import pandas as pd
from datetime import datetime
from pyinaturalist import (
get_observations,
get_taxa_by_id,
get_places_by_id
)
import ipyplot
from itertools import isliceMis fotos del año 2007
Python
pyinaturalist
Español
Venezuela
Panama
El 2007 es uno de los años en los que he estado menos activo en mi hobby de fotografiar plantas y animales, y son pocas las observaciones que he subido a iNaturalist.
Para poner estas observaciones de 2007 en contexto temporal de mis contribuciones a iNat, pueden revisar este gráfico
Este documento me permite visualizar las fotos que ya están en iNaturalist y así evitar subir fotos por duplicado. Lamentablemente solo tomamos unas pocas fotos en algunos de los viajes de este año, y entre ellas no he encontrado muchas fotos para contribuir en iNaturalist.
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 datos
Usamos get_observations con un intervalo de fechas que incluye todo el año 2010:
observations = get_observations(user_id='NeoMapas',
d1="2007-01-01",
d2="2007-12-31",
per_page=1000)Este número aumenta a medida que cargamos observaciones en iNat:
len(observations['results'])18
Usamos este loop para guardar la información básica de cada observación:
records=list()
places=list()
taxa=list()
for obs in observations['results']:
main_record = {
'uuid':obs['uuid'],
'species guess': obs['species_guess'],
'location': obs['place_guess'],
'month': obs['observed_on_details']['month'],
'Fecha_obs': as_date(obs['observed_on']),
'Fecha_reg': as_date(obs['created_at'])
}
if len(obs['observation_photos'])>0:
main_record['url'] = obs['observation_photos'][0]['photo']['url'].replace("square","medium")
main_record['attribution'] = obs['observation_photos'][0]['photo']['attribution']
records.append(main_record)
for pid in obs['place_ids']:
place_record = {
'uuid': obs['uuid'],
'place id': pid
}
places.append(place_record)
for tid in obs['ident_taxon_ids']:
taxon_record = {
'uuid': obs['uuid'],
'taxon id': tid
}
taxa.append(taxon_record)Y las transformamos en un marco de datos con información espacial para usar con geopandas:
inat_obs=pd.DataFrame(records)
places = pd.DataFrame(places)
taxa = pd.DataFrame(taxa)Resumen de las observaciones por estado
Primero combinamos la información de iNat con los estados de Venezuela. Usamos la función sjoin_nearest porque algunas observaciones provienen de la costa y las coordenadas de especies amenazadas están protegidas.
all_taxa=list(set(taxa['taxon id']))
def chunk(it, size):
it = iter(it)
return iter(lambda: tuple(islice(it, size)), ())for slc in chunk(all_taxa,30):
taxa_query = get_taxa_by_id(slc, rank_level=[70,60,50,40,30,20,10])
for res in taxa_query['results']:
qry = taxa.loc[taxa['taxon id'] == res['id'],'uuid']
inat_obs.loc[inat_obs.uuid.isin(qry), res['rank']] = res['name']all_places=list(set(places['place id']))
response = get_places_by_id(all_places,
admin_level=[10,0])
for res in response['results']:
qry = places.loc[places['place id'] == res['id'],'uuid']
if res['admin_level'] == 10:
level='state'
elif res['admin_level'] == 0:
level='country'
inat_obs.loc[inat_obs.uuid.isin(qry), level] = res['name']Agrupamos las observaciones por la localidad y mes, y obtenemos una tabla resumen de las observaciones del año:
aggfuns = {
'species guess': 'count',
}
inat_obs.groupby(['country','state','month']).agg(aggfuns).unstack().fillna(0)| species guess | ||||
|---|---|---|---|---|
| month | 4 | 5 | 7 | |
| country | state | |||
| Panama | Colón | 2.0 | 0.0 | 0.0 |
| Panamá | 0.0 | 3.0 | 0.0 | |
| Panamá Oeste | 0.0 | 4.0 | 0.0 | |
| Venezuela | Miranda | 6.0 | 0.0 | 0.0 |
| Zulia | 0.0 | 0.0 | 3.0 | |
Filtrar por fecha
Con estas líneas de código podemos filtrar por fecha de observación:
ss = inat_obs['month'] == 5
images = inat_obs.loc[ss,'url']
labels = inat_obs.loc[ss,'species guess']
ipyplot.plot_images(list(images), list(labels), max_images=60,)
list(images)[ 'https://inaturalist-open-data.s3.amazonaws.com/photos/543829421/medium.jpg', 'https://inaturalist-open-data.s3.amazonaws.com/photos/543829142/medium.jpg', 'https://inaturalist-open-data.s3.amazonaws.com/photos/543828914/medium.jpg', 'https://inaturalist-open-data.s3.amazonaws.com/photos/543828220/medium.jpg', 'https://inaturalist-open-data.s3.amazonaws.com/photos/543828109/medium.jpg', 'https://inaturalist-open-data.s3.amazonaws.com/photos/543828012/medium.jpg', 'https://inaturalist-open-data.s3.amazonaws.com/photos/543827613/medium.jpg' ]
Progreso
Aquí se puede ver el progreso que he hecho en cargar las fotos del año 2008, creo que estas son todas las que tengo respaldadas:
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 | |||||
| 2024-11-08 | 2007-04-29 | 2007-04-29 | 2 | 1 | 2 |
| 2025-07-28 | 2007-04-24 | 2007-07-30 | 16 | 6 | 14 |
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,)
