{"id":1350,"date":"2025-10-06T10:02:18","date_gmt":"2025-10-06T10:02:18","guid":{"rendered":"https:\/\/javierladino.com\/es\/?post_type=rara-portfolio&p=1350"},"modified":"2025-10-06T10:16:56","modified_gmt":"2025-10-06T10:16:56","slug":"%f0%9f%8c%8d-analisis-geoespacial-de-la-oferta-turistica-de-restaurantes-en-el-pays-de-la-loire-%f0%9f%8d%bd%ef%b8%8f","status":"publish","type":"rara-portfolio","link":"https:\/\/javierladino.com\/es\/portfolio\/%f0%9f%8c%8d-analisis-geoespacial-de-la-oferta-turistica-de-restaurantes-en-el-pays-de-la-loire-%f0%9f%8d%bd%ef%b8%8f\/","title":{"rendered":"\ud83c\udf0d An\u00e1lisis geoespacial de la oferta tur\u00edstica de restaurantes en el Pays de la Loire \ud83c\udf7d\ufe0f"},"content":{"rendered":"\n

En el marco de mis proyectos aplicados en Data Science Geoespacial y Remote Sensing<\/strong>, desarroll\u00e9 un an\u00e1lisis territorial utilizando datos abiertos de la regi\u00f3n francesa Pays de la Loire<\/strong>, integrando t\u00e9cnicas de procesamiento geogr\u00e1fico con Python<\/strong>, GeoPandas<\/strong> y Shapely<\/strong>.<\/p>\n\n\n\n

El objetivo del proyecto fue implementar un flujo completo de an\u00e1lisis espacial para evaluar la distribuci\u00f3n geogr\u00e1fica de la oferta tur\u00edstica de restaurantes<\/strong> y explorar patrones territoriales a partir de fuentes oficiales de datos p\u00fablicos abiertos.<\/p>\n\n\n\n

\ud83e\udde9 Datos y metodolog\u00eda<\/h2>\n\n\n\n

El an\u00e1lisis combin\u00f3 dos fuentes principales de los sitios web oficiales de datos p\u00fablicos abiertos de Nantes M\u00e9tropole y el Pays de la Loire.<\/strong><\/p>\n\n\n\n

    \n
  1. Base de datos tur\u00edstica de restaurantes<\/strong> del Pays de la Loire (\u22483375 registros),<\/a><\/li>\n\n\n\n
  2. L\u00edmites administrativos de las comunas<\/strong> de la regi\u00f3n en formato GeoJSON.<\/a><\/li>\n<\/ol>\n\n\n\n

    \ud83e\udded Flujo de trabajo<\/h2>\n\n\n\n
      \n
    1. Integraci\u00f3n y normalizaci\u00f3n de datos<\/strong>
      Se depuraron los campos clave, ajustando tipos de datos y proyecciones espaciales (CRS).<\/li>\n\n\n\n
    2. An\u00e1lisis exploratorio y visualizaci\u00f3n<\/strong>
      Se generaron representaciones visuales que incluyen mapas, puntos geolocalizados y buffers proporcionales a la cantidad de restaurantes por municipio.<\/li>\n\n\n\n
    3. S\u00edntesis espacial<\/strong>
      Se identificaron los municipios con mayor concentraci\u00f3n tur\u00edstica, estableciendo un ranking visual del Top 10<\/strong> y Top 20<\/strong> seg\u00fan densidad.<\/li>\n<\/ol>\n\n\n\n


      El dataset que contiene los datos de los restaurantes (3375 registros) en 49 columnas, es una informaci\u00f3n muy interesante que intenta mapear m\u00faltiples variables que impactan en el negocio de la restauraci\u00f3n. Lamentablemente tenemos muchos datos faltantes, lo que complica a veces la generaci\u00f3n de insights.<\/p>\n\n\n\n

      \"\"
      Dataset de la oferta tur\u00edstica de restaurantes en el Pays de la Loire.<\/figcaption><\/figure>\n\n\n\n
      \"L\u00edmites
      L\u00edmites administrativos de las comunas<\/strong> de la regi\u00f3n Pays de la Loire.<\/figcaption><\/figure>\n\n\n\n

      Tras realizar un conteo \u00fanico de los municipios (communes), en el dataset que contiene la geometr\u00eda del Pays de la Loire, vemos que exisiten 1232 municipios (communes) divididos en cinco departamentos.<\/p>\n\n\n\n

      \"\"
      Mapa de Pays de la Loire<\/figcaption><\/figure>\n\n\n\n

      Al consultar el n\u00famero \u00fanico de municipios en el dataset de la oferta tur\u00edstica de restaurantes, nos damos cuenta que tenemos registros de 566 municipios, menos de la mitad.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n


      Contando los valores de la columna \u00abD\u00e9partement<\/strong>\u00ab, verificamos que no se encuentran registros del departamento de Vend\u00e9e<\/strong>. Por esta raz\u00f3n, veremos m\u00e1s adelante que en la parte inferior del mapa de Pays de la Loire<\/strong> no contamos con ning\u00fan restaurante geolocalizado.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n


      Ambos conjuntos se integraron mediante el c\u00f3digo INSEE para construir una infraestructura geoespacial coherente<\/strong>, lo que permiti\u00f3 realizar an\u00e1lisis de densidad y distribuci\u00f3n.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n


      A partir de este dataframe creamos una agrupaci\u00f3n Groupby<\/strong> para filtrar algunas columnas que necesitaremos: nom_comm, Commune, Geometry y D\u00e9partement.<\/strong> Luego lo convertimos en un Geodataframe<\/strong>.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n


      Tras crear nuestro primer plot de este Geodataframe, evidenciamos que:<\/p>\n\n\n\n