#!/usr/bin/env python
# coding: utf-8

# # Folium - Mapas de coropletas

# ## Importación de módulos de Python

# In[1]:


import folium
import pandas as pd

import json


# In[2]:


# Impresión de la versión de Folium
print(folium.__version__)


# In[3]:


# Impresión de la versión de Pandas
print(pd.__version__)


# ## Clase [Choropleth](https://python-visualization.github.io/folium/modules.html#folium.features.Choropleth)

# Esta clase de Folium crea un [mapa de coropletas](https://en.wikipedia.org/wiki/Choropleth_map) y lo colorea de acuerdo al valor de un campo de datos.
# 
# El método constructor de Choropleth recibe como parámetros la ubicación de los datos geoespaciales en formato GeoJSON (ej. en un archivo) y puede recibir también un conjunto de datos tabulares en un dataframe de [pandas](https://pandas.pydata.org/). Otros parámetros se utilizan para especificar los campos de datos según los que se colorea el mapa, así como los campos que se utilizan para enlazar los datos espaciales y tabulares.
# 
# En el siguiente ejemplo, se crea un mapa de coropletas que refleja la cantidad de casos positivos de COVID-19 en los cantones de Costa Rica, de acuerdo con los [datos publicados por el Ministerio de Salud](http://geovision.uned.ac.cr/oges/). El archivo GeoJSON de cantones proviene de la capa publicada por el Instituto Geográfico Nacional (IGN) en el [Sistema Nacional de Información Territorial (SNIT)](https://www.snitcr.go.cr/).

# La función [read_csv()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.read_csv.html) carga un archivo CSV en un [dataframe](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.html) de pandas.

# In[4]:


# Carga de datos tabulares de casos positivos de COVID-19 en un dataframe
df_positivos = pd.read_csv('datos/10_07_CSV_POSITIVOS_ULTIMA_FECHA.csv', sep=',')


# In[5]:


df_positivos


# La función [rename()](https://pandas.pydata.org/pandas-docs/version/0.23.4/generated/pandas.DataFrame.rename.html) renombra una columna de un dataframe.

# In[6]:


# Renombramiento de la primera columna
df_positivos.rename(columns = {'Unnamed: 0': 'id'}, inplace=True)


# La función [head()](https://pandas.pydata.org/pandas-docs/stable/reference/api/pandas.DataFrame.head.html) despliega las primeras filas de un dataframe.

# In[7]:


# Despliegue de las primeras filas, para observación de los datos
df_positivos.tail(10)


# In[8]:


# GeoJSON de cantones
# geo_cantones = r'datos/cr_cantones_wgs84.geojson'
geo_cantones = r'datos/cr_limite_cantonal_ign_wgs84.geojson'

# Mapa base
m = folium.Map(
    location=[10, -84], 
    zoom_start=7, 
    tiles='openstreetmap')


# Capa de coropletas coloreada de acuerdo con el campo de casos positivos.
# El enlace entre los datos geoespaciales y tabulares se realiza a través del campo "cod_canton" del dataframe
# y el campo del mismo nombre en el archivo GeoJSON.
m.choropleth(
    geo_data=geo_cantones,
    data=df_positivos,
    columns=['cod_canton', 'positivos'],
    bins=8,
    key_on='feature.properties.cod_canton',
    fill_color='Reds', 
    fill_opacity=1, 
    line_opacity=1,
    legend_name='Casos positivos',
    smooth_factor=0)


# Despliegue del mapa
m


# In[9]:


m.save('index.html')


# ### Ventana emergente con datos de un polígono

# In[10]:


# GeoJSON de cantones
geo_cantones = r'datos/cr_limite_cantonal_ign_wgs84.geojson'

# Mapa base
m = folium.Map(
    location=[10, -84], 
    zoom_start=7, 
    tiles='openstreetmap')

# Capa de coropletas coloreada de acuerdo con el campo de casos positivos.
choropleth = folium.Choropleth(
    geo_data=geo_cantones,
    data=df_positivos,
    columns=['cod_canton', 'positivos'],
    bins=8,
    key_on='feature.properties.cod_canton',
    fill_color='Reds', 
    fill_opacity=1, 
    line_opacity=1,
    legend_name='Casos positivos',
    name='Casos positivos',
    smooth_factor=0).add_to(m)


# In[11]:


# Se crea un campo adicional en la estructura de la capa GeoJSON para almacenar el texto de la ventana emergente
for feature in choropleth.geojson.data['features']:
    # print(type(feature['properties']))
    canton_filtrado_df = df_positivos[df_positivos['cod_canton'] == feature['properties']['cod_canton']]
    feature['properties']['texto_emergente'] = feature['properties']['canton'] + "<br>" + str(canton_filtrado_df.iloc[0]['positivos'])

# Se especifica el nuevo campo como el contenido de la ventana emergente
choropleth.geojson.add_child(folium.features.GeoJsonTooltip(['texto_emergente'], labels=False))

# Otra opción para explorar
# choropleth.add_child(folium.Popup('Texto emergente'))

# Despliegue del mapa
m    


# In[ ]: