Caso Chicago Crime: cómo los datos geoespaciales revelan la arquitectura oculta del delito urbano
Contexto¶
Este caso extra de la UT4 profundiza en el uso de datos especiales, incorporando análisis geoespacial real aplicado a registros de delitos de la ciudad de Chicago. El objetivo fue construir un pipeline reproducible capaz de acceder a datos abiertos mediante API, transformarlos en información geográfica y generar visualizaciones que revelen patrones espaciales relevantes para seguridad urbana y toma de decisiones.
El ejercicio integra conceptos de GeoPandas, Shapely y Contextily, abordando desde la limpieza y proyección de datos hasta la construcción de mapas de puntos y hotspots basados en densidad. A diferencia de las prácticas anteriores, este caso trabaja con datos reales, sin necesidad de subir archivos, demostrando una forma moderna de consumir fuentes abiertas desde Colab.
Objetivos¶
- Acceder a datos del portal oficial de Chicago mediante API.
- Convertir datos tabulares en un GeoDataFrame con geometrías válidas.
- Comprender el rol del CRS (Coordinate Reference System) y la reproyección a Web Mercator.
- Construir visualizaciones espaciales interpretables:
- distribución de puntos,
- mapas de densidad tipo hexbin,
- vistas filtradas por tipo de delito.
- Analizar si existen patrones urbanos significativos vinculados a zonas de mayor concentración delictiva.
- Integrar un pipeline totalmente reproducible en Google Colab sin uso de archivos locales.
Desarrollo del caso¶
El trabajo se estructuró en cuatro etapas, siguiendo un flujo claro de procesamiento geoespacial.
1. Descarga de datos reales vía API¶
Se utilizó el recurso abierto Crimes in Chicago, solicitando una muestra reciente de 15.000 registros. Cada entrada incluye:
- Tipo de delito
- Coordenadas (latitud/longitud)
- Fecha
- Cuadrante o bloque aproximado
El uso de API aporta dos ventajas:
- El dataset siempre está actualizado.
- Evita subir archivos, manteniendo el notebook liviano y portable.
Los primeros registros evidencian variabilidad en delitos como THEFT, ASSAULT, BURGLARY y DAMAGE.
2. Limpieza y validación de coordenadas¶
Antes de la conversión geoespacial, se eliminaron entradas sin latitud o longitud.
Esto es crucial para evitar geometrías nulas que impedirían la creación de mapas.
La muestra final quedó con 14.933 registros válidos.
Se reindexó el dataframe para asegurar compatibilidad con GeoPandas.
3. Conversión a datos geoespaciales y reproyección¶
Se generó un GeoDataFrame asignando a cada incidente un objeto Point(longitude, latitude) bajo el CRS EPSG:4326 (coordenadas geográficas estándar).
Luego, se reproyectó todo a EPSG:3857 (Web Mercator), requerido por los mapas base (CartoDB Positron) para poder superponer puntos correctamente.
Este paso permite:
- coherencia de escala,
- alineación con mapas digitales modernos,
- precisión en visualizaciones urbanas.
4. Visualizaciones espaciales del fenómeno delictivo¶
Se elaboraron visualizaciones principales, cada una aportando una perspectiva distinta sobre el comportamiento urbano de los delitos.
Evidencias¶
Distribución espacial de delitos en Chicago¶
Esta visualización revela:
- fuerte concentración de incidentes en la zona costera noreste,
- dispersión gradual hacia el sur y oeste,
- patrones asociados a densidad poblacional y corredores de movilidad.
Hotspots de delito mediante hexbin¶
El mapa hexagonal permite detectar áreas críticas donde se acumulan muchos eventos.
Obsérvese cómo:
- un hotspot dominante aparece cerca del distrito central,
- surgen focos secundarios hacia el sur,
- las áreas suburbanas muestran baja densidad relativa.
Los hexbin ayudan a suavizar ruido y resaltar tendencias más estables.
Distribución espacial de THEFT¶
THEFT es uno de los delitos más frecuentes y se observa:
- alta concentración en zonas comerciales,
- densidad marcada en espacios con tránsito de personas,
- distribución más uniforme comparada con otros tipos de delito.
Top 10 tipos de delito¶
El conteo revela que:
- THEFT, BATTERY y CRIMINAL DAMAGE dominan la muestra,
- delitos violentos (ASSAULT) también están presentes con fuerza,
- la distribución ayuda a interpretar por qué ciertos delitos generan patrones geográficos distintos.
Insights clave¶
- Los delitos no se distribuyen al azar: siguen la estructura urbana.
- THEFT y BATTERY muestran patrones espaciales muy marcados cerca del centro.
- El hexbin evidencia zonas críticas que no se aprecian con mapas de puntos.
- La reproyección a EPSG:3857 es esencial para mapas profesionales con basemaps.
- El pipeline permite escalar fácilmente a análisis temporales o clustering de zonas inseguras.
- El caso demuestra cómo datos abiertos pueden servir para entender dinámicas urbanas reales.
Reflexión¶
Este caso complementario demuestra la potencia del análisis geoespacial en entornos de datos reales.
La combinación de:
- acceso directo a API,
- creación de geometrías,
- reproyección correcta,
- y visualizaciones urbanas interpretables,
permite transformar datos brutos en conocimiento aplicable para seguridad pública, logística, movilidad o planificación urbana.
La UT4 se consolida así como una unidad crítica para entender cómo trabajar con datos no estructurados y cómo integrarlos dentro de flujos de trabajo avanzados de analítica y machine learning.
Notebook en Google Colab¶
📓 El notebook completo con el desarrollo de esta práctica puede consultarse en el siguiente enlace:
🔗 Abrir notebook en Google Colab
Referencias¶
- GeoPandas Documentation
- Shapely – Geometry objects
- Contextily – Basemaps for Python
- OpenStreetMap contributors
- Chicago Data Portal – Crimes dataset