Uso de la API Covid con Pandas - AD4

Lina Vargas Vega

Máster periodismo digital y de datos

Mi url https://api.covid19api.com/countries

Instalar librerías

Es probable que al descargar Anaconda la libería Pandas ya estuviera incluida, así que este paso sirve para llamarla a funcionar en el documento actual. Se puede llamar con la función !pip o !conda -si se descargó Jupyter desde Anaconda-.

!pip install pandas

Requirement already satisfied: pandas in c:\users\usuario\anaconda3\lib\site-packages (1.4.4)
Requirement already satisfied: python-dateutil>=2.8.1 in c:\users\usuario\anaconda3\lib\site-packages (from pandas) (2.8.2)
Requirement already satisfied: pytz>=2020.1 in c:\users\usuario\anaconda3\lib\site-packages (from pandas) (2022.1)
Requirement already satisfied: numpy>=1.18.5 in c:\users\usuario\anaconda3\lib\site-packages (from pandas) (1.21.5)
Requirement already satisfied: six>=1.5 in c:\users\usuario\anaconda3\lib\site-packages (from python-dateutil>=2.8.1->pandas) (1.16.0)

Configurar pandas

Con esta indicación podremos referinos a Pandas como pd en todo el documento

import pandas as pd

Traer la API Covid al documento

Para que pandas identifique los datos que vamos a tratar, vamos a crear una variable denominada 'miurl' que representará el link de la API

miurl = "https://api.covid19api.com/countries"

Hacemos una pequeña prueba para comprobar que nuestra variable funcione

miurl

'https://api.covid19api.com/countries'

Crear de dataframe

Un dataframe (df) es literalmente un marco de datos y servirá para encerrar, organizar y eventualmente ilustrar nuestra información. La función read_json() servirá para que se identifique el formato json que es el que tienen los datos de la API, de ahora en adelante miurl.

df = pd.read_json (miurl)

Corremos una pequeña prueba para comprobar que todo salió correcto. Al traer df a pandas, se muestra el conjunto de datos entero.

df

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	Slug	ISO2
0	Denmark	denmark	DK
1	Greece	greece	GR
2	Oman	oman	OM
3	Poland	poland	PL
4	Botswana	botswana	BW
...	...	...	...
243	Liechtenstein	liechtenstein	LI
244	Slovakia	slovakia	SK
245	Tajikistan	tajikistan	TJ
246	Argentina	argentina	AR
247	Jamaica	jamaica	JM

248 rows × 3 columns

También podemos crear un dataframe con los primeros datos de la lista. En este caso, los primeros 10...

df.head(10)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	Slug	ISO2
0	Denmark	denmark	DK
1	Greece	greece	GR
2	Oman	oman	OM
3	Poland	poland	PL
4	Botswana	botswana	BW
5	Cambodia	cambodia	KH
6	Tonga	tonga	TO
7	Cook Islands	cook-islands	CK
8	Kenya	kenya	KE
9	Holy See (Vatican City State)	holy-see-vatican-city-state	VA

... O los últimos 10

df.tail(10)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	Slug	ISO2
238	Swaziland	swaziland	SZ
239	Turks and Caicos Islands	turks-and-caicos-islands	TC
240	Angola	angola	AO
241	Uruguay	uruguay	UY
242	Japan	japan	JP
243	Liechtenstein	liechtenstein	LI
244	Slovakia	slovakia	SK
245	Tajikistan	tajikistan	TJ
246	Argentina	argentina	AR
247	Jamaica	jamaica	JM

Un paso importante es usar la función info que nos permite saber si hay algún dato nulo o que no corresponda al resto. También nos mostrará el nombre de las colunmas para usarlo más adelante.

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 248 entries, 0 to 247
Data columns (total 3 columns):
 #   Column   Non-Null Count  Dtype 
---  ------   --------------  ----- 
 0   Country  248 non-null    object
 1   Slug     248 non-null    object
 2   ISO2     248 non-null    object
dtypes: object(3)
memory usage: 5.9+ KB

Ahora que conocemos el nombre de la columna de la lista de países (Country, teniendo en cuenta la mayúscula) podemos crear un df con esta información

df['Country']

0             Angola
1            Georgia
2            Ireland
3           Slovenia
4      French Guiana
           ...      
243        Sri Lanka
244           Canada
245           Kuwait
246            Libya
247       Seychelles
Name: Country, Length: 248, dtype: object

Incluso, podríamos hacer un df de un solo dato si lo quisieramos.

df['Country'][66]

'Palau'

Tiempo real

Ahora vamos a poner a prueba lo que hemos practicado. Vamos a tomar la url que indica el sitio web de la API Covid para la información por país en tiempo real, y vamos a crear una variable para identificarla como la url de Colombia. También le pediremos a Pandas que lea los datos de la url_col que están en formato json.

url_col = 'https://api.covid19api.com/country/Colombia/status/confirmed/live'
df_col = pd.read_json (url_col)
df_col

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status	Date
0	Colombia	CO				4.57	-74.3	0	confirmed	2020-01-22 00:00:00+00:00
1	Colombia	CO				4.57	-74.3	0	confirmed	2020-01-23 00:00:00+00:00
2	Colombia	CO				4.57	-74.3	0	confirmed	2020-01-24 00:00:00+00:00
3	Colombia	CO				4.57	-74.3	0	confirmed	2020-01-25 00:00:00+00:00
4	Colombia	CO				4.57	-74.3	0	confirmed	2020-01-26 00:00:00+00:00
...	...	...	...	...	...	...	...	...	...	...
1038	Colombia	CO				4.57	-74.3	6312657	confirmed	2022-11-25 00:00:00+00:00
1039	Colombia	CO				4.57	-74.3	6312657	confirmed	2022-11-26 00:00:00+00:00
1040	Colombia	CO				4.57	-74.3	6312657	confirmed	2022-11-27 00:00:00+00:00
1041	Colombia	CO				4.57	-74.3	6312657	confirmed	2022-11-28 00:00:00+00:00
1042	Colombia	CO				4.57	-74.3	6312657	confirmed	2022-11-29 00:00:00+00:00

1043 rows × 10 columns

Explorar los datos

Cómo lo hicimos antes, podemos ver diferentes ángulos del df general de Colombia para familiarizarnos más con la información.

Es importante tener a la mano el nombre de las columnas de nuestro df para identificar aquellas que nos servirán en la visualización del gráfico final.

df_col.columns

Index(['Country', 'CountryCode', 'Province', 'City', 'CityCode', 'Lat', 'Lon',
       'Cases', 'Status', 'Date'],
      dtype='object')

También podemos crear un df con los primeros datos de la lista...

df_col.head(5)

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Lat	Lon	Status	Date
0	Colombia	CO	4.57	-74.3	confirmed	2020-01-22 00:00:00+00:00
1	Colombia	CO	4.57	-74.3	confirmed	2020-01-23 00:00:00+00:00
2	Colombia	CO	4.57	-74.3	confirmed	2020-01-24 00:00:00+00:00
3	Colombia	CO	4.57	-74.3	confirmed	2020-01-25 00:00:00+00:00
4	Colombia	CO	4.57	-74.3	confirmed	2020-01-26 00:00:00+00:00

...O con los últimos o un dato en concreto -como antes-. Y como siempre, es importante usar la función info para tener nuevos detalles de la data

df_col.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1043 entries, 0 to 1042
Data columns (total 10 columns):
 #   Column       Non-Null Count  Dtype              
---  ------       --------------  -----              
 0   Country      1043 non-null   object             
 1   CountryCode  1043 non-null   object             
 2   Province     1043 non-null   object             
 3   City         1043 non-null   object             
 4   CityCode     1043 non-null   object             
 5   Lat          1043 non-null   float64            
 6   Lon          1043 non-null   float64            
 7   Cases        1043 non-null   int64              
 8   Status       1043 non-null   object             
 9   Date         1043 non-null   datetime64[ns, UTC]
dtypes: datetime64[ns, UTC](1), float64(2), int64(1), object(6)
memory usage: 81.6+ KB

Elaboración del gráfico

En este punto vamos a elegir el eje X y Y de nuestro gráfico. Para eso vamos a seleccionar los datos más relevantes: la fecha y el número de casos. Vamos a ubicar la fecha como la columna de control usando la función set_index() para reemplazar a la columna que Pandas ubicó allí por defecto.

df_col.set_index('Date')

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status
Date
2020-01-22 00:00:00+00:00	Colombia	CO				4.57	-74.3	0	confirmed
2020-01-23 00:00:00+00:00	Colombia	CO				4.57	-74.3	0	confirmed
2020-01-24 00:00:00+00:00	Colombia	CO				4.57	-74.3	0	confirmed
2020-01-25 00:00:00+00:00	Colombia	CO				4.57	-74.3	0	confirmed
2020-01-26 00:00:00+00:00	Colombia	CO				4.57	-74.3	0	confirmed
...	...	...	...	...	...	...	...	...	...
2022-11-25 00:00:00+00:00	Colombia	CO				4.57	-74.3	6312657	confirmed
2022-11-26 00:00:00+00:00	Colombia	CO				4.57	-74.3	6312657	confirmed
2022-11-27 00:00:00+00:00	Colombia	CO				4.57	-74.3	6312657	confirmed
2022-11-28 00:00:00+00:00	Colombia	CO				4.57	-74.3	6312657	confirmed
2022-11-29 00:00:00+00:00	Colombia	CO				4.57	-74.3	6312657	confirmed

1043 rows × 9 columns

Añadimos el otro dato del gráfico con corchetes

df_col.set_index('Date')['Cases']

Date
2020-01-22 00:00:00+00:00          0
2020-01-23 00:00:00+00:00          0
2020-01-24 00:00:00+00:00          0
2020-01-25 00:00:00+00:00          0
2020-01-26 00:00:00+00:00          0
                              ...   
2022-11-25 00:00:00+00:00    6312657
2022-11-26 00:00:00+00:00    6312657
2022-11-27 00:00:00+00:00    6312657
2022-11-28 00:00:00+00:00    6312657
2022-11-29 00:00:00+00:00    6312657
Name: Cases, Length: 1043, dtype: int64

El último paso para el gráfico consiste en darle a nuestros dos ejes seleccionados la función plot para que se ilustren.

df_col.set_index('Date')['Cases'].plot()

<AxesSubplot:xlabel='Date'>

También podemos titularlo

df_col.set_index('Date')['Cases'].plot(title= "Casos de Covid19 en Colombia")

<AxesSubplot:title={'center':'Casos de Covid19 en Colombia'}, xlabel='Date'>

Podemos hacer el mismo ejercicio con Ecuador

Traemos y nombramos los datos

url_ecu = 'https://api.covid19api.com/country/Ecuador/status/confirmed/live'
df_ecu = pd.read_json (url_ecu)
df_ecu

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status	Date
0	Ecuador	EC				-1.83	-78.18	0	confirmed	2020-01-22 00:00:00+00:00
1	Ecuador	EC				-1.83	-78.18	0	confirmed	2020-01-23 00:00:00+00:00
2	Ecuador	EC				-1.83	-78.18	0	confirmed	2020-01-24 00:00:00+00:00
3	Ecuador	EC				-1.83	-78.18	0	confirmed	2020-01-25 00:00:00+00:00
4	Ecuador	EC				-1.83	-78.18	0	confirmed	2020-01-26 00:00:00+00:00
...	...	...	...	...	...	...	...	...	...	...
1038	Ecuador	EC				-1.83	-78.18	1009958	confirmed	2022-11-25 00:00:00+00:00
1039	Ecuador	EC				-1.83	-78.18	1009958	confirmed	2022-11-26 00:00:00+00:00
1040	Ecuador	EC				-1.83	-78.18	1009958	confirmed	2022-11-27 00:00:00+00:00
1041	Ecuador	EC				-1.83	-78.18	1011132	confirmed	2022-11-28 00:00:00+00:00
1042	Ecuador	EC				-1.83	-78.18	1011132	confirmed	2022-11-29 00:00:00+00:00

1043 rows × 10 columns

Conocemos los datos

df_ecu.columns

Index(['Country', 'CountryCode', 'Province', 'City', 'CityCode', 'Lat', 'Lon',
       'Cases', 'Status', 'Date'],
      dtype='object')

df_ecu.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1043 entries, 0 to 1042
Data columns (total 10 columns):
 #   Column       Non-Null Count  Dtype              
---  ------       --------------  -----              
 0   Country      1043 non-null   object             
 1   CountryCode  1043 non-null   object             
 2   Province     1043 non-null   object             
 3   City         1043 non-null   object             
 4   CityCode     1043 non-null   object             
 5   Lat          1043 non-null   float64            
 6   Lon          1043 non-null   float64            
 7   Cases        1043 non-null   int64              
 8   Status       1043 non-null   object             
 9   Date         1043 non-null   datetime64[ns, UTC]
dtypes: datetime64[ns, UTC](1), float64(2), int64(1), object(6)
memory usage: 81.6+ KB

Realizamos el gráfico

df_ecu.set_index('Date')

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status
Date
2020-01-22 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	0	confirmed
2020-01-23 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	0	confirmed
2020-01-24 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	0	confirmed
2020-01-25 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	0	confirmed
2020-01-26 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	0	confirmed
...	...	...	...	...	...	...	...	...	...
2022-11-25 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	1009958	confirmed
2022-11-26 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	1009958	confirmed
2022-11-27 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	1009958	confirmed
2022-11-28 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	1011132	confirmed
2022-11-29 00:00:00+00:00	Ecuador	EC				-1.83	-78.18	1011132	confirmed

1043 rows × 9 columns

df_ecu.set_index('Date')['Cases']

Date
2020-01-22 00:00:00+00:00          0
2020-01-23 00:00:00+00:00          0
2020-01-24 00:00:00+00:00          0
2020-01-25 00:00:00+00:00          0
2020-01-26 00:00:00+00:00          0
                              ...   
2022-11-25 00:00:00+00:00    1009958
2022-11-26 00:00:00+00:00    1009958
2022-11-27 00:00:00+00:00    1009958
2022-11-28 00:00:00+00:00    1011132
2022-11-29 00:00:00+00:00    1011132
Name: Cases, Length: 1043, dtype: int64

df_ecu.set_index('Date')['Cases'].plot()

<AxesSubplot:xlabel='Date'>

df_ecu.set_index('Date')['Cases'].plot(title= "Casos de Covid19 en Ecuador")

<AxesSubplot:title={'center':'Casos de Covid19 en Ecuador'}, xlabel='Date'>

España

url_esp = 'https://api.covid19api.com/country/Spain/status/confirmed/live'
df_esp = pd.read_json (url_esp)
df_esp

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status	Date
0	Spain	ES				40.46	-3.75	0	confirmed	2020-01-22 00:00:00+00:00
1	Spain	ES				40.46	-3.75	0	confirmed	2020-01-23 00:00:00+00:00
2	Spain	ES				40.46	-3.75	0	confirmed	2020-01-24 00:00:00+00:00
3	Spain	ES				40.46	-3.75	0	confirmed	2020-01-25 00:00:00+00:00
4	Spain	ES				40.46	-3.75	0	confirmed	2020-01-26 00:00:00+00:00
...	...	...	...	...	...	...	...	...	...	...
1038	Spain	ES				40.46	-3.75	13595504	confirmed	2022-11-25 00:00:00+00:00
1039	Spain	ES				40.46	-3.75	13595504	confirmed	2022-11-26 00:00:00+00:00
1040	Spain	ES				40.46	-3.75	13595504	confirmed	2022-11-27 00:00:00+00:00
1041	Spain	ES				40.46	-3.75	13595504	confirmed	2022-11-28 00:00:00+00:00
1042	Spain	ES				40.46	-3.75	13595504	confirmed	2022-11-29 00:00:00+00:00

1043 rows × 10 columns

df_esp.columns

Index(['Country', 'CountryCode', 'Province', 'City', 'CityCode', 'Lat', 'Lon',
       'Cases', 'Status', 'Date'],
      dtype='object')

df_esp.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1043 entries, 0 to 1042
Data columns (total 10 columns):
 #   Column       Non-Null Count  Dtype              
---  ------       --------------  -----              
 0   Country      1043 non-null   object             
 1   CountryCode  1043 non-null   object             
 2   Province     1043 non-null   object             
 3   City         1043 non-null   object             
 4   CityCode     1043 non-null   object             
 5   Lat          1043 non-null   float64            
 6   Lon          1043 non-null   float64            
 7   Cases        1043 non-null   int64              
 8   Status       1043 non-null   object             
 9   Date         1043 non-null   datetime64[ns, UTC]
dtypes: datetime64[ns, UTC](1), float64(2), int64(1), object(6)
memory usage: 81.6+ KB

df_esp.set_index('Date')

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status
Date
2020-01-22 00:00:00+00:00	Spain	ES				40.46	-3.75	0	confirmed
2020-01-23 00:00:00+00:00	Spain	ES				40.46	-3.75	0	confirmed
2020-01-24 00:00:00+00:00	Spain	ES				40.46	-3.75	0	confirmed
2020-01-25 00:00:00+00:00	Spain	ES				40.46	-3.75	0	confirmed
2020-01-26 00:00:00+00:00	Spain	ES				40.46	-3.75	0	confirmed
...	...	...	...	...	...	...	...	...	...
2022-11-25 00:00:00+00:00	Spain	ES				40.46	-3.75	13595504	confirmed
2022-11-26 00:00:00+00:00	Spain	ES				40.46	-3.75	13595504	confirmed
2022-11-27 00:00:00+00:00	Spain	ES				40.46	-3.75	13595504	confirmed
2022-11-28 00:00:00+00:00	Spain	ES				40.46	-3.75	13595504	confirmed
2022-11-29 00:00:00+00:00	Spain	ES				40.46	-3.75	13595504	confirmed

1043 rows × 9 columns

df_esp.set_index('Date')['Cases']

Date
2020-01-22 00:00:00+00:00           0
2020-01-23 00:00:00+00:00           0
2020-01-24 00:00:00+00:00           0
2020-01-25 00:00:00+00:00           0
2020-01-26 00:00:00+00:00           0
                               ...   
2022-11-25 00:00:00+00:00    13595504
2022-11-26 00:00:00+00:00    13595504
2022-11-27 00:00:00+00:00    13595504
2022-11-28 00:00:00+00:00    13595504
2022-11-29 00:00:00+00:00    13595504
Name: Cases, Length: 1043, dtype: int64

df_esp.set_index('Date')['Cases'].plot()

<AxesSubplot:xlabel='Date'>

df_esp.set_index('Date')['Cases'].plot(title= "Casos de Covid19 en España")

<AxesSubplot:title={'center':'Casos de Covid19 en España'}, xlabel='Date'>

República Dominicana

url_rd = 'https://api.covid19api.com/country/dominican-republic/status/confirmed/live'
df_rd = pd.read_json (url_rd)
df_rd

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status	Date
0	Dominican Republic	DO				18.74	-70.16	0	confirmed	2020-01-22 00:00:00+00:00
1	Dominican Republic	DO				18.74	-70.16	0	confirmed	2020-01-23 00:00:00+00:00
2	Dominican Republic	DO				18.74	-70.16	0	confirmed	2020-01-24 00:00:00+00:00
3	Dominican Republic	DO				18.74	-70.16	0	confirmed	2020-01-25 00:00:00+00:00
4	Dominican Republic	DO				18.74	-70.16	0	confirmed	2020-01-26 00:00:00+00:00
...	...	...	...	...	...	...	...	...	...	...
1038	Dominican Republic	DO				18.74	-70.16	649150	confirmed	2022-11-25 00:00:00+00:00
1039	Dominican Republic	DO				18.74	-70.16	649150	confirmed	2022-11-26 00:00:00+00:00
1040	Dominican Republic	DO				18.74	-70.16	649834	confirmed	2022-11-27 00:00:00+00:00
1041	Dominican Republic	DO				18.74	-70.16	649834	confirmed	2022-11-28 00:00:00+00:00
1042	Dominican Republic	DO				18.74	-70.16	650381	confirmed	2022-11-29 00:00:00+00:00

1043 rows × 10 columns

df_rd.columns

Index(['Country', 'CountryCode', 'Province', 'City', 'CityCode', 'Lat', 'Lon',
       'Cases', 'Status', 'Date'],
      dtype='object')

df_rd.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1043 entries, 0 to 1042
Data columns (total 10 columns):
 #   Column       Non-Null Count  Dtype              
---  ------       --------------  -----              
 0   Country      1043 non-null   object             
 1   CountryCode  1043 non-null   object             
 2   Province     1043 non-null   object             
 3   City         1043 non-null   object             
 4   CityCode     1043 non-null   object             
 5   Lat          1043 non-null   float64            
 6   Lon          1043 non-null   float64            
 7   Cases        1043 non-null   int64              
 8   Status       1043 non-null   object             
 9   Date         1043 non-null   datetime64[ns, UTC]
dtypes: datetime64[ns, UTC](1), float64(2), int64(1), object(6)
memory usage: 81.6+ KB

df_rd.set_index('Date')

.dataframe tbody tr th {
    vertical-align: top;
}

.dataframe thead th {
    text-align: right;
}

</style>

	Country	CountryCode	Province	City	CityCode	Lat	Lon	Cases	Status
Date
2020-01-22 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	0	confirmed
2020-01-23 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	0	confirmed
2020-01-24 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	0	confirmed
2020-01-25 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	0	confirmed
2020-01-26 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	0	confirmed
...	...	...	...	...	...	...	...	...	...
2022-11-25 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	649150	confirmed
2022-11-26 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	649150	confirmed
2022-11-27 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	649834	confirmed
2022-11-28 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	649834	confirmed
2022-11-29 00:00:00+00:00	Dominican Republic	DO				18.74	-70.16	650381	confirmed

1043 rows × 9 columns

df_rd.set_index('Date')['Cases']

Date
2020-01-22 00:00:00+00:00         0
2020-01-23 00:00:00+00:00         0
2020-01-24 00:00:00+00:00         0
2020-01-25 00:00:00+00:00         0
2020-01-26 00:00:00+00:00         0
                              ...  
2022-11-25 00:00:00+00:00    649150
2022-11-26 00:00:00+00:00    649150
2022-11-27 00:00:00+00:00    649834
2022-11-28 00:00:00+00:00    649834
2022-11-29 00:00:00+00:00    650381
Name: Cases, Length: 1043, dtype: int64

df_rd.set_index('Date')['Cases'].plot()

<AxesSubplot:xlabel='Date'>

df_rd.set_index('Date')['Cases'].plot(title= "Casos de Covid19 en República Dominicana")

<AxesSubplot:title={'center':'Casos de Covid19 en República Dominicana'}, xlabel='Date'>

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

ad4.md

ad4.md

Uso de la API Covid con Pandas - AD4

Lina Vargas Vega

Instalar librerías

Configurar pandas

Traer la API Covid al documento

Crear de dataframe

Tiempo real

Explorar los datos

Elaboración del gráfico

Podemos hacer el mismo ejercicio con Ecuador

Conocemos los datos

Realizamos el gráfico

España

República Dominicana

Files

ad4.md

Latest commit

History

ad4.md

File metadata and controls

Uso de la API Covid con Pandas - AD4

Lina Vargas Vega

Instalar librerías

Configurar pandas

Traer la API Covid al documento

Crear de dataframe

Tiempo real

Explorar los datos

Elaboración del gráfico

Podemos hacer el mismo ejercicio con Ecuador

Conocemos los datos

Realizamos el gráfico

España

República Dominicana