import pandas as pd
from datetime import datetime
from pyinaturalist import get_observations
import ipyplotMis fotos del año 2004
Python
pyinaturalist
Español
Venezuela
En el año 2004 estaba haciendo la transición de fotografía de películas (negativos y diapositivas) a las cámaras digitales. Mis contribuciones más antiguas a iNaturalist son de este año. A pesar de que en este año realicé algunos muestreos de campo para la iniciativa NeoMapas, son muy pocas las fotografías de plantas y animales que realicé, y aún no he cargado todas.
Para poner estas observaciones de 2004 en contexto temporal de mis contribuciones a iNat, pueden revisar este gráfico
Después de terminar de actualizar mis observaciones de 2010, he decidido repetir el proceso para el año 2004. Este documento me permite visualizar las fotos que ya están en iNaturalist y así evitar subir fotos por duplicado.
Cargar módulos en Python
Importamos los módulos necesarios:
Y declaramos una función útil para leer los datos temporales de la respuesta del API de iNat:
def as_date(x):
if type(x) == str:
y = datetime.strptime(x, "%Y-%m-%d").date()
else:
y = datetime.date(x)
return(y)Descargar observaciones de iNaturalist
Usamos get_observations con un intervalo de fechas que incluye todo el año 2010:
observations = get_observations(user_id='NeoMapas',
d1="2004-01-01",
d2="2004-12-31",
per_page=1000)Este número aumenta a medida que cargamos observaciones en iNat:
len(observations['results'])11
Usamos este loop para guardar la información básica de cada observación:
records=list()
for obs in observations['results']:
record = {
'uri':obs['uri'],
'location': obs['place_guess'],
'species guess': obs['species_guess'],
'Fecha_obs': as_date(obs['observed_on']),
'Fecha_reg': as_date(obs['created_at'])
}
if len(obs['observation_photos'])>0:
record['url'] = obs['observation_photos'][0]['photo']['url'].replace("square","medium")
record['attribution'] = obs['observation_photos'][0]['photo']['attribution']
records.append(record)Y las transformamos en un marco de datos de pandas:
inat_obs=pd.DataFrame(records)Resumen de las observaciones
Agrupamos las observaciones por la localidad y obtenemos una tabla resumen de las observaciones del año:
aggfuns = {
'Fecha_obs': ["min", "max"],
'Fecha_reg': ["min", "max"],
'species guess': ['count',pd.Series.nunique],
}
inat_obs.groupby('location').agg(aggfuns).sort_values(('Fecha_obs','min'))| Fecha_obs | Fecha_reg | species guess | ||||
|---|---|---|---|---|---|---|
| min | max | min | max | count | nunique | |
| location | ||||||
| 92Q7+W9P, Parroquia Macarao 1204, Miranda, Venezuela | 2004-04-13 | 2004-04-13 | 2025-07-28 | 2025-07-28 | 1 | 1 |
| San Pedro del Rio, Táchira, Venezuela | 2004-08-29 | 2004-08-29 | 2020-08-19 | 2020-08-19 | 1 | 1 |
| Camatagua 2335, Aragua, Venezuela | 2004-09-05 | 2004-09-05 | 2020-08-19 | 2020-08-19 | 3 | 3 |
| Aricagua, 5119, Mérida, Venezuela | 2004-09-11 | 2004-09-11 | 2020-08-19 | 2020-08-19 | 1 | 1 |
| Campo Elías, Mérida, Venezuela | 2004-09-11 | 2004-09-12 | 2020-08-19 | 2020-08-19 | 2 | 2 |
| Monsenor Iturriza, Falcón, Venezuela | 2004-09-30 | 2004-09-30 | 2025-07-27 | 2025-07-27 | 2 | 2 |
| Buchivacoa, Falcón, Venezuela | 2004-10-02 | 2004-10-02 | 2023-11-18 | 2023-11-18 | 1 | 1 |
Filtrar por fecha
Con estas líneas de código podemos filtrar por fecha de observación:
ss = inat_obs['Fecha_obs'].apply(str) == '2004-10-02'
images = inat_obs.loc[ss,'url']
labels = inat_obs.loc[ss,'species guess']
ipyplot.plot_images(list(images), list(labels), max_images=60,)
O si preferimos podemos filtrar por fecha en que la observación fue añadida (registrada) en iNat:
ss = inat_obs['Fecha_reg'].apply(str) == '2020-08-19'
images = inat_obs.loc[ss,'url']
labels = inat_obs.loc[ss,'species guess']
ipyplot.plot_images(list(images), list(labels), max_images=60,)
Filtrar por localidad
Si queremos filtrar por localidad, simplemente tenemos que cambiar la primera línea:
ss = inat_obs['location'] == 'Camatagua 2335, Aragua, Venezuela'
images = inat_obs.loc[ss,'url']
labels = inat_obs.loc[ss,'species guess']
ipyplot.plot_images(list(images), list(labels), max_images=60,)Progreso
Muchos años después todavía estoy en el proceso de registrar todas las fotos de mis viajes del año 2012:
aggfuns = {
'Fecha_obs': ["min", "max"],
'location': ['count',pd.Series.nunique],
'species guess': [pd.Series.nunique],
}
inat_obs.groupby('Fecha_reg').agg(aggfuns)| Fecha_obs | location | species guess | |||
|---|---|---|---|---|---|
| min | max | count | nunique | nunique | |
| Fecha_reg | |||||
| 2020-08-19 | 2004-08-29 | 2004-09-12 | 7 | 4 | 7 |
| 2023-11-18 | 2004-10-02 | 2004-10-02 | 1 | 1 | 1 |
| 2025-07-27 | 2004-09-30 | 2004-09-30 | 2 | 1 | 2 |
| 2025-07-28 | 2004-04-13 | 2004-04-13 | 1 | 1 | 1 |
Todas las observaciones
Y cierro aquí con todas las imágenes de las observaciones de este año:
images = inat_obs.sort_values('Fecha_obs')['url']
labels = inat_obs.sort_values('Fecha_obs')['species guess']
ipyplot.plot_images(list(images), list(labels), max_images=200,)
