En el marco de mis proyectos aplicados en Data Science Geoespacial y Remote Sensing, desarrollé un análisis territorial utilizando datos abiertos de la región francesa Pays de la Loire, integrando técnicas de procesamiento geográfico con Python, GeoPandas y Shapely.
El objetivo del proyecto fue implementar un flujo completo de análisis espacial para evaluar la distribución geográfica de la oferta turística de restaurantes y explorar patrones territoriales a partir de fuentes oficiales de datos públicos abiertos.
🧩 Datos y metodología
El análisis combinó dos fuentes principales de los sitios web oficiales de datos públicos abiertos de Nantes Métropole y el Pays de la Loire.
- Base de datos turística de restaurantes del Pays de la Loire (≈3375 registros),
- Límites administrativos de las comunas de la región en formato GeoJSON.
🧭 Flujo de trabajo
- Integración y normalización de datos
Se depuraron los campos clave, ajustando tipos de datos y proyecciones espaciales (CRS). - Análisis exploratorio y visualización
Se generaron representaciones visuales que incluyen mapas, puntos geolocalizados y buffers proporcionales a la cantidad de restaurantes por municipio. - Síntesis espacial
Se identificaron los municipios con mayor concentración turística, estableciendo un ranking visual del Top 10 y Top 20 según densidad.
El dataset que contiene los datos de los restaurantes (3375 registros) en 49 columnas, es una información muy interesante que intenta mapear múltiples variables que impactan en el negocio de la restauración. Lamentablemente tenemos muchos datos faltantes, lo que complica a veces la generación de insights.
Tras realizar un conteo único de los municipios (communes), en el dataset que contiene la geometría del Pays de la Loire, vemos que exisiten 1232 municipios (communes) divididos en cinco departamentos.
Al consultar el número único de municipios en el dataset de la oferta turística de restaurantes, nos damos cuenta que tenemos registros de 566 municipios, menos de la mitad.
Contando los valores de la columna «Département«, verificamos que no se encuentran registros del departamento de Vendée. Por esta razón, veremos más adelante que en la parte inferior del mapa de Pays de la Loire no contamos con ningún restaurante geolocalizado.
Ambos conjuntos se integraron mediante el código INSEE para construir una infraestructura geoespacial coherente, lo que permitió realizar análisis de densidad y distribución.
A partir de este dataframe creamos una agrupación Groupby para filtrar algunas columnas que necesitaremos: nom_comm, Commune, Geometry y Département. Luego lo convertimos en un Geodataframe.
Tras crear nuestro primer plot de este Geodataframe, evidenciamos que:
- Existen muchos municipios que no cuentan con datos – registros de restaurantes.
- El mapa se ve desproporcionado porque no tiene el mismo CRS (Sistema de coordenadas).
- La parte inferior del mapa que corresponde a la Vendée no es visible, al no contar con registros.
Vamos a atribuir el mismo CRS del geodataframe principal de Pays de la Loire y después volvemos a crear el plot.
Creamos una columna que contiene el «Centroide» de cada municipio y otra que calcula el Buffer de cada punto Centroide.
Ahora podemos generar nuestro primer mapa coroplético que indica la densidad de restaurantes por municipio.
Y ahora otro mapa con el número de restaurantes, que muestra los municipios sin valores o datos, incluyendo el departamento de la Vendée en la parte inferior.
En el mapa ya identificamos un municipio que cuenta con la mayor densidad. Ahora visualizamos el top 10 de los municipios que cuentan con más restaurantes según el dataset.
Hacemos una copia del dataframe donde asignamos el punto centroide como «Geometría» principal, y después lo ploteamos.
Ahora podemos crear una primera visualización con los centroides y sus Buffer creciendo logarítmicamente a partir de la cantidad de restaurantes por municipio.
No vemos con claridad las diferencias, entonces creamos otra versión con el mapeo de colores «Viridis». Mantenemos todos los puntos centroides, incluso los que no tienen registros de restaurantes.
La siguiente etapa será visualizar el top 20 y el top 10 de los municipios que crecen en su buffer en relación a la cantidad de restaurantes. Mostramos las etiquetas y valores de cada punto.
Aqui evidenciamos a la izquierda, que existe una agrupación de municipios en la Loire Atlantique (1527), y que juntos hacen mayoría en la oferta turísitica de restaurantes en el Pays de la Loire, lo cual habíamos verificado realizando un conteo en nuestro dataset.
📊 Principales hallazgos
El análisis inicial posicionó Le Mans como el municipio con mayor número de restaurantes turísticos, y que la Loire Atlantique es el departamento con la mayor densidad de oferta turísitica de restaurantes, según el dataset. Sin embargo, la revisión contextual con otras fuentes actuales, reveló que Nantes concentra una oferta más amplia, dado que el dataset no cubre el universo comercial completo.
Según varios portales de turismo y gastronomía recogieron información de la Cámara de Comercio e industria local de Nantes, indicando 1 414 restaurantes en su registro. En el 2017, se reportaron 3737 establecimientos de restauración (Incluyendo restaurantes de todo tipo).
El conjunto de datos que utilizamos en este análisis espacial es proporcionado por la red e-SPRIT: sistema electrónico de profesionales de la red de información turística. Nos proporciona una lista de restaurantes turísticos en la región Pays de la Loire, y no necesariamente representa un conteo exhaustivo de todos los restaurantes de cada ciudad.
Ahora, la posición de Le Mans en primer lugar, me generó más preguntas sobre cuáles son los eventos o actividades que atraen más asistentes o turistas en Francia, y como consecuencia podrían aumentar las ofertas en gastronomia u hotelería.
Aquí una comparación rápida, según datos de Wikipedia:
| Evento | Asistencia presencial aprox. | Frecuencia | Tipo |
|---|---|---|---|
| Tour de Francia | 10–12 millones (dispersos en todo el país) | Anual | Deporte (ciclismo) |
| Braderie de Lille | 2,5–3 millones (fin de semana) | Anual | Cultural/comercial |
| Salon de l’Agriculture (Paris) | 600–700 mil (una semana) | Anual | Feria |
| Hellfest (Clisson) | 400 mil (fin de semana) | Anual | Música |
| 24 Horas de Le Mans | 330 mil (fin de semana) | Anual | Automovilismo |
| Final Champions (Paris) | 75 mil | Ocasional | Deporte (fútbol) |
En concentración de público en un mismo lugar y tiempo corto, Le Mans está en el top 4–5 de Francia.
Eventos como la Braderie de Lille y el Tour de Francia lo superan en números totales, pero Le Mans es único por su carácter internacional y su prestigio dentro del automovilismo. Con más de 300 mil asistentes en un solo fin de semana, Le Mans está entre los eventos deportivos con mayor público en Francia. Estos números muestran que no es solo “otra carrera de autos”: es una cita emblemática del deporte motor, con peso histórico, cultural y mediático. La asistencia ha venido creciendo, lo que sugiere que su popularidad sigue en alza.
Este hallazgo subraya la importancia de interpretar los datos espaciales en su contexto socioeconómico, evitando conclusiones basadas únicamente en la frecuencia geográfica.
🧠 Conclusiones y proyección
El proyecto demuestra el potencial del análisis geoespacial aplicado con Python para la caracterización territorial y la toma de decisiones basada en datos. Las herramientas implementadas permiten replicar el flujo de trabajo en otros dominios, como la planificación urbana, la gestión ambiental o el turismo sostenible.
“El territorio se entiende mejor cuando los datos cuentan su historia.”
Veo en los datos espaciales un mundo útil y fascinante para encontrar soluciones de impacto que innoven y agregen valor a lo que nos interesa. Actualmente sigo los cursos Geospatial Data Analytics de Milan Janosov, donde mediante la implementación de casos reales nos acercamos más al dominio y gusto por los datos espaciales. Espero poder profundizando y avanzando.
#DataScience #GeoPandas #GIS #RemoteSensing #GeospatialAnalysis #Python #DataVisualization #TourismData #PaysDeLaLoire #Nantes #DataDriven
