Análisis exploratorio de datos (EDA) y visualización geográfica de incidentes viales en la Ciudad de México (2014-2024). Utilizando Python y datos del Centro de Comando, Control, Cómputo, Comunicaciones y Contacto Ciudadano de la CDMX (C5), se analizaron los incidentes viales para identificar patrones de mayor riesgo y su distribución geográfica.

Análisis exploratorio de datos (EDA) y visualización geográfica de tianguis en la Ciudad de México (2022). Utilizando Python y datos de la Secretaría de Desarrollo Económico (SEDECO), se analizaron para identificar su distribución geográfica y comportamiento a lo largo de los días de la semana.

Análisis exploratorio de datos (EDA) y visualización geográfica de sistemas de captación de lluvia en la Ciudad de México (2019-2024). Utilizando Python y datos de la Secretaría del Medio Ambiente (SEDEMA), se analizaron los registros para identificar su distribución geográfica e implementación a lo largo de los años.

Análisis exploratorio de datos (EDA) de condiciones atmosféricas (Temperatura, Humedad Relativa, Dirección y Velocidad del Viento). Utilizando Python y datos de la Red de Meteorología y Radiación Solar (REDMET), se analizaron los registros en la Ciudad de México del año 2015 a 2023 para identificar patrones estacionales y su evolución temporal.

Análisis exploratorio de datos (EDA) de contaminantes atmosféricos y partículas suspendidas (PST, PM10, PM2.5 y Plomo). Utilizando Python y datos de la Red de Meteorología y Radiación Solar (REDMET), en este proyecto se analizaron los registros de partículas en la Ciudad de México del año 2015 a 2023, para identificar patrones estacionales.

Análisis exploratorio de datos (EDA) del número de casos positivos del COVID-19 en la Ciudad de México (2020-2023). Utilizando Python y datos de la Secretaría de Salud, en este proyecto se identificaron tendencias de casos positivos registrados por temporalidad.

Análisis exploratorio de datos (EDA) de patrones de movilidad y uso del sistema Ecobici en la Ciudad de México durante el mes de octubre de 2024. Utilizando Python y datos oficiales de la Secretaría de Movilidad, se analizó la demanda por días y hora, así como la duración de trayectos, y el porcentaje de usuarios de acuerdo a su género y edad.

Análisis exploratorio de datos (EDA) sobre la afluencia del Cablebús, Trolebús, y Tren Ligero de la CDMX (2022-2026). Utilizando Python y datos oficiales del Portal de Datos Abiertos de la CDMX, este proyecto identifica patrones temporales, estacionalidad y tendencias de movilidad urbana en los transportes eléctricos de la ciudad.

Este proyecto presenta el proceso de recopilación, carga, limpieza y procesamiento de los datos espaciales de los diferentes modos de transporte del sistema de Movilidad Integrada en la Ciudad de México. El objetivo fue transformar datos crudos de portales oficiales en un recurso visual limpio para llevar a cabo análisis de movilidad urbana.

Análisis exploratorio de datos (EDA) sobre la afluencia de la Red de Transporte de Pasajeros (RTP) de la CDMX (2022-2026). Utilizando Python y datos oficiales del Portal de Datos Abiertos de la CDMX, este proyecto identifica patrones temporales, estacionalidad y tendencias de movilidad urbana en la RTP de la ciudad.

Repositorio de prácticas fundamentales enfocado en técnicas de Análisis Exploratorio de Datos (EDA) y modelos de Regresión Lineal para la interpretación de tendencias y relaciones, utilizando datasets de fuentes abiertas como Kaggle y GitHub.

Analyze rainwater harvesting systems in Mexico City (2019-2024) to map coverage and identify areas with high technology adoption.

Analyze and visualize 2022 Mexico City tianguis data using Python for spatial patterns, schedule extraction, and duration calculations.