import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
import geopandas as gpd
from IPython.display import displayIn [2]:
In [3]:
df = pd.read_csv("assets\data\database.csv", sep=";")<>:1: SyntaxWarning: invalid escape sequence '\d'
<>:1: SyntaxWarning: invalid escape sequence '\d'
C:\Users\Andres\AppData\Local\Temp\ipykernel_14324\2335536773.py:1: SyntaxWarning: invalid escape sequence '\d'
df = pd.read_csv("assets\data\database.csv", sep=";")In [4]:
df.info()<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15615 entries, 0 to 15614
Data columns (total 21 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 id_0 15615 non-null int64
1 fid_unidad 15615 non-null int64
2 cod_le 15615 non-null int64
3 cod_ue_det 15615 non-null object
4 des_ue_det 15615 non-null object
5 cod_dep 15615 non-null int64
6 nom_dep 15615 non-null object
7 cod_prov 15615 non-null int64
8 nom_prov 15615 non-null object
9 cod_mun 15615 non-null int64
10 nom_mun 15615 non-null object
11 cod_mod_ap 15615 non-null int64
12 modalidad 15615 non-null object
13 cod_le_12 15615 non-null int64
14 cod_ue 15615 non-null int64
15 des_ue 15615 non-null object
16 area 15615 non-null object
17 cod_depn 15615 non-null int64
18 cant_2020 15615 non-null int64
19 crec_anual 15615 non-null int64
20 cant_2024 0 non-null float64
dtypes: float64(1), int64(12), object(8)
memory usage: 2.5+ MBIn [5]:
df["c_ut"] = df["cod_dep"].apply(lambda x: f"{x:02}") + df["cod_prov"].apply(lambda x: f"{x:02}") + df["cod_mun"].apply(lambda x: f"{x:02}")1. Cantidad proyectada para 2024 en base a la poblacion de 2020 y su taza de crecimiento
\[ c_{2024} = c_{2020} + 4(a) \]
Donde.
\(c_{2024}\) es la cantidad de estudiantes para 2024
\(c_{2020}\) es la cantidad de estudiantes para 2020
\(a\) es el crecimiento anual de estudiantes
In [6]:
df["cant_2024"] = df["cant_2020"] + 4*df["crec_anual"]In [7]:
df_growth = df.groupby("nom_dep")[["cant_2020", "cant_2024"]].sum()
df_growth = df_growth.sort_values(by="cant_2024", ascending=False)
df_growth.plot(kind='bar', figsize=(12, 8), color=['skyblue', 'orange'])
plt.title('Crecimiento de las Unidades Educativas por Departamento (2020 vs 2024)')
plt.xlabel('Departamento')
plt.ylabel('Cantidad de Unidades Educativas')
plt.xticks(rotation=45)
plt.legend(["2020", "2024"])
plt.show()
2. Cantidad de Unidades Educativas por departamento
In [8]:
df_grouped = df.groupby("nom_dep")['fid_unidad'].count()
df_grouped = df_grouped.sort_values(ascending=False)
df_groupednom_dep
La Paz 4176
Santa Cruz 2734
Cochabamba 2527
Potosi 2297
Chuquisaca 1233
Beni 852
Tarija 768
Oruro 707
Pando 321
Name: fid_unidad, dtype: int64In [9]:
plt.figure(figsize=(10, 6))
def func(pct, allvalues):
absolute = int(pct/100.*np.sum(allvalues))
return "{:.1f}%\n({:d})".format(pct, absolute)
df_grouped.plot(kind='pie', autopct=lambda pct: func(pct, df_grouped.values))
plt.title('Cantidad de Unidades Educativas por Departamento')
plt.ylabel('') # Ocultar la etiqueta del eje y
plt.show()
Comentarios sobre el gráfico de unidades educativas en Bolivia
El gráfico anterior muestra la distribución de las unidades educativas en Bolivia. Las áreas están coloreadas según la cantidad de unidades educativas presentes en cada municipio. Los municipios con más unidades educativas están representados con colores más oscuros, mientras que los municipios con menos unidades educativas están representados con colores más claros.
Observaciones:
- La mayoría de las unidades educativas se concentran en los departamentos más poblados.
- Existen municipios que no tienen unidades educativas asignadas, lo cual se refleja en el color más claro.
- Este análisis permite identificar las áreas con mayor necesidad de infraestructura educativa.
Unidades educativas sin municipio asignado
A continuación se muestra una tabla con las unidades educativas que no tienen un municipio asignado. Esto puede deberse a errores en los datos o a la falta de información geográfica precisa
3. Resumen de cantidad de Unidades Educativas por Departamento, Provincia y Municipio desagregado
In [10]:
# Agrupar por el número de colegios y sumar la cantidad de estudiantes
df_colegios_estudiantes = df.groupby('c_ut')['cant_2024'].sum().reset_index()
df_colegios = df.groupby('c_ut')['fid_unidad'].count().reset_index()
# Unir ambos DataFrames en uno solo
df_colegios_estudiantes = df_colegios_estudiantes.rename(columns={'cant_2024': 'Cantidad de Estudiantes'})
df_colegios = df_colegios.rename(columns={'fid_unidad': 'Cantidad de Colegios'})
df_combined = pd.merge(df_colegios_estudiantes, df_colegios, on='c_ut')
df_combined["ratio"]=df_combined["Cantidad de Estudiantes"]/df_combined["Cantidad de Colegios"]
display(df_combined)
print(df_combined["ratio"].mean())
print(df_combined["ratio"].std())| c_ut | Cantidad de Estudiantes | Cantidad de Colegios | ratio | |
|---|---|---|---|---|
| 0 | 010101 | 102215 | 195 | 524.179487 |
| 1 | 010102 | 15093 | 31 | 486.870968 |
| 2 | 010103 | 27007 | 50 | 540.140000 |
| 3 | 010201 | 22438 | 38 | 590.473684 |
| 4 | 010202 | 25621 | 44 | 582.295455 |
| ... | ... | ... | ... | ... |
| 330 | 090401 | 4811 | 9 | 534.555556 |
| 331 | 090402 | 3586 | 8 | 448.250000 |
| 332 | 090501 | 3017 | 6 | 502.833333 |
| 333 | 090502 | 6835 | 17 | 402.058824 |
| 334 | 090503 | 1891 | 5 | 378.200000 |
335 rows × 4 columns
520.9182046132242
70.60677697466468In [11]:
# Crear un diagrama de dispersión
plt.figure(figsize=(10, 6))
plt.scatter(df_combined['Cantidad de Colegios'], df_combined['Cantidad de Estudiantes'], alpha=0.5)
plt.title('Diagrama de Dispersión de Cantidad de Colegios vs Cantidad de Estudiantes por Municipio')
plt.xlabel('Cantidad de Colegios')
plt.ylabel('Cantidad de Estudiantes')
plt.grid(True)
plt.show()
In [12]:
# Calcular el índice de correlación
correlation = df_combined['Cantidad de Colegios'].corr(df_combined['Cantidad de Estudiantes'])
print(f"Índice de correlación: {correlation}")
# Calcular el promedio de estudiantes por unidad educativa
mean_students = df_combined['Cantidad de Estudiantes'].mean()
print(f"Promedio de estudiantes por unidad educativa: {mean_students}")
# Calcular la varianza de estudiantes por unidad educativa
variance_students = df_combined['Cantidad de Estudiantes'].var()
print(f"Varianza de estudiantes por unidad educativa: {variance_students}")Índice de correlación: 0.9982796142756408
Promedio de estudiantes por unidad educativa: 24253.758208955223
Varianza de estudiantes por unidad educativa: 929233318.686871In [13]:
plt.figure(figsize=(12, 6))
# Histograma de la cantidad de colegios
plt.subplot(1, 2, 1)
plt.hist(df_combined['Cantidad de Colegios'], bins=20, color='skyblue', edgecolor='black')
plt.title('Distribución de la Cantidad de Colegios')
plt.xlabel('Cantidad de Colegios')
plt.ylabel('Frecuencia')
# Histograma del número de estudiantes
plt.subplot(1, 2, 2)
plt.hist(df_combined['Cantidad de Estudiantes'], bins=20, color='orange', edgecolor='black')
plt.title('Distribución del Número de Estudiantes')
plt.xlabel('Número de Estudiantes')
plt.ylabel('Frecuencia')
plt.tight_layout()
plt.show()
In [14]:
bolivia_map = gpd.read_file("assets\data\municipios339.shp")
df_grouped = df.groupby(["c_ut"])['fid_unidad'].count()
df_grouped = df_grouped.sort_values(ascending=False)
df_grouped_df = df_grouped.reset_index()
df_grouped_df.columns = ['c_ut', 'Cantidad de Unidades Educativas']
bolivia_map = bolivia_map.merge(df_grouped_df, left_on='c_ut', right_on='c_ut', how='left')
bolivia_map['Cantidad de Unidades Educativas'] = bolivia_map['Cantidad de Unidades Educativas'].fillna(0)
fig, ax = plt.subplots(figsize=(10, 10))
bolivia_map.plot(column='Cantidad de Unidades Educativas', ax=ax, legend=True,
legend_kwds={'label': "Cantidad de Unidades Educativas por Área",
'orientation': "horizontal"},
cmap='OrRd', edgecolor='black')
plt.title('Unidades Educativas en Bolivia')
plt.xlabel('Longitud')
plt.ylabel('Latitud')
plt.show()<>:4: SyntaxWarning: invalid escape sequence '\d'
<>:4: SyntaxWarning: invalid escape sequence '\d'
C:\Users\Andres\AppData\Local\Temp\ipykernel_14324\3621801442.py:4: SyntaxWarning: invalid escape sequence '\d'
bolivia_map = gpd.read_file("assets\data\municipios339.shp")
In [15]:
bolivia_map = gpd.read_file("assets\data\municipios339.shp")
df_grouped = df.groupby(["c_ut"])['cant_2024'].sum()
df_grouped = df_grouped.sort_values(ascending=False)
df_grouped_df = df_grouped.reset_index()
df_grouped_df.columns = ['c_ut', 'Cantidad de Estudiantes']
bolivia_map = bolivia_map.merge(df_grouped_df, left_on='c_ut', right_on='c_ut', how='left')
bolivia_map['Cantidad de Estudiantes'] = bolivia_map['Cantidad de Estudiantes'].fillna(0)
fig, ax = plt.subplots(figsize=(10, 10))
bolivia_map.plot(column='Cantidad de Estudiantes', ax=ax, legend=True,
legend_kwds={'label': "Cantidad de Estudiantes por Municipio",
'orientation': "horizontal"},
cmap='OrRd', edgecolor='black')
plt.title('Unidades Educativas en Bolivia')
plt.xlabel('Longitud')
plt.ylabel('Latitud')
plt.show()<>:3: SyntaxWarning: invalid escape sequence '\d'
<>:3: SyntaxWarning: invalid escape sequence '\d'
C:\Users\Andres\AppData\Local\Temp\ipykernel_14324\666987258.py:3: SyntaxWarning: invalid escape sequence '\d'
bolivia_map = gpd.read_file("assets\data\municipios339.shp")
3.2. Ordenado por tamaño
In [16]:
In [16]:
df_grouped = df.groupby(["nom_dep", "nom_prov", "nom_mun","c_ut"])['fid_unidad'].count()
df_grouped = df_grouped.sort_values(ascending=False)
df_grouped_df = df_grouped.reset_index()
df_grouped_df.columns = ['Departamento', 'Provincia','Municipio','CodigoINE','Cantidad de Unidades Educativas']
display(df_grouped_df)| Departamento | Provincia | Municipio | CodigoINE | Cantidad de Unidades Educativas | |
|---|---|---|---|---|---|
| 0 | Santa Cruz | Andres Iba?ez | Santa Cruz de la Sierra | 070101 | 697 |
| 1 | La Paz | Murillo | Nuestra Senora de La Paz | 020101 | 415 |
| 2 | La Paz | Murillo | El Alto | 020105 | 382 |
| 3 | Cochabamba | Cercado | Cochabamba | 030101 | 325 |
| 4 | Chuquisaca | Oropeza | Sucre | 010101 | 195 |
| ... | ... | ... | ... | ... | ... |
| 333 | Oruro | Litoral | Escara | 040502 | 1 |
| 334 | Oruro | Mejillones | Carangas | 041503 | 1 |
| 335 | Oruro | Litoral | Yunguyo del Litoral | 040504 | 1 |
| 336 | Oruro | Mejillones | La Rivera | 041501 | 1 |
| 337 | La Paz | Pacajes | Nazacara de Pacajes | 020307 | 1 |
338 rows × 5 columns
3.1. Ordenado por Departamento, Provincia y Municipio
In [17]:
In [17]:
df_grouped = df.groupby(["nom_dep", "nom_prov", "nom_mun","c_ut"])['fid_unidad'].count()
df_grouped = df_grouped.sort_index(ascending=True)
df_grouped_df = df_grouped.reset_index()
df_grouped_df.columns = ['Departamento', 'Provincia','Municipio','CodigoINE','Cantidad de Unidades Educativas']
display(df_grouped_df)| Departamento | Provincia | Municipio | CodigoINE | Cantidad de Unidades Educativas | |
|---|---|---|---|---|---|
| 0 | Beni | Cercado | San Javier | 080102 | 24 |
| 1 | Beni | Cercado | Trinidad | 080101 | 75 |
| 2 | Beni | General Jose Balliv | Reyes | 080301 | 49 |
| 3 | Beni | General Jose Balliv | Rurrenabaque | 080304 | 36 |
| 4 | Beni | General Jose Balliv | San Borja | 080302 | 119 |
| ... | ... | ... | ... | ... | ... |
| 333 | Tarija | Gran Chaco | Carapari | 060302 | 46 |
| 334 | Tarija | Gran Chaco | Villamontes | 060303 | 63 |
| 335 | Tarija | Gran Chaco | Yacuiba | 060301 | 74 |
| 336 | Tarija | Mendez | Tomayapo (El Puente) | 060502 | 57 |
| 337 | Tarija | Mendez | Villa San Lorenzo | 060501 | 82 |
338 rows × 5 columns
In [18]:
df_grouped.to_csv("assets\data\cantidad_unidades.csv")<>:1: SyntaxWarning: invalid escape sequence '\d'
<>:1: SyntaxWarning: invalid escape sequence '\d'
C:\Users\Andres\AppData\Local\Temp\ipykernel_14324\936831085.py:1: SyntaxWarning: invalid escape sequence '\d'
df_grouped.to_csv("assets\data\cantidad_unidades.csv")4. Resumen de las Unidades Educativas por Departamento, que tengan 991 y 1000 estudiantes.
In [19]:
df_dep = df[(df['cant_2024'] >= 991) & (df['cant_2024'] <= 1000)]
df_grouped = df_dep.groupby("nom_dep")['fid_unidad'].count()
df_grouped = df_grouped.sort_values(ascending=False)
df_grouped_df = df_grouped.reset_index()
df_grouped_df.columns = ['Departamento', 'Cantidad de Unidades Educativas']
display(df_grouped_df)| Departamento | Cantidad de Unidades Educativas | |
|---|---|---|
| 0 | La Paz | 44 |
| 1 | Potosi | 27 |
| 2 | Cochabamba | 27 |
| 3 | Santa Cruz | 22 |
| 4 | Chuquisaca | 14 |
| 5 | Beni | 5 |
| 6 | Tarija | 5 |
| 7 | Oruro | 3 |
| 8 | Pando | 2 |
In [20]:
plt.figure(figsize=(10, 6))
def func(pct, allvalues):
absolute = int(pct/100.*np.sum(allvalues))
return "{:.1f}%\n({:d})".format(pct, absolute)
df_grouped.plot(kind='pie', autopct=lambda pct: func(pct, df_grouped.values))
plt.title('Cantidad de Unidades Educativas por Departamento que tienen entre 991 y 1000 unidades educativas proyectadas para el 2024')
plt.ylabel('') # Ocultar la etiqueta del eje y
plt.show()
4.1. Comparativa de Tamaño de grupo con respecto al resto
In [21]:
total_unidades = df['cant_2024'].sum()
total_grupo = df_dep['cant_2024'].sum()
resto = total_unidades - total_grupo
sizes = [total_grupo, resto]
labels = ['Grupo (991-1000)', 'Resto']
plt.figure(figsize=(10, 6))
plt.pie(sizes, labels=labels, autopct='%1.1f%%', startangle=140)
plt.title('Comparativa de Tamaño de Grupo con Respecto al Resto')
plt.show()
4.2 Segmentación por modalidad
In [22]:
df_modalidad = df_dep.groupby("modalidad")['fid_unidad'].count()
df_modalidad = df_modalidad.sort_values(ascending=False)
df_grouped_df = df_modalidad.reset_index()
df_grouped_df.columns = ['Modalidad','Cantidad de Unidades Educativas']
display(df_grouped_df)| Modalidad | Cantidad de Unidades Educativas | |
|---|---|---|
| 0 | Regular | 144 |
| 1 | Alternativa | 4 |
| 2 | Especial | 1 |
4.3 Segmentación por area
In [23]:
df_area = df_dep.groupby("area")['fid_unidad'].count()
df_area = df_area.sort_values(ascending=False)
df_grouped_df = df_area.reset_index()
df_grouped_df.columns = ['Area','Cantidad de Unidades Educativas']
display(df_grouped_df)| Area | Cantidad de Unidades Educativas | |
|---|---|---|
| 0 | R | 121 |
| 1 | U | 28 |
5. Resumen de Area de las unidades educativas
In [24]:
df_area = df.groupby("area")['fid_unidad'].count()
df_area = df_area.sort_values(ascending=False)
df_areaarea
R 12132
U 3483
Name: fid_unidad, dtype: int64In [25]:
plt.figure(figsize=(10, 6))
def func(pct, allvalues):
absolute = int(pct/100.*np.sum(allvalues))
return "{:.1f}%\n({:d})".format(pct, absolute)
labels = df_area.index.tolist() # Asegúrate de que las etiquetas coincidan con la longitud de df_area
sizes = df_area.values # Asegúrate de que los tamaños coincidan con los valores de df_area
plt.pie(sizes, labels=labels, autopct=lambda pct: func(pct, sizes), startangle=140)
plt.title('Distribución de Cantidad de Unidades Educativas por Área para el 2024')
plt.show()
In [26]:
df_area = df.groupby("area")['cant_2024'].sum()
df_area = df_area.sort_values(ascending=False)
df_areaarea
R 6306290
U 1818719
Name: cant_2024, dtype: int64In [27]:
plt.figure(figsize=(10, 6))
def func(pct, allvalues):
absolute = int(pct/100.*np.sum(allvalues))
return "{:.1f}%\n({:d})".format(pct, absolute)
labels = df_area.index.tolist() # Asegúrate de que las etiquetas coincidan con la longitud de df_area
sizes = df_area.values # Asegúrate de que los tamaños coincidan con los valores de df_area
plt.pie(sizes, labels=labels, autopct=lambda pct: func(pct, sizes), startangle=140)
plt.title('Distribución de Cantidad de Estudiantes por Área para el 2024')
plt.show()
6. Resumen de Modalidad de las Unidades educativas
In [28]:
df_modalidad = df.groupby("modalidad")['fid_unidad'].count()
df_modalidad = df_modalidad.sort_values(ascending=False)
df_modalidadmodalidad
Regular 15081
Alternativa 506
Especial 28
Name: fid_unidad, dtype: int64In [29]:
plt.figure(figsize=(10, 6))
def func(pct, allvalues):
absolute = int(pct/100.*np.sum(allvalues))
return "{:.1f}%\n({:d})".format(pct, absolute)
labels = df_modalidad.index.tolist() # Ensure labels match the length of df_modalidad
sizes = df_modalidad.values # Ensure sizes match the values of df_modalidad
plt.pie(sizes, labels=labels, autopct=lambda pct: func(pct, sizes), startangle=140)
plt.title('Comparativa de Cantidad de Unidades educativas con Respecto al la modalidad')
plt.show()
In [30]:
df_modalidad = df.groupby("modalidad")['cant_2024'].sum()
df_modalidad = df_modalidad.sort_values(ascending=False)
df_modalidadmodalidad
Regular 7846094
Alternativa 265647
Especial 13268
Name: cant_2024, dtype: int64In [31]:
plt.figure(figsize=(10, 6))
def func(pct, allvalues):
absolute = int(pct/100.*np.sum(allvalues))
return "{:.1f}%\n({:d})".format(pct, absolute)
labels = df_modalidad.index.tolist() # Ensure labels match the length of df_modalidad
sizes = df_modalidad.values # Ensure sizes match the values of df_modalidad
plt.pie(sizes, labels=labels, autopct=lambda pct: func(pct, sizes), startangle=140)
plt.title('Comparativa de Cantidad de Estudiantes con Respecto al la modalidad')
plt.show()
7. Resumen de cruce de variables
In [32]:
df_modalidad_area_count = df.groupby(["modalidad", "area"])['fid_unidad'].count()
df_modalidad_area_count = df_modalidad_area_count.sort_values(ascending=False)
print("Conteo de unidades por modalidad y área:")
print(df_modalidad_area_count)Conteo de unidades por modalidad y área:
modalidad area
Regular R 11923
U 3158
Alternativa U 310
R 196
Especial U 15
R 13
Name: fid_unidad, dtype: int64In [33]:
df_modalidad_area_count.unstack().plot(kind='bar', stacked=True, figsize=(12, 8), color=['skyblue', 'orange'])
plt.yscale('log')
plt.title('Cantidad de Unidades Educativas Proyectadas para el 2024 por Modalidad y Área')
plt.xlabel('Modalidad')
plt.ylabel('Cantidad de Unidades Educativas')
plt.xticks(rotation=45)
plt.legend(title='Área')
plt.show()
In [34]:
df_modalidad_area_sum = df.groupby(["modalidad", "area"])['cant_2024'].sum()
df_modalidad_area_sum = df_modalidad_area_sum.sort_values(ascending=False)
print("\nSuma de cantidad de estudiantes por modalidad y área:")
print(df_modalidad_area_sum)
Suma de cantidad de estudiantes por modalidad y área:
modalidad area
Regular R 6200152
U 1645942
Alternativa U 164986
R 100661
Especial U 7791
R 5477
Name: cant_2024, dtype: int64In [35]:
df_modalidad_area_sum.unstack().plot(kind='bar', stacked=True, figsize=(12, 8), color=['skyblue', 'orange'])
plt.yscale('log')
plt.title('Cantidad de Estudiantes de Unidades Educativas Proyectadas para el 2024 por Modalidad y Área')
plt.xlabel('Modalidad')
plt.ylabel('Cantidad de Estudiantes de las Unidades Educativas')
plt.xticks(rotation=45)
plt.legend(title='Área')
plt.show()
*Notese que esta en escala logaritmica
Referencias
In [36]:
df| id_0 | fid_unidad | cod_le | cod_ue_det | des_ue_det | cod_dep | nom_dep | cod_prov | nom_prov | cod_mun | ... | modalidad | cod_le_12 | cod_ue | des_ue | area | cod_depn | cant_2020 | crec_anual | cant_2024 | c_ut | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 1 | 6317 | 71720016 | 71720022 | NARANJITOS | 6 | Tarija | 2 | Arce | 2 | ... | Regular | 71720016 | 71720022 | NARANJITOS | R | 1 | 850 | 7 | 878 | 060202 |
| 1 | 2 | 6316 | 71720015 | 71720021 | CAMPO GRANDE | 6 | Tarija | 2 | Arce | 2 | ... | Regular | 71720015 | 71720021 | CAMPO GRANDE | R | 1 | 766 | 4 | 782 | 060202 |
| 2 | 3 | 6318 | 71720017 | 71720023 | PORCELANA | 6 | Tarija | 2 | Arce | 2 | ... | Regular | 71720017 | 71720023 | PORCELANA | R | 1 | 11 | 1 | 15 | 060202 |
| 3 | 4 | 6306 | 71720004 | 71720010 | 8 DE SEPTIEMBRE | 6 | Tarija | 2 | Arce | 2 | ... | Regular | 71720004 | 71720010 | 8 DE SEPTIEMBRE | U | 2 | 805 | 8 | 837 | 060202 |
| 4 | 5 | 6328 | 71720030 | 71720005 | GUIDO VILLAGOMEZ | 6 | Tarija | 2 | Arce | 2 | ... | Regular | 71720030 | 71720005 | GUIDO VILLAGOMEZ | U | 1 | 389 | 9 | 425 | 060202 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 15610 | 15611 | 3629 | 62440023 | 62440023 | 1 DE ABRIL | 9 | Pando | 5 | Federico Roman | 3 | ... | Regular | 62440023 | 62440023 | 1 DE ABRIL | R | 1 | 10 | 0 | 10 | 090503 |
| 15611 | 15612 | 15511 | 82440022 | 82440003 | MONTE SINAI | 9 | Pando | 5 | Federico Roman | 1 | ... | Regular | 82440022 | 82440003 | MONTE SINAI | R | 1 | 958 | 1 | 962 | 090501 |
| 15612 | 15613 | 15514 | 82440025 | 82440006 | BRUNO RACUA | 9 | Pando | 5 | Federico Roman | 1 | ... | Regular | 82440025 | 82440006 | BRUNO RACUA | R | 1 | 144 | 9 | 180 | 090501 |
| 15613 | 15614 | 15509 | 82440017 | 82440001 | MANUEL ESTREMADOIRO MARTINEZ | 9 | Pando | 5 | Federico Roman | 1 | ... | Regular | 82440017 | 82440001 | MANUEL ESTREMADOIRO MARTINEZ | R | 1 | 903 | 5 | 923 | 090501 |
| 15614 | 15615 | 15624 | 72220059 | 72220079 | RICHARD GATES | 9 | Pando | 5 | Federico Roman | 1 | ... | Regular | 72220059 | 72220079 | RICHARD GATES | R | 3 | 186 | 0 | 186 | 090501 |
15615 rows × 22 columns