_object_array)
df_bloque1['RAZON SOCIAL ADJUDICATARIO'] = df_bloque1['RAZON SOCIAL ADJUDICATARIO'].apply(convert_to_object_array)
df_bloque1['PLAZO'] = df_bloque1['PLAZO'].apply(convert_to_float64)
df_bloque1['PYME'] = df_bloque1['PYME'].apply(convert_pyme_to_boolean_array)
df_bloque1 = convertir_importe_a_float(df_bloque1, 'IMPORTE ADJUDICACION IVA INC.')
df_bloque1['IMPORTE ADJUDICACION IVA INC.'] = df_bloque1['IMPORTE ADJUDICACION IVA INC.'].apply(convert_to_float_array)
df_bloque1['FECHA DE ADJUDICACION'] = df_bloque1['FECHA DE ADJUDICACION'].apply(convert_date_to_array)
# Bloque 2
df_bloque2 = df_mad_21_13.copy()
df_bloque2 = replace_names_by_codes(df_bloque2, 'TIPO_CONTRATO')
df_bloque2['CIF'] = df_bloque2['CIF'].apply(convert_to_object_array)
df_bloque2['RAZÓN_SOCIAL'] = df_bloque2['RAZÓN_SOCIAL'].apply(convert_to_object_array)
df_bloque2['IMPORTE'] = df_bloque2['IMPORTE'].apply(convert_to_float_array)
df_bloque2['F_APROBACIÓN'] = df_bloque2['F_APROBACIÓN'].apply(convertir_timestamp_a_array)
# Bloque 3
dfs_bloque3 = [df_mad_20, df_mad_19, df_mad_18]
df_bloque3 = pd.concat(dfs_bloque3, ignore_index=True)
df_bloque3 = replace_names_by_codes(df_bloque3, 'TIPO DE CONTRATO')
df_bloque3['CONTRATISTA'] = df_bloque3['CONTRATISTA'].apply(convert_to_object_array)
df_bloque3['N.I.F'] = df_bloque3['N.I.F'].apply(convert_to_object_array)
df_bloque3['IMPORTE'] = df_bloque3['IMPORTE'].apply(convert_to_float_array)
df_bloque3['FECHA APROBACION'] = df_bloque3['FECHA APROBACION'].apply(convertir_timestamp_a_array)
# Renombrar las columnas de los dataframes según los diccionarios de mapeo
df_bloque1.rename(columns=mapeo_24_23_22_21_15, inplace=True)
df_bloque2.rename(columns=mapeo_21_13, inplace=True)
df_bloque3.rename(columns=mapeo_20_19_18, inplace=True)
df_bloque1.drop(columns=['N. DE REGISTRO DE CONTRATO','CENTRO - SECCION','N. DE INVITACIONES CURSADAS','INVITADOS A PRESENTAR OFERTA','FECHA DE INSCRIPCION'], inplace=True, errors='ignore')
df_bloque2.drop(columns=['CONTRATO','SECCIÓN','F_INSCRIPCION'], inplace=True, errors='ignore')
df_bloque3.drop(columns=['NºRECON','SECCION ', 'FECHA APROBACION', 'FCH.COMUNIC.REG'], inplace=True, errors='ignore')
df_bloque1['origen'] = 'madrid_opendata'
df_bloque2['origen'] = 'madrid_opendata'
df_bloque3['origen'] = 'madrid_opendata'
if 'origen' not in df_minors_base.columns:
df_minors_base['origen'] = 'minors_place'
# Concatenar todos los DataFrames
dataframes = [df_bloque1, df_bloque2, df_bloque3]
df_concatenado = df_minors_base.copy().reset_index(drop=True)
for df in dataframes:
df.reset_index(drop=True, inplace=True)
df_concatenado = pd.concat([df_concatenado, df], ignore_index=True)
df_concatenado['ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount'] = df_concatenado['ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount'].astype(str)
df_concatenado['ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount'] = df_concatenado['ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount'].apply(eliminar_corchetes)
df_concatenado['ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount'] = df_concatenado['ContractFolderStatus.ProcurementProject.BudgetAmount.TotalAmount'].apply(convert_to_object_array)
df_concatenado['ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'] = df_concatenado['ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'].astype(str)
df_concatenado['ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'] = df_concatenado['ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'].apply(eliminar_corchetes)
df_concatenado['ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'] = df_concatenado['ContractFolderStatus.ProcurementProject.PlannedPeriod.DurationMeasure'].apply(convert_to_object_array)
df_concatenado['ContractFolderStatus.ProcurementProject.TypeCode'] = \
df_concatenado['ContractFolderStatus.ProcurementProject.TypeCode'].astype(str)
df_concatenado['ContractFolderStatus.TenderResult.ReceivedTenderQuantity'] = \
df_concatenado['ContractFolderStatus.TenderResult.ReceivedTenderQuantity'].astype(str)
cols = set(df_bloque1.columns.tolist() + df_bloque2.columns.tolist() + df_bloque3.columns.tolist())
cols = list(cols)
for col in cols:
if col in df_concatenado.columns:
df_concatenado[col] = df_concatenado[col].apply(convert_to_object_array)
#Guardado intermedio, luego comentar en versión final
#df_concatenado.to_parquet('/export/usuarios_ml4ds/cggamella/sproc/DESCARGAS/zgz_y_madrid.parquet')
return df_concatenado
# Auxiliar functions for Gencat's Open Data integration
def crear_indice_unico(row):
# Primeros 50 caracteres de 'title'
inicio_title = row['title'][:50]
# ContractFolderStatus.ContractFolderID
contract_folder_id = row['ContractFolderStatus.ContractFolderID']
# ContractFolderStatus.ProcurementProject.RealizedLocation.CountrySubentityCode
country_subentity_code = row['ContractFolderStatus.ProcurementProject.RealizedLocation.CountrySubentityCode']
nom = row['ContractFolderStatus.LocatedContractingParty.Party.PartyName.Name'][:50] if pd.notnull(row['ContractFolderStatus.LocatedContractingParty.Party.PartyName.Name']) else ""
# Concatenación de los componentes con el símbolo '&'
indice_unico = f"{inicio_title}&{contract_folder_id}&{country_subentity_code}&{nom}"
return indice_unico
def crear_indice_unico_gencat(row):
# Primeros 50 caracteres de 'objecte_contracte'
inicio_objecte_contracte = row['objecte_contracte'][:50] if pd.notnull(row['objecte_contracte']) else ""
# 'codi_expedient' completo
codi_expedient = row['codi_expedient']
# 'codi_nuts' para el componente final del índice
codi_nuts = row['codi_nuts']
# 'nom_organ' para el nombre
nom_organ = row['nom_organ'][:50] if pd.notnull(row['nom_organ']) else ""
# Concatenación de los componentes con el símbolo '&'
indice_unico = f"{inicio_objecte_contracte}&{codi_expedient}&{codi_nuts}&{nom_organ}"
return indice_unico
def estadisticas_con_info(df):
estadisticas = {}
for columna in df.columns:
# Contar valores NaN y None en la columna
num_nan = df[columna].isna().sum()
# Contar cadenas vacías en la columna
num_vacios = (df[columna].apply(lambda x: isinstance(x, str) and x.strip() == '')).sum()
# Calcular el total de valores
total_valores = df[columna].shape[0]
num_con_info = total_valores - num_nan - num_vacios
estadisticas[columna] = {
'Con información': num_con_info,
'Total valores': total_valores,
'Porcentaje con información': (num_con_info / total_valores) * 100,
}
estadisticas_df = pd.DataFrame(estadisticas).T
return estadisticas_df
def flatten_value(x):
if isinstance(x, str) and x.startswith("[") and x.endswith("]"):
try:
# Convierte la cadena en una lista real usando ast.literal_eval
x = ast.literal_eval(x)
except (ValueError, SyntaxError):
pass
if isinstance(x, (list, np.ndarray)) and len(x) > 0:
return float(x[0])
try:
return float(x)
except ValueError:
return None
def reemplazar_valores_vacios(df, mapeo_gencat):
"""
Reemplazar valores vacíos (NaN, None o '') en las columnas de destino
con valores de las columnas de origen según el mapeo proporcionado.
Si la columna de origen es un array, se utilizarán todos los valores.
Además, genera estadísticas de cuántas sustituciones se han realizado por columna.
"""
# Dict para datos de sustituciones
sustituciones = {col_destino: 0 for col_destino in mapeo_gencat.values()}
# Recorre cada fila del DataFrame
for index, row in df.iterrows():
for col_origen, col_destino in mapeo_gencat.items():
if col_origen not in df.columns or col_destino not in df.columns:
continue
# Verifica si el valor en la columna de destino es NaN, None o vacío
valor_destino = row[col_destino]
valor_origen = row[col_origen]
# Verificación adicional para arrays que contengan 'nan'
if isinstance(valor_origen, np.ndarray):
if valor_origen.size == 1 and valor_origen[0] == 'nan':
continue
elif valor_origen.size > 0 and all(pd.notna(valor_origen)):
valor_origen = ', '.join(map(str, valor_origen))
# Convertir la columna de destino a tipo 'object' si no lo es
if not pd.api.types.is_object_dtype(df[col_destino]):
df[col_destino] = df[col_destino].astype(object)
# Si el valor de destino es NaN, None o vacío, y el valor de origen es válido
if (pd.isna(valor_destino) or valor_destino == '') and pd.notna(valor_origen):
df.at[index, col_destino] = valor_origen
sustituciones[col_destino] += 1
#print(f"Fila {index} | Columna '{col_destino}' | Valor original: {valor_destino} | Valor de reemplazo: {valor_origen}")
print("\nEstadísticas de Sustituciones:")
for col, count in sustituciones.items():
if count > 0:
print(f"Columna '{col}': {count} sustituciones realizadas.")
return df
def analyze_duration(duration_str):
"""
Función para convertir la duración a días.
Maneja distintos formatos.
"""
if 'anys' in duration_str or 'mesos' in duration_str or 'dies' in duration_str:
# Manejar el formato de duración como 'X anys Y mesos Z dies'
parts = duration_str.split()
years, months, days = 0, 0, 0
try:
for i, part in enumerate(parts):
if part == 'anys':
years = int(parts[i-1])
elif part == 'mesos':
months = int(parts[i-1])
elif part == 'dies':
days = int(parts[i-1])
except ValueError:
pass
total_days = years * 365 + months * 30 + days
return total_days
elif ' a ' in duration_str:
# Manejar el formato de rango de fechas 'dd/mm/yyyy a dd/mm/yyyy'
try:
start_date_str, end_date_str = duration_str.split(' a ')
start_date = datetime.strptime(start_date_str.strip(), '%d/%m/%Y')
end_date = datetime.strptime(end_date_str.strip(), '%d/%m/%Y')
return (end_date - start_date).days
except ValueError:
return None
elif '-' in duration_str and ':' in duration_str:
# Manejar formato de fecha 'YYYY-MM-DD HH:MM:SS'
try:
date_time_obj = datetime.strptime(duration_str.strip(), '%Y-%m-%d %H:%M:%S')
# Si solo es una fecha (no un rango), devolver 0 días
return 0
except ValueError:
return None
return None
def procesar_datos_json(df_input, max_retries=3, delay_seconds=2):
df = df_input.copy()
failed_urls = []
for index, row in df.iterrows():
# Verificar si la columna 'url_json_licitacio' es válida
if pd.isna(row['url_json_licitacio']) or row['url_json_licitacio'] == "":
continue
try:
entrada_dict = ast.literal_eval(row['url_json_licitacio'])
if 'url' not in entrada_dict or not isinstance(entrada_dict['url'], str):