Project2 — Shark Attacks Investigation

Análisis exploratorio y limpieza del dataset de ataques de tiburón (GSAF) para estudiar patrones por tipo de ataque, año, geografía y actividad. El trabajo se ha coordinado por secciones (Marlene, Marta, Alejandro) y se desarrolla en el notebook Project2_SharkAttacksInvestigation.ipynb.

Datos y cuaderno de trabajo

• Fuente: Google Drive (CSV GSAF; separador ;). También se incluye GSAF5.csv en el repo.
• Notebook principal: Project2_SharkAttacksInvestigation.ipynb.

Preprocesado común

• Carga con pandas.read_csv(..., sep=';', low_memory=False).
• Eliminación de columnas completamente vacías: dropna(axis=1, how='all').
• Normalización de texto y nombres de columnas con standardize_text(df) del módulo Functions.py:
  • Minúsculas y strip() en columnas de tipo texto.
  • Nombres de columnas normalizados (sin espacios, consistentes).

---

Marlene — TYPE + YEAR

Limpieza (filtro temporal y de tipo de ataque):

• TYPE: se filtra a ataques de tipo unprovoked para centrar el análisis en incidentes no provocados.
• YEAR: se eliminan NaN en year y se normaliza el tipo numérico:
  • Reemplazo de coma por punto cuando aplica (, -> .).
  • Conversión a numérico y filtro de rango: 2000 ≤ year ≤ 2025.
  • Conversión a entero/cadena cuando es útil para visualización.

Análisis principales:

• Distribución anual de ataques y comparación por fatalidad (fatal_y/n).
• Agrupaciones groupby(['year', 'country', 'fatal_y/n']) para contar casos y visualizar:
  • Barras por año con facetas por país.
  • Serie temporal comparando ataques fatales vs no fatales.

Resultados esperados:

• Tendencias anuales claras y comparables entre países.
• Reducción de ruido al acotar años recientes y tipo de ataque homogéneo.

---

Marta — COUNTRY + STATE

Limpieza (foco geográfico y homogeneización de estados):

• COUNTRY: selección de países que concentran ~90% de los ataques: usa, australia, south africa, bahamas, brazil, new zealand, new caledonia, egypt, reunion, french polynesia, mexico, reunion island.
• Unificación de reunion island → reunion.
• STATE: se eliminan filas con state nulo y se normalizan estados por país mediante diccionarios específicos (minúsculas, strip(), corrección de typos y abreviaturas). Se cubren mapeos para: USA, Australia, South Africa, Bahamas, Brazil, New Zealand, New Caledonia, Egypt, Reunion, French Polynesia y Mexico.
• Caso especial Reunion: se agrupa todo lo que empieza por saint bajo saint areas tras normalizar y quitar guiones.

Análisis principales:

• Conteos por country y por state dentro de cada país.
• Visualizaciones:
  • Heatmap de dispersión de ataques por año y país.
  • Mapa geográfico interactivo por país/estado (scatter_geo).

Resultados esperados:

• Geografía estandarizada que permite comparaciones por país/estado sin duplicidades por errores tipográficos.

---

Alejandro — ACTIVITY + SEX

Limpieza (categorías de actividad y calidad de sex):

• activity: normalización a categorías canónicas agregando variantes tipográficas y sinónimos. Categorías trabajadas:
  • diving, swimming, study, paddle, fishing, surfing, kayaking (cada una con su lista de equivalencias y reemplazos).
• Relleno de vacíos:
  • activity == "" → NaN → 'unknown activity'.
  • sex == "" → NaN → 'unknown sex' y corrección de lli → 'unknown sex'.

Análisis principales:

• Distribución de ataques por actividad (top categorías) y cruces con sex.
• Heatmap de ataques por country × activity para entender patrones de práctica.

Resultados esperados:

• Reducción del número de categorías dispersas por errores de escritura.
• Mejor lectura de patrones por actividad y diferencias por sexo.

---

Claudia — Species + Fatal (Logistic Regression)

Este análisis estima el riesgo relativo (odds ratio) de ataque fatal por especie usando regresión logística.

1. Variable dependiente

• Se filtra fatal_y/n a valores válidos ('y', 'n').
• Se crea fatal_binary (1=fatal, 0=no fatal):

  shark_df = shark_df.copy()
  shark_df = shark_df[shark_df['fatal_y/n'].isin(['y','n'])]
  shark_df['fatal_binary'] = shark_df['fatal_y/n'].map({'y':1, 'n':0})

2. Exclusión de especie desconocida

• Se elimina species_clean == 'unknown':

  shark_df_clean = shark_df[shark_df['species_clean'] != 'unknown'].copy()

3. Agrupar especies raras

• Especies con < 8 observaciones se agrupan en Other para estabilidad:

  species_counts = shark_df_clean['species_clean'].value_counts()
  rare_species = species_counts[species_counts < 8].index
  shark_df_clean['species_grouped'] = shark_df_clean['species_clean'].replace(rare_species, 'Other')

4. Modelo logit

• Fórmula: fatal_binary ~ C(species_grouped) con statsmodels:

  model = logit("fatal_binary ~ C(species_grouped)", data=shark_df_clean).fit()
  print(model.summary())

5. Odds Ratios (OR) e intervalos de confianza (IC 95%)

   params = model.params
   conf = model.conf_int()
   odds_ratios = pd.DataFrame({
           "Species": params.index,
           "OR": params.apply(lambda x: round(np.exp(x),2)),
           "CI_lower": conf[0].apply(lambda x: round(np.exp(x),2)),
           "CI_upper": conf[1].apply(lambda x: round(np.exp(x),2))
   }).sort_values("OR", ascending=False).reset_index(drop=True)

6. Interpretación

• OR > 1 → mayor probabilidad de fatalidad que la categoría de referencia (Other).
• OR < 1 → menor probabilidad relativa.
• Los IC muestran la incertidumbre estadística.

Notas y limitaciones

• Se agrupan especies raras y se excluyen desconocidas.
• El modelo no ajusta por otros factores (lugar, actividad, tamaño, etc.).
• Cuando no hay especie, se usaron categorías de tamaño (small/medium/large) en ciertas observaciones; si se tratan como especies, pueden introducir sesgos en la distribución.

---

Cómo reproducir

1. Abrir el notebook Project2_SharkAttacksInvestigation.ipynb y ejecutar las celdas en orden.
2. Asegurar el import de funciones de limpieza:

   import importlib, Functions
   importlib.reload(Functions)
   from Functions import standardize_text

3. Generar las visualizaciones para cada sección (YEAR/COUNTRY/STATE/ACTIVITY/SEX) y, opcionalmente, el modelo logístico por especie.