Tatiana Acero Cuellar

Universidad Nacional de Colombia

The data is located on Kaggle.
The information given below is the one presented on the same web page.

Meteorite Landings

The Meteoritical Society collects data on meteorites that have fallen to Earth from outer space. This dataset includes the location, mass, composition, and fall year for over 45,000 meteorites that have struck our planet.

Notes on missing or incorrect data points:

• a few entries here contain date information that was incorrectly parsed into the NASA database. As a spot check: any date that is before 860 CE or after 2016 are incorrect; these should actually be BCE years. There may be other errors and we are looking for a way to identify them.

• a few entries have latitude and longitude of 0N/0E (off the western coast of Africa, where it would be quite difficult to recover meteorites). Many of these were actually discovered in Antarctica, but exact coordinates were not given. 0N/0E locations should probably be treated as NA.

The starter kernel for this dataset has a quick way to filter out these observations using dplyr in R, provided here for convenience:

meteorites.geo %
filter(year>=860 & year% # filter out weird years
filter(reclong=-180 & (reclat!=0 | reclong!=0)) # filter out weird locations

The Data

Note that a few column names start with "rec" (e.g., recclass, reclat, reclon). These are the recommended values of these variables, according to The Meteoritical Society. In some cases, there were historical reclassification of a meteorite, or small changes in the data on where it was recovered; this dataset gives the currently recommended values.

The dataset contains the following variables:

name: the name of the meteorite (typically a location, often modified with a number, year, composition, etc)

id: a unique identifier for the meteorite

nametype: one of:
-- valid: a typical meteorite
-- relict: a meteorite that has been highly degraded by weather on Earth

recclass: the class of the meteorite; one of a large number of classes based on physical, chemical, and other characteristics (see the Wikipedia article on meteorite classification for a primer)

mass: the mass of the meteorite, in grams

fall: whether the meteorite was seen falling, or was discovered after its impact; one of:
-- Fell: the meteorite's fall was observed
-- Found: the meteorite's fall was not observed

year: the year the meteorite fell, or the year it was found (depending on the value of fell)

reclat: the latitude of the meteorite's landing

reclong: the longitude of the meteorite's landing

GeoLocation: a parentheses-enclose, comma-separated tuple that combines reclat and reclong

What can we do with this data?

Here are a couple of thoughts on questions to ask and ways to look at this data:

• how does the geographical distribution of observed falls differ from that of found meteorites? -- this would be great overlaid on a cartogram or alongside a high-resolution population density map

• are there any geographical differences or differences over time in the class of meteorites that have fallen to Earth?

Acknowledgements

This dataset was downloaded from NASA's Data Portal, and is based on The Meteoritical Society's Meteoritical Bulletin Database (this latter database provides additional information such as meteorite images, links to primary sources, etc.).

%matplotlib inline
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import os
# -- libreria para usar mapas
# https://matplotlib.org/basemap/api/basemap_api.html
os.environ["PROJ_LIB"] = "C:\\Utilities\\Python\\Anaconda\\Library\\share"; #fixr
from mpl_toolkits.basemap import Basemap
import seaborn as sns

data_met = pd.read_csv('../data-used/meteorite-landings.csv')

data_met

	name	id	nametype	recclass	mass	fall	year	reclat	reclong	GeoLocation
0	Aachen	1	Valid	L5	21.0	Fell	1880.0	50.77500	6.08333	(50.775000, 6.083330)
1	Aarhus	2	Valid	H6	720.0	Fell	1951.0	56.18333	10.23333	(56.183330, 10.233330)
2	Abee	6	Valid	EH4	107000.0	Fell	1952.0	54.21667	-113.00000	(54.216670, -113.000000)
3	Acapulco	10	Valid	Acapulcoite	1914.0	Fell	1976.0	16.88333	-99.90000	(16.883330, -99.900000)
4	Achiras	370	Valid	L6	780.0	Fell	1902.0	-33.16667	-64.95000	(-33.166670, -64.950000)
...	...	...	...	...	...	...	...	...	...	...
45711	Zillah 002	31356	Valid	Eucrite	172.0	Found	1990.0	29.03700	17.01850	(29.037000, 17.018500)
45712	Zinder	30409	Valid	Pallasite, ungrouped	46.0	Found	1999.0	13.78333	8.96667	(13.783330, 8.966670)
45713	Zlin	30410	Valid	H4	3.3	Found	1939.0	49.25000	17.66667	(49.250000, 17.666670)
45714	Zubkovsky	31357	Valid	L6	2167.0	Found	2003.0	49.78917	41.50460	(49.789170, 41.504600)
45715	Zulu Queen	30414	Valid	L3.7	200.0	Found	1976.0	33.98333	-115.68333	(33.983330, -115.683330)

45716 rows × 10 columns

data_met.iloc[45682]

name                  Yorktown (Texas)
id                               30371
nametype                         Valid
recclass                            H5
mass                            3500.0
fall                             Found
year                            1957.0
reclat                           28.95
reclong                      -97.40278
GeoLocation    (28.950000, -97.402780)
Name: 45682, dtype: object

De acuerdo a la información dada arriba, es necesario filtrar la información por fechas. Datos antes de 860 y después del 2016 y los datos donde tanto la latitud como la longitud sean cero son datos incorrectos. También eliminar filas que tengan algun valor NaN

data_met = data_met[(data_met['year'] <= 2016) & (data_met['year'] >= 860)]
data_met = data_met[(data_met['reclong'] != 0) & (data_met['reclat'] != 0)]
data_met = data_met.reset_index(drop=True)
data_met = data_met.dropna()
data_met.sort_values(by = ['year'])

	name	id	nametype	recclass	mass	fall	year	reclat	reclong	GeoLocation
700	Nogata	16988	Valid	L6	472.0	Fell	860.0	33.72500	130.75000	(33.725000, 130.750000)
277	Elbogen	7823	Valid	Iron, IID	107000.0	Fell	1399.0	50.18333	12.73333	(50.183330, 12.733330)
849	Rivolta de Bassi	22614	Valid	Stone-uncl	103.3	Fell	1490.0	45.48333	9.51667	(45.483330, 9.516670)
282	Ensisheim	10039	Valid	LL6	127000.0	Fell	1491.0	47.86667	7.35000	(47.866670, 7.350000)
5277	Campo del Cielo	5247	Valid	Iron, IAB-MG	50000000.0	Found	1575.0	-27.46667	-60.58333	(-27.466670, -60.583330)
...	...	...	...	...	...	...	...	...	...	...
962	Sutter's Mill	55529	Valid	C	992.5	Fell	2012.0	38.80389	-120.90806	(38.803890, -120.908060)
26401	Österplana 049	56148	Relict	Relict OC	0.0	Found	2012.0	58.58333	13.43333	(58.583330, 13.433330)
32929	Stewart Valley 012	55528	Valid	H6	130.0	Found	2012.0	36.23500	-116.18358	(36.235000, -116.183580)
31609	Rosamond	57434	Valid	LL3	11.1	Found	2012.0	34.82793	-118.14640	(34.827930, -118.146400)
193	Chelyabinsk	57165	Valid	LL5	100000.0	Fell	2013.0	54.81667	61.11667	(54.816670, 61.116670)

31705 rows × 10 columns

data_met.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 31705 entries, 0 to 39014
Data columns (total 10 columns):
 #   Column       Non-Null Count  Dtype  
---  ------       --------------  -----  
 0   name         31705 non-null  object 
 1   id           31705 non-null  int64  
 2   nametype     31705 non-null  object 
 3   recclass     31705 non-null  object 
 4   mass         31705 non-null  float64
 5   fall         31705 non-null  object 
 6   year         31705 non-null  float64
 7   reclat       31705 non-null  float64
 8   reclong      31705 non-null  float64
 9   GeoLocation  31705 non-null  object 
dtypes: float64(4), int64(1), object(5)
memory usage: 2.7+ MB

counts_nametype = np.unique(data_met['nametype'], return_counts=True)
print('Meteoritos intactos ({}): {}'.format(counts_nametype[0][1],counts_nametype[1][1] ))
print('Meteoritos degradados por el clima ({}): {}'.format(counts_nametype[0][0],counts_nametype[1][0] ))

Meteoritos intactos (Valid): 31684
Meteoritos degradados por el clima (Relict): 21

labels = counts_nametype[0][1], counts_nametype[0][0]
sizes = [counts_nametype[1][1], counts_nametype[1][0]]
explode = (0, 0)  # only "explode" the 2nd slice (i.e. 'Hogs')

fig, ax = plt.subplots(figsize=[10,6])
cmap = plt.get_cmap('Pastel2_r',2)
colors = cmap(np.arange(2))

ax.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',colors=colors,
        shadow=False, startangle=40)
ax.set_title('Meteoritos intáctos vs degradados por el clima')
ax.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.

plt.show()

data_met[data_met['nametype'] == 'Relict']

	name	id	nametype	recclass	mass	fall	year	reclat	reclong	GeoLocation
6754	David Glacier 92308	6614	Relict	Chondrite-fusion crust	1.700	Found	1992.0	-75.31667	162.00000	(-75.316670, 162.000000)
11851	Gove	52859	Relict	Relict iron	0.000	Found	1979.0	-12.26333	136.83833	(-12.263330, 136.838330)
19565	Lewis Cliff 87241	13702	Relict	Chondrite-fusion crust	0.500	Found	1987.0	-84.34563	161.31058	(-84.345630, 161.310580)
21984	Meteorite Hills 001139	45809	Relict	Fusion crust	0.013	Found	2000.0	-79.68333	159.75000	(-79.683330, 159.750000)
26400	Österplana 048	56147	Relict	Relict OC	0.000	Found	2004.0	58.58333	13.43333	(58.583330, 13.433330)
26401	Österplana 049	56148	Relict	Relict OC	0.000	Found	2012.0	58.58333	13.43333	(58.583330, 13.433330)
26402	Österplana 050	56149	Relict	Relict OC	0.000	Found	2003.0	58.58333	13.43333	(58.583330, 13.433330)
26403	Österplana 051	56150	Relict	Relict OC	0.000	Found	2006.0	58.58333	13.43333	(58.583330, 13.433330)
26404	Österplana 052	56151	Relict	Relict OC	0.000	Found	2006.0	58.58333	13.43333	(58.583330, 13.433330)
26405	Österplana 053	56152	Relict	Relict OC	0.000	Found	2002.0	58.58333	13.43333	(58.583330, 13.433330)
26406	Österplana 054	56153	Relict	Relict OC	0.000	Found	2005.0	58.58333	13.43333	(58.583330, 13.433330)
26407	Österplana 055	56154	Relict	Relict OC	0.000	Found	2008.0	58.58333	13.43333	(58.583330, 13.433330)
26408	Österplana 056	56155	Relict	Relict OC	0.000	Found	2008.0	58.58333	13.43333	(58.583330, 13.433330)
26409	Österplana 057	56156	Relict	Relict OC	0.000	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26410	Österplana 058	56157	Relict	Relict OC	0.000	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26411	Österplana 059	56158	Relict	Relict OC	0.000	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26412	Österplana 060	56159	Relict	Relict OC	0.000	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26413	Österplana 061	56160	Relict	Relict OC	0.000	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26414	Österplana 062	56161	Relict	Relict OC	0.000	Found	2010.0	58.58333	13.43333	(58.583330, 13.433330)
26415	Österplana 063	56162	Relict	Relict OC	0.000	Found	2010.0	58.58333	13.43333	(58.583330, 13.433330)
26416	Österplana 064	56163	Relict	Relict OC	0.000	Found	2011.0	58.58333	13.43333	(58.583330, 13.433330)

counts_fall = np.unique(data_met['fall'], return_counts=True)
print('Meteoritos encontrados en tierra ({}): {}'.format(counts_fall[0][1],counts_fall[1][1]))
print('Meteoritos vistos caer ({}): {}'.format(counts_fall[0][0],counts_fall[1][0]))

Meteoritos encontrados en tierra (Found): 30642
Meteoritos vistos caer (Fell): 1063

labels = counts_fall[0][1], counts_fall[0][0]
sizes = [counts_fall[1][1], counts_fall[1][0]]
explode = (0, 0.2)  # only "explode" the 2nd slice (i.e. 'Hogs')

fig, ax = plt.subplots(figsize=[10,6])
cmap = plt.get_cmap('Pastel1_r',2)
colors = cmap(np.arange(2))

ax.pie(sizes, explode=explode, labels=labels, autopct='%1.1f%%',colors=colors,
        shadow=False, startangle=120)
ax.set_title('Meteoritos vistos caer vs encontrados en tierra')
ax.axis('equal')  # Equal aspect ratio ensures that pie is drawn as a circle.

plt.show()

Conteo de meteoritos de acuedo al hemisferio en el que cayeron

HN = len(data_met[data_met['reclat'] > 0])
print('Meteoritos en el hemisferio norte: {}'.format(HN))
HS = len(data_met[data_met['reclat'] <= 0])
print('Meteoritos en el hemisferio sur: {}'.format(HS))

Meteoritos en el hemisferio norte: 8319
Meteoritos en el hemisferio sur: 23386

HE = len(data_met[data_met['reclong'] > 0])
print('Meteoritos en el este: {}'.format(HE))
HO = len(data_met[data_met['reclong'] <= 0])
print('Meteoritos en el oeste: {}'.format(HO))

Meteoritos en el este: 27702
Meteoritos en el oeste: 4003

# -- definir la cantidad de meteoritos por cuadrante

NE = data_met[(data_met['reclat'] > 0) & (data_met['reclong'] > 0)]
NO = data_met[(data_met['reclat'] > 0) & (data_met['reclong'] <= 0)]
SE = data_met[(data_met['reclat'] <= 0) & (data_met['reclong'] > 0)]
SO = data_met[(data_met['reclat'] <= 0) & (data_met['reclong'] <= 0)]

# -- hacer un array 2x2 con los datos
con_mat = np.array([[len(NE),len(NO)],[len(SE),len(SO)]])
# -- normalizarlos el Norte es 100% y el sur es 100%
con_mat_norm = np.around(con_mat.astype('float') / con_mat.sum(axis=1)[:, np.newaxis], decimals=3)
# -- normalizar en totalidad, los cuatro cuadrantes son el 100%
con_mat_normfull = np.around(con_mat.astype('float') / con_mat.sum(), decimals=3)
# -- crear un dataframe para ver que este bien ordenado
con_mat_df = pd.DataFrame(con_mat_norm,
                     columns = ['E','O'], 
                     index = ['N','S'])
# -- crear el texto para poner dentro de cada cuadrado del cuadrante
# -- el numero total y el porcentaje
labels = [f"{v1}\n{v2*100}%\n{v3*100}%" for v1, v2, v3 in
          zip(con_mat.flatten(),con_mat_norm.flatten(),con_mat_normfull.flatten())]
labels = np.asarray(labels).reshape(2,2)

# -- definir los labels para eje x y eje y
categoriesy = ["Norte", "Sur"]
categoriesx = ["Este", "Oeste"]

fig, ax = plt.subplots(figsize=(4, 5))
# -- usar seaborn para crear el plot
ax = sns.heatmap(con_mat, annot=labels,cbar=False,fmt='',xticklabels=categoriesx,yticklabels=categoriesy,cmap='Pastel1_r')#plt.cm.Blues)
plt.tight_layout()
ax.set_ylabel('Ecuador'r'$\rightarrow$' ,rotation=360, labelpad=25, fontsize=15)
ax.set_xlabel(r'$\uparrow$''\n Greenwich ',rotation=360, fontsize=15)
ax.yaxis.set_label_coords(-0.21, 0.48)
ax.set_title('Distribución de los Meteoritos al dividir la Tierra en cuatro cuadrantes', fontsize = 15)
plt.show()

La gran mayoría de meteoritos se encuentra en el hemisferio este y en el hemisferio sur. Al comparar a ojo con los mapamundis mostrados mas abajo, pareciera que hubiera mas meteoritos en el hemisferio norte.

El $68$$\%$ de los meteoritos ha caido en el hemisferio sur este.

print(np.unique(NE['nametype'], return_counts=True))
print(np.unique(NO['nametype'], return_counts=True))
print(np.unique(SE['nametype'], return_counts=True))
print(np.unique(SO['nametype'], return_counts=True))

print(np.unique(NE['fall'], return_counts=True))
print(np.unique(NO['fall'], return_counts=True))
print(np.unique(SE['fall'], return_counts=True))
print(np.unique(SO['fall'], return_counts=True))

(array(['Relict', 'Valid'], dtype=object), array([  17, 6112]))
(array(['Valid'], dtype=object), array([2190]))
(array(['Relict', 'Valid'], dtype=object), array([    4, 21569]))
(array(['Valid'], dtype=object), array([1813]))
(array(['Fell', 'Found'], dtype=object), array([ 676, 5453]))
(array(['Fell', 'Found'], dtype=object), array([ 260, 1930]))
(array(['Fell', 'Found'], dtype=object), array([   81, 21492]))
(array(['Fell', 'Found'], dtype=object), array([  46, 1767]))

Distribución por nametype

Relict: meteoritos degrados por el ambiente
Valid: meteoritos intactos

# -- hacer un array 2x2 con los datos
con_mat = np.array([[np.unique(NE['nametype'], return_counts=True)[1][0],0],
                    [np.unique(SE['nametype'], return_counts=True)[1][0],0]])

con_mat1 = np.array([[np.unique(NE['nametype'], return_counts=True)[1][1],np.unique(NO['nametype'], return_counts=True)[1][0]],
                    [np.unique(SE['nametype'], return_counts=True)[1][1],np.unique(SO['nametype'], return_counts=True)[1][0]]])

# -- normalizar en totalidad, los cuatro cuadrantes son el 100%
con_mat_norm = np.round(con_mat.astype('float') / con_mat.sum(), 2)

con_mat_norm1 = np.round(con_mat1.astype('float') / con_mat1.sum(),5)


# -- crear un dataframe para ver que este bien ordenado
con_mat_df = pd.DataFrame(con_mat_norm,
                     columns = ['E','O'], 
                     index = ['N','S'])
# -- crear el texto para poner dentro de cada cuadrado del cuadrante
# -- el numero total y el porcentaje
labels = [f"R :{v1}\nR :{v2*100}%\nV :{v3}\nV :{v4*100}%" for v1, v2, v3, v4 in
          zip(con_mat.flatten(),con_mat_norm.flatten(),con_mat1.flatten(),con_mat_norm1.flatten())]
labels = np.asarray(labels).reshape(2,2)


# -- definir los labels para eje x y eje y
categoriesy = ["Norte", "Sur"]
categoriesx = ["Este", "Oeste"]

fig, ax = plt.subplots(figsize=(4, 5))
# -- usar seaborn para crear el plot
ax = sns.heatmap(con_mat, annot=labels,cbar=False,fmt='',xticklabels=categoriesx,yticklabels=categoriesy,cmap='Pastel1_r')#plt.cm.Blues)
plt.tight_layout()
ax.set_ylabel('Ecuador'r'$\rightarrow$' ,rotation=360, labelpad=25, fontsize=15)
ax.set_xlabel(r'$\uparrow$''\n Greenwich ',rotation=360, fontsize=15)
ax.yaxis.set_label_coords(-0.21, 0.48)
ax.set_title('Distribución de los Meteoritos al dividir la Tierra en cuatro cuadrantes,\nde acuerdo al nametype R: degradado, V: intacto', fontsize = 15)



plt.show()

No hay meteoritos degradados por el clima en el hemisferio oeste. El $81\%$ de los meteoritos clasificados como degradados se encuentran en el hemisferio norte.

El $68\%$ de los meteoritos intactos se encuentran en el hemisferio sur, coincidiendo con el conteo total de meteoritos.

Distribución por fall

Fell: visto caer
Found: encontrado en tierra

con_mat2 = np.array([[np.unique(NE['fall'], return_counts=True)[1][0],np.unique(NO['fall'], return_counts=True)[1][0]],
                    [np.unique(SE['fall'], return_counts=True)[1][0],np.unique(SO['fall'], return_counts=True)[1][0]]])

con_mat12 = np.array([[np.unique(NE['fall'], return_counts=True)[1][1],np.unique(NO['fall'], return_counts=True)[1][1]],
                    [np.unique(SE['fall'], return_counts=True)[1][1],np.unique(SO['fall'], return_counts=True)[1][1]]])

# -- normalizar en totalidad, los cuatro cuadrantes son el 100%
con_mat_norm2 = np.round(con_mat2.astype('float') / con_mat2.sum(), 4)

con_mat_norm12 = np.round(con_mat12.astype('float') / con_mat12.sum(),7)


labels1 = [f"Fe :{v1}\nFe :{v2*100}%\nFo :{v3}\nFo :{v4*100}%" for v1, v2, v3, v4 in
          zip(con_mat2.flatten(),con_mat_norm2.flatten(),con_mat12.flatten(),con_mat_norm12.flatten())]
labels1 = np.asarray(labels1).reshape(2,2)

fig, ax = plt.subplots(figsize=(4, 5))
# -- usar seaborn para crear el plot
ax = sns.heatmap(con_mat, annot=labels1,cbar=False,fmt='',xticklabels=categoriesx,yticklabels=categoriesy,cmap='Pastel1_r')#plt.cm.Blues)
plt.tight_layout()
ax.set_ylabel('Ecuador'r'$\rightarrow$' ,rotation=360, labelpad=25, fontsize=15)
ax.set_xlabel(r'$\uparrow$''\n Greenwich ',rotation=360, fontsize=15)
ax.yaxis.set_label_coords(-0.21, 0.48)
ax.set_title('Distribución de los Meteoritos al dividir la Tierra en cuatro cuadrantes,\nde acuerdo al fall Fe: caido, Fo: encontrado', fontsize = 15)



plt.show()

El $64\%$ de los meteoritos vistos caer se encuentran en el hemisferio norte-este.

El $70\%$ de los meteoritos encontrados en tierra se encuentran en el hemisferio sur-este.

Masa máxima

data_met[data_met['mass'] == data_met['mass'].max()]

	name	id	nametype	recclass	mass	fall	year	reclat	reclong	GeoLocation
15582	Hoba	11890	Valid	Iron, IVB	60000000.0	Found	1920.0	-19.58333	17.91667	(-19.583330, 17.916670)

Masa mínima

data_met[data_met['mass'] == data_met['mass'].min()]

	name	id	nametype	recclass	mass	fall	year	reclat	reclong	GeoLocation
11851	Gove	52859	Relict	Relict iron	0.0	Found	1979.0	-12.26333	136.83833	(-12.263330, 136.838330)
26400	Österplana 048	56147	Relict	Relict OC	0.0	Found	2004.0	58.58333	13.43333	(58.583330, 13.433330)
26401	Österplana 049	56148	Relict	Relict OC	0.0	Found	2012.0	58.58333	13.43333	(58.583330, 13.433330)
26402	Österplana 050	56149	Relict	Relict OC	0.0	Found	2003.0	58.58333	13.43333	(58.583330, 13.433330)
26403	Österplana 051	56150	Relict	Relict OC	0.0	Found	2006.0	58.58333	13.43333	(58.583330, 13.433330)
26404	Österplana 052	56151	Relict	Relict OC	0.0	Found	2006.0	58.58333	13.43333	(58.583330, 13.433330)
26405	Österplana 053	56152	Relict	Relict OC	0.0	Found	2002.0	58.58333	13.43333	(58.583330, 13.433330)
26406	Österplana 054	56153	Relict	Relict OC	0.0	Found	2005.0	58.58333	13.43333	(58.583330, 13.433330)
26407	Österplana 055	56154	Relict	Relict OC	0.0	Found	2008.0	58.58333	13.43333	(58.583330, 13.433330)
26408	Österplana 056	56155	Relict	Relict OC	0.0	Found	2008.0	58.58333	13.43333	(58.583330, 13.433330)
26409	Österplana 057	56156	Relict	Relict OC	0.0	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26410	Österplana 058	56157	Relict	Relict OC	0.0	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26411	Österplana 059	56158	Relict	Relict OC	0.0	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26412	Österplana 060	56159	Relict	Relict OC	0.0	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26413	Österplana 061	56160	Relict	Relict OC	0.0	Found	2009.0	58.58333	13.43333	(58.583330, 13.433330)
26414	Österplana 062	56161	Relict	Relict OC	0.0	Found	2010.0	58.58333	13.43333	(58.583330, 13.433330)
26415	Österplana 063	56162	Relict	Relict OC	0.0	Found	2010.0	58.58333	13.43333	(58.583330, 13.433330)
26416	Österplana 064	56163	Relict	Relict OC	0.0	Found	2011.0	58.58333	13.43333	(58.583330, 13.433330)

Por años

# -- crear 100 grupos de años y hacer el conteo de cada grupo
data_test= data_met.copy()
data_test['strikebins'] = pd.cut(data_test['year'], bins=100)

data_test_count = data_test.groupby(['strikebins']).size().reset_index(name='counts')
data_test_count = data_test_count[data_test_count['counts']!=0]
#data_test_count

# -- graficar cada grupo por años
ax = data_test_count.plot.bar(x='strikebins', y='counts', figsize=[15,8],color='#165427')
ax.tick_params(axis='x', labelrotation=-90)
ax.set_xlabel('Años', fontsize=15)
ax.set_ylabel('Meteoritos detectados', fontsize=15)
ax.set_title('Conteo de meteoritos por años', fontsize=15)
ax.grid('on')
#plt.savefig('anos.png')
plt.show()

La mayoria de meteoritos se detectaron a apartir de los años 60, seguramente por el avance de la ciencia y los equipos. También la población no científica empezó a tener acceso a equipos como telescopios y binoculares.

Graficar en mapamundis

Para graficar las coordenadas en un papa mundo se usa la libreria from mpl_toolkits.basemap import Basemap. Para instalarla fue necesario crear un environment a través de conda e 'importar' ese env a jupyter. No fue posible hacerlo por medio de pip.

Veamos los meteoritos intactos y los degradados por el clima

Graficados encima de un mapa mundi

fig = plt.figure(figsize=(15, 8), edgecolor='w')

# --Equidistant Cylindrical Projection (cyl): 
# -- The simplest projection, just displays the world in latitude/longitude coordinates.

mapa = Basemap(projection='cyl')
mapa.drawmapboundary(fill_color='w')
mapa.drawcoastlines(linewidth=0.5)

xv, yv = mapa(data_met[data_met['nametype'] == 'Valid']['reclong'],
              data_met[data_met['nametype'] == 'Valid']['reclat'])
xr, yr = mapa(data_met[data_met['nametype'] == 'Relict']['reclong'],
              data_met[data_met['nametype'] == 'Relict']['reclat'])


mapa.scatter(xv, yv, marker='.',alpha=0.25,c='green',edgecolor='None', label = 'Intactos')
mapa.scatter(xr, yr, marker='.',c='red',s=50,edgecolor='None', label = 'Degradados')
plt.title('Meteoritos intactos y degradados por el clima', fontsize = 15)
plt.legend()

<matplotlib.legend.Legend at 0x7f2fece05ed0>

Veamos los meteoritos vistos caer y los que se encontraron ya en Tierra

fig = plt.figure(figsize=(15, 8), edgecolor='w')
mapa = Basemap(projection='cyl')
mapa.drawmapboundary(fill_color='w')
mapa.drawcoastlines(linewidth=0.5)

xv, yv = mapa(data_met[data_met['fall'] == 'Fell']['reclong'],data_met[data_met['fall'] == 'Fell']['reclat'])
xr, yr = mapa(data_met[data_met['fall'] == 'Found']['reclong'],data_met[data_met['fall'] == 'Found']['reclat'])


mapa.scatter(xv, yv, marker='.',alpha=0.25,c='green',edgecolor='None', label = 'Vistos caer')
mapa.scatter(xr, yr, marker='.',alpha=0.25,c='red',edgecolor='None', label = 'Encontrados')
plt.title('Meteoritos vistos caer y encontrados en tierra', fontsize = 15)
plt.legend()

<matplotlib.legend.Legend at 0x7f2fecc81ed0>

Por el mapamundi, se ve que en continente Europeo y el Asiático hay mayor cantidad de meteoritos vistos caer que encontrados ya en tierra, a diferencia del Norte de América. Veamos!!

Delimitar norte américa y mirar cuantos meteoritos hay en total y hacer el conteo por los vistos caer y los encontrados.

NA = data_met[(data_met['reclat'] >= 14) & (data_met['reclat'] <= 68) & 
                  (data_met['reclong'] >= -150) & (data_met['reclong'] <= -65)]
print(len(NA))
print(np.unique(NA['fall'], return_counts=True))

1801
(array(['Fell', 'Found'], dtype=object), array([ 179, 1622]))

fig = plt.figure(figsize=(15, 8), edgecolor='w')
mapa = Basemap(projection='cyl',llcrnrlat=14.0,urcrnrlat=68.0,llcrnrlon=-150,urcrnrlon=-65.0,resolution='i')
mapa.drawmapboundary(fill_color='w')
mapa.drawcoastlines(linewidth=0.6)
mapa.drawcountries()

xv, yv = mapa(data_met['reclong'],data_met['reclat'])

mapa.scatter(xv, yv, marker='.',c='#a10b38',edgecolor='None', label = 'Meteoritos')
plt.legend(loc='lower right')
plt.title('Norte América', fontsize = 15)
plt.show()

Delimitar Europa y mirar cuantos meteoritos hay en total y hacer el conteo por los vistos caer y los encontrados.

UE = data_met[(data_met['reclat'] >= 33) & (data_met['reclat'] <= 68) & 
                  (data_met['reclong'] >= -15) & (data_met['reclong'] <= 30)]

print(len(UE))
print(np.unique(UE['fall'], return_counts=True))

419
(array(['Fell', 'Found'], dtype=object), array([302, 117]))

fig = plt.figure(figsize=(15, 8), edgecolor='w')
mapa = Basemap(projection='cyl',llcrnrlat=33.0,urcrnrlat=68.0,llcrnrlon=-15,urcrnrlon=30,resolution='i')
mapa.drawmapboundary(fill_color='w')
mapa.drawcoastlines(linewidth=0.6)
mapa.drawcountries()

xv, yv = mapa(data_met['reclong'],data_met['reclat'])

mapa.scatter(xv, yv, marker='.',c='#a10b38',edgecolor='None', label = 'Meteoritos')
#mapa.scatter(xr, yr, marker='.',c='orange',edgecolor='None', label = 'Encontrados')
plt.legend(loc='lower right')
plt.title('Europa', fontsize = 15)
plt.show()

A pesar de que en Norte América hay 1801 meteoritos y en Europa (en la porción que seleccione) sólo hay 419. En Europa hay 302 meteoritos vistos caer, en cambio en Norte América sólo hay 179. Además, de la porción tomada para Europa, son más los meteoritos vistos caer que los encontrados.

Veamos los meteoritos intactos y degradados en un Japón

fig = plt.figure(figsize=(15, 8), edgecolor='w')
# -- resolution: i (intermediate)
# -- llcrnrlat y similares son los límites de latitud y longitud
mapa = Basemap(projection='cyl',llcrnrlat=30.0,urcrnrlat=46.0,llcrnrlon=128,urcrnrlon=150.0,resolution='i')
mapa.drawmapboundary(fill_color='w')
mapa.drawcoastlines(linewidth=0.6)
mapa.drawcountries()

xv, yv = mapa(data_met[data_met['nametype'] == 'Valid']['reclong'],
              data_met[data_met['nametype'] == 'Valid']['reclat'])
xr, yr = mapa(data_met[data_met['nametype'] == 'Relict']['reclong'],
              data_met[data_met['nametype'] == 'Relict']['reclat'])


mapa.scatter(xv, yv, marker='.',c='green',edgecolor='None', label = 'Intactos')
mapa.scatter(xr, yr, marker='.',c='red',s=50,edgecolor='None', label = 'Degradados')
plt.legend(loc='lower right')
plt.title('Japón', fontsize = 15)
plt.show()

Veamos los meteoritos vistos caer y encontrados en Tierra en un Estados Unidos

fig = plt.figure(figsize=(15, 8), edgecolor='w')
mapa = Basemap(projection='cyl',llcrnrlat=23.0,urcrnrlat=56.0,llcrnrlon=-126,urcrnrlon=-65.0,resolution='i')
mapa.drawmapboundary(fill_color='w')
mapa.drawcoastlines(linewidth=0.6)
mapa.drawcountries()

# xv, yv = mapa(data_met[data_met['nametype'] == 'Valid']['reclong'],
#               data_met[data_met['nametype'] == 'Valid']['reclat'])
# xr, yr = mapa(data_met[data_met['nametype'] == 'Relict']['reclong'],
#               data_met[data_met['nametype'] == 'Relict']['reclat'])

xv, yv = mapa(data_met[data_met['fall'] == 'Fell']['reclong'],data_met[data_met['fall'] == 'Fell']['reclat'])
xr, yr = mapa(data_met[data_met['fall'] == 'Found']['reclong'],data_met[data_met['fall'] == 'Found']['reclat'])


mapa.scatter(xv, yv, marker='.',c='green',edgecolor='None', label = 'Vistos caer')
mapa.scatter(xr, yr, marker='.',c='orange',edgecolor='None', label = 'Encontrados')
plt.legend(loc='lower right')
plt.title('Estados Unidos', fontsize = 15)
plt.show()

Veamos los meteoritos vistos caer y encontrados en Tierra en un Colombia

fig = plt.figure(figsize=(15, 8), edgecolor='w')
mapa = Basemap(projection='cyl',llcrnrlat=-6.0,urcrnrlat=13.0,llcrnrlon=-80,urcrnrlon=-65.0,resolution='i')
mapa.drawmapboundary(fill_color='w')
mapa.drawcoastlines(linewidth=0.6)
mapa.drawcountries()

xv, yv = mapa(data_met[data_met['fall'] == 'Fell']['reclong'],data_met[data_met['fall'] == 'Fell']['reclat'])
xr, yr = mapa(data_met[data_met['fall'] == 'Found']['reclong'],data_met[data_met['fall'] == 'Found']['reclat'])


mapa.scatter(xv, yv, marker='.',c='green',edgecolor='None', label = 'Vistos caer')
mapa.scatter(xr, yr, marker='.',c='orange',edgecolor='None', label = 'Encontrados')
plt.legend(loc='lower right')
plt.title('Colombia', fontsize = 15)
plt.show()

# -- veamos los datos de los que estan en Colombia
loc_col = data_met[(data_met['reclat'] >= -6) &(data_met['reclat'] <= 13)& 
         (data_met['reclong'] >= -80)&(data_met['reclong'] <= -65)]
loc_col

	name	id	nametype	recclass	mass	fall	year	reclat	reclong	GeoLocation
159	Cali	45976	Valid	H/L4	478.0	Fell	2007.0	3.40500	-76.51000	(3.405000, -76.510000)
227	Daule	51559	Valid	L5	6580.0	Fell	2008.0	-1.87089	-79.95756	(-1.870890, -79.957560)
1017	Ucera	24097	Valid	H5	4590.0	Fell	1970.0	11.05000	-69.85000	(11.050000, -69.850000)
1038	Valera	24149	Valid	L5	50000.0	Fell	1972.0	9.31667	-70.62833	(9.316670, -70.628330)
32086	Santa Rosa	23167	Valid	Iron, IC	825000.0	Found	1810.0	5.91667	-73.00000	(5.916670, -73.000000)

Por el mapa mostrado arriba, los dos meteoritos mostrados son el 159 con nombre "Cali" y el 32086 con nombre "Santa Rosa". Una parte del meteorito encontrado en Santa Rosa esta actualmente en el Museo Nacional de Colombia. :O