Dataset para Python como la IA puede ser aplicada en Construcción
Dataset para Python como la IA puede ser aplicada en Construcción
1. Datos del Proyecto:
- Crear un conjunto de datos que simule un proyecto de construcción. Esto podría incluir información como el tipo de edificio (residencial, comercial), el tamaño del terreno, la ubicación geográfica, y la fecha de inicio del proyecto.
import pandas as pd
import numpy as np
# Crear datos de proyecto
proyecto_data = {
'Tipo de Edificio': ['Residencial', 'Comercial', 'Industrial'],
'Tamaño del Terreno (m^2)': np.random.randint(500, 5000, size=3),
'Ubicación': ['Ciudad A', 'Ciudad B', 'Ciudad C'],
'Fecha de Inicio': pd.to_datetime(['2023-01-01', '2023-02-01', '2023-03-01'])
}
df_proyecto = pd.DataFrame(proyecto_data)
print(df_proyecto)
Tipo de Edificio Tamaño del Terreno (m^2) Ubicación Fecha de Inicio
0 Residencial 3617 Ciudad A 2023-01-01
1 Comercial 1361 Ciudad B 2023-02-01
2 Industrial 4624 Ciudad C 2023-03-01
2. Programación del Proyecto:
- Generar datos que representen la programación del proyecto, incluyendo las fechas planificadas para hitos clave, como inicio y finalización de la excavación, inicio y finalización de la estructura, etc.
# Crear datos de programación
fechas_proyecto = pd.date_range(start='2023-01-01', periods=12, freq='MS')
programacion_data = {
'Fecha': fechas_proyecto,
'Excavación': np.random.choice([0, 1], size=len(fechas_proyecto)),
'Estructura': np.random.choice([0, 1], size=len(fechas_proyecto)),
'Acabados': np.random.choice([0, 1], size=len(fechas_proyecto)),
}
df_programacion = pd.DataFrame(programacion_data)
print(df_programacion)
Fecha Excavación Estructura Acabados
0 2023-01-01 1 1 1
1 2023-02-01 1 0 0
2 2023-03-01 0 1 1
3 2023-04-01 1 1 1
4 2023-05-01 0 1 0
5 2023-06-01 1 0 0
6 2023-07-01 1 1 1
7 2023-08-01 1 0 1
8 2023-09-01 0 0 1
9 2023-10-01 1 0 1
10 2023-11-01 1 1 1
11 2023-12-01 1 0 0
3. Costos del Proyecto:
- Simular los costos asociados al proyecto, incluyendo los costos de materiales, mano de obra y cualquier otro gasto.
# Crear datos de costos
costos_data = {
'Fecha': fechas_proyecto,
'Materiales': np.random.randint(50000, 200000, size=len(fechas_proyecto)),
'Mano de Obra': np.random.randint(20000, 80000, size=len(fechas_proyecto)),
'Otros Gastos': np.random.randint(1000, 5000, size=len(fechas_proyecto)),
}
df_costos = pd.DataFrame(costos_data)
print(df_costos)
Fecha Materiales Mano de Obra Otros Gastos
0 2023-01-01 168011 78470 3527
1 2023-02-01 87725 45501 4760
2 2023-03-01 120051 71945 4690
3 2023-04-01 152075 59627 4053
4 2023-05-01 191909 65619 2547
5 2023-06-01 112545 23029 1112
6 2023-07-01 189316 74065 2271
7 2023-08-01 53215 51650 3017
8 2023-09-01 55325 52518 4294
9 2023-10-01 58250 59770 3406
10 2023-11-01 87690 73806 3473
11 2023-12-01 150021 20979 4389
4. Rendimiento de Maquinaria:
- Simular el rendimiento de la maquinaria utilizada en el proyecto, incluyendo la cantidad de horas de trabajo, el consumo de combustible, etc.
# Crear datos de rendimiento de maquinaria
maquinaria_data = {
'Fecha': fechas_proyecto,
'Horas de Trabajo': np.random.randint(10, 50, size=len(fechas_proyecto)),
'Consumo de Combustible (litros)': np.random.uniform(50, 200, size=len(fechas_proyecto)),
}
df_maquinaria = pd.DataFrame(maquinaria_data)
print(df_maquinaria)
Fecha Horas de Trabajo Consumo de Combustible (litros)
0 2023-01-01 42 192.997728
1 2023-02-01 29 117.744755
2 2023-03-01 22 58.189010
3 2023-04-01 48 164.062669
4 2023-05-01 31 50.628588
5 2023-06-01 48 66.110084
6 2023-07-01 37 72.289838
7 2023-08-01 14 137.301497
8 2023-09-01 49 142.036661
9 2023-10-01 17 110.680298
10 2023-11-01 27 83.697824
11 2023-12-01 42 124.536492
5. Calidad de Construcción:
- Simular datos que representen la calidad de la construcción, como inspecciones de calidad, problemas identificados y resueltos, etc.
# Crear datos de calidad de construcción
calidad_data = {
'Fecha': fechas_proyecto,
'Inspección de Calidad': np.random.choice(['Aprobado', 'Rechazado'], size=len(fechas_proyecto)),
'Problemas Identificados': np.random.randint(0, 5, size=len(fechas_proyecto)),
'Problemas Resueltos': np.random.randint(0, 3, size=len(fechas_proyecto)),
}
df_calidad = pd.DataFrame(calidad_data)
print(df_calidad)
Fecha Inspección de Calidad Problemas Identificados \
0 2023-01-01 Rechazado 4
1 2023-02-01 Aprobado 4
2 2023-03-01 Rechazado 2
3 2023-04-01 Rechazado 1
4 2023-05-01 Rechazado 2
5 2023-06-01 Rechazado 2
6 2023-07-01 Aprobado 3
7 2023-08-01 Rechazado 2
8 2023-09-01 Rechazado 0
9 2023-10-01 Aprobado 2
10 2023-11-01 Aprobado 0
11 2023-12-01 Rechazado 1
Problemas Resueltos
0 2
1 1
2 0
3 0
4 0
5 1
6 2
7 1
8 2
9 0
10 0
11 2
Comentarios
Publicar un comentario