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

El enlace