updates

.ipynb_checkpoints/app-checkpoint.py

@@ -27,6 +27,8 @@ renuevan = {'BUENOS AIRES': 35,
  'TIERRA DEL FUEGO': 3,
  'TUCUMAN': 5
 }
+senado_2023 = ['BUENOS AIRES','FORMOSA','JUJUY','LA RIOJA','MISIONES','SAN JUAN','SAN LUIS','SANTA CRUZ']
+
 
 paso = {'BUENOS AIRES': {'LLA': 1921758, 'JxC': 2537178 , 'UP':2741730, 'FIT':292039 },
  'CATAMARCA': {'LLA': 29047, 'JxC': 42087 , 'UP':88614 },
@@ -61,6 +63,11 @@ def dhont(results, bancas):
     r = df.melt(id_vars=["lista"]).sort_values('value', ascending=False).head(bancas)
     return r.groupby('lista').size().to_dict()
 
+def dhont_senado(results):
+    df = pd.DataFrame([results], index=['votos']).T
+    partidos = list(df.sort_values('votos', ascending=False).head(2).index)
+    return {partidos[0]:2, partidos[1]:1}
+    
 def calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje):
     migracion_porcentajes = {
         lista: {destino: voto/sum(votos.values()) for destino, voto in votos.items()}
@@ -70,6 +77,7 @@ def calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje
     r = []
     flow = {}
     total = {}
+    r_senado = []
     for pcia in list(paso.keys()):
         results, bancas = paso[pcia], renuevan[pcia]
         coef_ausentes = [x/sum(ausentes.values()) for x in ausentes.values()]
@@ -90,10 +98,15 @@ def calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje
             results[partido] = results[partido] + flow[partido]
 
         total[pcia] = results
+        if pcia in senado_2023:
+            r_senado.append(dhont_senado(results))
         r.append(dhont(results, bancas))
 
-    return r, total
+    return r, total, r_senado
+
+
 
+st.sidebar.title("Simulacion Ausentes")
 
 ausentes_porcentaje = 0.12 # porcentaje de los que ya votaron en paso. Ej 0.1 es 70%=>77%
 boundary_lla_jxc, boundary_jxc_up = st.sidebar.slider("Votos de ausentes en Paso en genrales (LLA/JxC/UP)", 0, 100, (33, 67))
@@ -102,9 +115,9 @@ ausentes_lla = boundary_lla_jxc
 ausentes_jxc = boundary_jxc_up - boundary_lla_jxc
 ausentes_up = 100 - boundary_jxc_up
 
-st.sidebar.text(f"% por LLA: {ausentes_lla}%")
-st.sidebar.text(f"% por JxC: {ausentes_jxc}%")
-st.sidebar.text(f"% por UP: {ausentes_up}%")
+st.sidebar.text(f"% Ausentes por LLA: {ausentes_lla}%")
+st.sidebar.text(f"% Ausentes por JxC: {ausentes_jxc}%")
+st.sidebar.text(f"% Ausentes por UP: {ausentes_up}%")
 st.sidebar.markdown("\n\n", unsafe_allow_html=True)
 
 ausentes = {
@@ -113,6 +126,7 @@ ausentes = {
     'UP': ausentes_up
 }
 
+st.sidebar.title("Simulacion cambio de votos")
 
 migracion = {
     'JxC': {
@@ -132,7 +146,7 @@ migracion = {
 for partido in ['JxC', 'LLA', 'UP']:
     migracion[partido][partido] = 100 - sum([migracion[partido][otro_partido] for otro_partido in ['JxC', 'LLA', 'UP'] if otro_partido != partido])
 
-r, total = calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje=0.1)
+r, total, r_senado = calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje=0.1)
 
 st.subheader("Diputados por fuerza política")
 df_bancas = pd.DataFrame(data=r, index=paso.keys()).fillna(0).astype(int)
@@ -196,5 +210,39 @@ fig.update_traces(
 st.plotly_chart(fig)
 
 
-st.subheader("Resultados % en diputados total nacional")
+st.subheader("Diputados nuevos por provincia")
 st.dataframe(df_bancas, height=900, use_container_width=True)
+
+
+st.subheader("Senadores por Fuerza politica")
+df_bancas_senado = pd.DataFrame(data=r_senado, index=senado_2023).fillna(0).astype(int)
+df_sum_senado = df_bancas_senado.sum().to_frame(name='Nuevos') 
+df_sum_senado['Salientes'] = {'JxC':11, 'LLA':0, 'UP':10, 'Provincial':2}
+df_sum_senado['Netos'] = df_sum_senado['Nuevos'] - df_sum_senado['Salientes']
+df_sum_senado['Conserva'] = {'JxC':22, 'LLA':0, 'UP':23, 'Provincial':6}
+df_sum_senado['Nueva comp'] = df_sum_senado['Conserva']  + df_sum_senado['Nuevos']
+st.write(df_sum_senado)
+
+st.subheader("Senadores Nuevos por Provincia")
+df_bancas_senado = pd.DataFrame(data=r_senado, index=senado_2023).fillna(0).astype(int)
+st.write(df_bancas_senado)
+
+st.subheader("Votos por fuerza política por provincia (Diputados)")
+df_votos = pd.DataFrame(data=total).T[['LLA','JxC','UP']].astype(int)
+st.dataframe(df_votos, height=900, use_container_width=True)
+
+
+
+
+import plotly.graph_objects as go
+st.subheader("% Votos por fuerza política total Nacional (Diputados)")
+st.text("Calculo de % sobre 3 fuerzas mayoritarias")
+p_votos = df_votos.sum()
+p_votos.columns = ['Porcentaje']
+fig = go.Figure(data=[go.Pie(labels=p_votos.index, 
+                             values=p_votos, 
+                             hole=.3, 
+                             textinfo='percent+label',
+                             marker=dict(colors=[colors[key] for key in p_votos.index]))])
+fig.update_layout(title_text='')
+st.plotly_chart(fig)

app.py

@@ -27,6 +27,8 @@ renuevan = {'BUENOS AIRES': 35,
  'TIERRA DEL FUEGO': 3,
  'TUCUMAN': 5
 }
+senado_2023 = ['BUENOS AIRES','FORMOSA','JUJUY','LA RIOJA','MISIONES','SAN JUAN','SAN LUIS','SANTA CRUZ']
+
 
 paso = {'BUENOS AIRES': {'LLA': 1921758, 'JxC': 2537178 , 'UP':2741730, 'FIT':292039 },
  'CATAMARCA': {'LLA': 29047, 'JxC': 42087 , 'UP':88614 },
@@ -61,6 +63,11 @@ def dhont(results, bancas):
     r = df.melt(id_vars=["lista"]).sort_values('value', ascending=False).head(bancas)
     return r.groupby('lista').size().to_dict()
 
+def dhont_senado(results):
+    df = pd.DataFrame([results], index=['votos']).T
+    partidos = list(df.sort_values('votos', ascending=False).head(2).index)
+    return {partidos[0]:2, partidos[1]:1}
+    
 def calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje):
     migracion_porcentajes = {
         lista: {destino: voto/sum(votos.values()) for destino, voto in votos.items()}
@@ -70,6 +77,7 @@ def calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje
     r = []
     flow = {}
     total = {}
+    r_senado = []
     for pcia in list(paso.keys()):
         results, bancas = paso[pcia], renuevan[pcia]
         coef_ausentes = [x/sum(ausentes.values()) for x in ausentes.values()]
@@ -90,10 +98,15 @@ def calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje
             results[partido] = results[partido] + flow[partido]
 
         total[pcia] = results
+        if pcia in senado_2023:
+            r_senado.append(dhont_senado(results))
         r.append(dhont(results, bancas))
 
-    return r, total
+    return r, total, r_senado
+
+
 
+st.sidebar.title("Simulacion Ausentes")
 
 ausentes_porcentaje = 0.12 # porcentaje de los que ya votaron en paso. Ej 0.1 es 70%=>77%
 boundary_lla_jxc, boundary_jxc_up = st.sidebar.slider("Votos de ausentes en Paso en genrales (LLA/JxC/UP)", 0, 100, (33, 67))
@@ -102,9 +115,9 @@ ausentes_lla = boundary_lla_jxc
 ausentes_jxc = boundary_jxc_up - boundary_lla_jxc
 ausentes_up = 100 - boundary_jxc_up
 
-st.sidebar.text(f"% por LLA: {ausentes_lla}%")
-st.sidebar.text(f"% por JxC: {ausentes_jxc}%")
-st.sidebar.text(f"% por UP: {ausentes_up}%")
+st.sidebar.text(f"% Ausentes por LLA: {ausentes_lla}%")
+st.sidebar.text(f"% Ausentes por JxC: {ausentes_jxc}%")
+st.sidebar.text(f"% Ausentes por UP: {ausentes_up}%")
 st.sidebar.markdown("\n\n", unsafe_allow_html=True)
 
 ausentes = {
@@ -113,6 +126,7 @@ ausentes = {
     'UP': ausentes_up
 }
 
+st.sidebar.title("Simulacion cambio de votos")
 
 migracion = {
     'JxC': {
@@ -132,7 +146,7 @@ migracion = {
 for partido in ['JxC', 'LLA', 'UP']:
     migracion[partido][partido] = 100 - sum([migracion[partido][otro_partido] for otro_partido in ['JxC', 'LLA', 'UP'] if otro_partido != partido])
 
-r, total = calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje=0.1)
+r, total, r_senado = calcular_resultados(paso, renuevan, ausentes, migracion, ausentes_porcentaje=0.1)
 
 st.subheader("Diputados por fuerza política")
 df_bancas = pd.DataFrame(data=r, index=paso.keys()).fillna(0).astype(int)
@@ -196,5 +210,39 @@ fig.update_traces(
 st.plotly_chart(fig)
 
 
-st.subheader("Resultados % en diputados total nacional")
+st.subheader("Diputados nuevos por provincia")
 st.dataframe(df_bancas, height=900, use_container_width=True)
+
+
+st.subheader("Senadores por Fuerza politica")
+df_bancas_senado = pd.DataFrame(data=r_senado, index=senado_2023).fillna(0).astype(int)
+df_sum_senado = df_bancas_senado.sum().to_frame(name='Nuevos') 
+df_sum_senado['Salientes'] = {'JxC':11, 'LLA':0, 'UP':10, 'Provincial':2}
+df_sum_senado['Netos'] = df_sum_senado['Nuevos'] - df_sum_senado['Salientes']
+df_sum_senado['Conserva'] = {'JxC':22, 'LLA':0, 'UP':23, 'Provincial':6}
+df_sum_senado['Nueva comp'] = df_sum_senado['Conserva']  + df_sum_senado['Nuevos']
+st.write(df_sum_senado)
+
+st.subheader("Senadores Nuevos por Provincia")
+df_bancas_senado = pd.DataFrame(data=r_senado, index=senado_2023).fillna(0).astype(int)
+st.write(df_bancas_senado)
+
+st.subheader("Votos por fuerza política por provincia (Diputados)")
+df_votos = pd.DataFrame(data=total).T[['LLA','JxC','UP']].astype(int)
+st.dataframe(df_votos, height=900, use_container_width=True)
+
+
+
+
+import plotly.graph_objects as go
+st.subheader("% Votos por fuerza política total Nacional (Diputados)")
+st.text("Calculo de % sobre 3 fuerzas mayoritarias")
+p_votos = df_votos.sum()
+p_votos.columns = ['Porcentaje']
+fig = go.Figure(data=[go.Pie(labels=p_votos.index, 
+                             values=p_votos, 
+                             hole=.3, 
+                             textinfo='percent+label',
+                             marker=dict(colors=[colors[key] for key in p_votos.index]))])
+fig.update_layout(title_text='')
+st.plotly_chart(fig)