Neuracode/onpe-eg2026-mesa-a-mesa

ONPE EG2026 — Resultados electorales mesa a mesa

Fuente: API pública ONPE (resultadoelectoral.onpe.gob.pe) Captura: 20260420T074202Z UTC — SHA-256 en MANIFEST.jsonl Licencia: CC-BY-4.0 — datos electorales públicos por naturaleza (Ley 26859) Proyecto: auditoria-eg2026 · Jack de Neuracode

Descripción

Dataset long-format con los resultados presidenciales (idEleccion=10) de la primera vuelta de las Elecciones Generales del Perú 2026 (12 abril 2026), extraídos mesa a mesa desde la API oficial de la ONPE.

• 92,766 mesas (88,063 normales + 4,703 especiales 900k+) | 3,793,246 filas (1 fila = mesa × partido)
• Universo verificado por barrido de bordes (reports/universe_check.json)
• Captura validada al 100% vs totales oficiales ONPE en los 26 departamentos
• estadoActa: D=Contabilizada, I=Impugnada, P=Pendiente, O=Observada

Universo de mesas (verificación)

Grupo	Rango	N	Nota
Normales	000001-088064	88,063	Gap conocido en 087704
Especiales 900k+	900001-904703	4,703	Centros excepcionales (universidades, ESSALUD, IE distribuidas)
TOTAL	—	92,766	Confirmado vs oficial 100% por depto

Schema

Columna	Tipo	Descripción
codigo_mesa	str	Código ONPE de 6 dígitos
ubigeo	str	Ubigeo 6 dígitos (depto+prov+dist)
departamento	str	Nombre del departamento
estado_acta	str	D/I/P/O
electores_habiles	Int64	Padrón habilitado en la mesa
votos_emitidos	Int64	Total votos emitidos
votos_validos	Int64	Votos válidos (excluye nulos/blancos)
pct_participacion	float32	% participación ciudadana
local_votacion	str	Nombre del local de votación
partido_codigo	str	Código agrupación política ONPE (80=BLANCOS, 81=NULOS, 82=IMPUGNADOS)
partido	str	Nombre del partido
candidato	str	Apellidos, Nombres del candidato presidencial
votos	Int64	Votos obtenidos (null si acta impugnada)
pct_votos_validos	float32	% sobre votos válidos
es_voto_especial	bool	True = NULOS o BLANCOS (flag de fila, no de mesa)

Uso rápido (Polars + DuckDB recomendado)

import polars as pl

df = pl.read_parquet("onpe_eg2026_mesas_20260420T074202Z.parquet")

# Resultados presidenciales nacionales (excluye blanco/nulo/impugnado)
nacional = (
    df.filter(~pl.col("partido_codigo").is_in(["80", "81", "82"]))
      .group_by("partido")
      .agg(pl.col("votos").sum())
      .sort("votos", descending=True)
)

# Mesas impugnadas por departamento
imp = (df.filter(pl.col("estado_acta") == "I")
         .group_by("departamento")
         .agg(pl.col("codigo_mesa").n_unique()))

import duckdb

# SQL sobre parquet directo (sin cargar a memoria)
duckdb.sql("""
  SELECT departamento,
         COUNT(DISTINCT codigo_mesa) AS mesas,
         SUM(votos) FILTER (WHERE partido_codigo NOT IN ('80','81','82')) AS validos
  FROM 'onpe_eg2026_mesas_20260420T074202Z.parquet'
  GROUP BY 1 ORDER BY 2 DESC
""").pl()

Nota: pandas funciona pero se cuelga con datasets así de grandes en máquinas modestas. Recomendado polars (Rust-backed) o duckdb (SQL columnar in-process).

Hallazgos del proyecto de auditoría (versión 0420-v2-92k)

ID	Severidad	Hallazgo	Métrica
HALL-0420-H1	CRÍTICO	Sesgo geográfico impugnadas	Extranjero 26.27% (z=42.2) · Loreto 14.87% · Ucayali 12.02% · global 6.16%
HALL-0420-H2	MEDIA	Partidos concentran en locales alta-imp	FP +2.07pp · JPP +0.88pp · BUEN GOBIERNO -1.62pp
HALL-0420-H3	MEDIA	Outliers nulos/blancos	5,304 mesas (5.72%) · San Martín 19.62% blancos #1 · Loreto mesas 900k+ >90% blancos
HALL-0420-H4	CRÍTICO	JPP concentra en mesas 900k+	JPP 41.65% en 4,700 mesas especiales vs 10.91% en normales · ratio 3.82x · z=698 · Cohen h=0.73 (grande) · IC95 [0.295, 0.308]

Detalles completos: findings.json · HALLAZGOS_VIGENTES.md

Metodología: z-test 2-prop (Newcombe 1998), Cohen's h (1988), Bootstrap percentil IC95 (Efron-Tibshirani 1993, B=10,000), Mann-Whitney U. Benford-1 NO usado (criticado para datos electorales por Deckert/Myagkov/Ordeshook 2011).

Cadena de custodia (4 niveles)

Nivel	Ubicación	Prueba inmutable
1 · Local	captures/20260420T074202Z/MESAS_MANIFEST.jsonl	SHA-256 por archivo + UA + IP
2 · GitHub	jackthony/auditoria-eg2026	Commit 916e77d · tag v2-92k
3 · HuggingFace	Este dataset (parquet)	Revisión inmutable HF
4 · IPFS Filebase	Content-addressed (ver abajo)	CID = hash del contenido

Verificar SHA-256 local: python src/capture/verify_manifest.py captures/20260420T074202Z/

Verificación IPFS (content-addressed)

Los 3 artefactos críticos están pineados en IPFS via Filebase. Cualquier gateway IPFS los sirve:

Archivo	CID	URL pública
MESAS_MANIFEST.jsonl	QmSxcH2NQ22PTHDyQR6r4nkYHWvT71mAZqAh26mvpPynwS	ipfs.filebase.io
parquet 3.79M actas	QmVCan4WeK2sq8LipRfP7PEz6QQV5kttFgwkhi6q62YX5L	ipfs.filebase.io
findings H1-H4	QmUopL1zep7UkJACBUVpBVKdAU6zcsPqwgbUwY97jLwPPp	ipfs.filebase.io

Gateways alternativos (mismo CID, distinta ruta): ipfs.io/ipfs/<CID> · dweb.link/ipfs/<CID>. El CID es el hash del archivo: si alguien altera 1 byte, el CID cambia. No hay forma de falsificar.

Seguridad de datos

Principio: datos públicos electorales (Ley 26859) + código open-source + metodología reproducible.

Qué	Política
Datos ONPE	Públicos. CC-BY-4.0. Fuente: resultadoelectoral.onpe.gob.pe
Tokens HF / Filebase / Pinata	En .env local (gitignored). Nunca commiteados. Rotados ante cualquier exposición
.claude/settings.local.json	Gitignored. Solo .claude/settings.json + agents/ + rules/ son públicos
MANIFEST SHA-256	Commit firmado en GitHub. Inmutable por convención + content-addressing IPFS
Capturas captures/{ts}/	Inmutables. Re-captura = carpeta nueva UTC + commit inmediato

Si detectas una credencial en este repo, abre un issue privado. El proyecto tiene política de rotación inmediata.

Reproducibilidad

# 1. Clonar y preparar entorno
git clone https://github.com/jackthony/auditoria-eg2026 && cd auditoria-eg2026
python -m venv .venv && .venv/Scripts/pip install -r requirements.txt

# 2. Descargar parquet desde HuggingFace o IPFS
huggingface-cli download Neuracode/onpe-eg2026-mesa-a-mesa --repo-type dataset
# o: curl -L -o dataset.parquet https://ipfs.filebase.io/ipfs/QmVCan4WeK2sq8LipRfP7PEz6QQV5kttFgwkhi6q62YX5L

# 3. Rebuild DuckDB autoritativa
python scripts/build_duckdb_and_fix.py

# 4. Re-ejecutar análisis (genera findings_consolidado_0420.json)
python scripts/analyze_hallazgos_0420_v2.py
python scripts/stats_h4_especiales_900k.py

# 5. Pinear a IPFS (requiere FILEBASE_* en .env)
python scripts/pin_to_filebase.py

Cita

@dataset{neuracode2026onpe,
  author    = {Aguilar, Jack},
  title     = {ONPE EG2026 — Resultados mesa a mesa (primera vuelta)},
  year      = {2026},
  publisher = {HuggingFace},
  url       = {https://huggingface.co/datasets/Neuracode/onpe-eg2026-mesa-a-mesa},
  note      = {Captura 20260420T074202Z UTC. 92,766 mesas. Datos públicos ONPE. CC-BY-4.0.}
}