dd.geih.load#

dane_data.geih.load(years, months=None, columns='core', empalme=False, harmonize_vars=True, modules=None, root=None, cache=True, progress=None, incluir_incompletos=False, variables=None)[fuente]#

Carga la GEIH: una fila por persona, con los módulos unidos y las variables armonizadas.

Es la puerta de entrada a los microdatos. Para cada mes, une los módulos (load_month), guarda el resultado en caché, agrega las variables armonizadas (harmonize) y se queda con las columnas pedidas; al final junta todos los meses.

Parámetros:

years (Iterable[int] | int) – Año o lista de años.
months (Iterable[int] | int | None) – Mes o lista de meses (1–12); None para todos los disponibles.
columns – "core" (por defecto), "all" o lista de variables DANE extra, por ejemplo ["P6500", "P7070"].
empalme (bool) – Usar la serie de empalme (2010–2020, marco 2018).
harmonize_vars (bool) – Agregar variables armonizadas (sexo, condicion…).
modules (Iterable[str] | None) – Subconjunto de dane_data.geih.MODULOS a fusionar.
cache (bool) – Guarda cada mes procesado en ~/.cache/dane_data (parquet) para que la siguiente carga sea casi instantánea.
progress – Función opcional (fraccion, mensaje).
incluir_incompletos (bool) – Por defecto se omiten (con aviso) los meses a los que les falta un módulo clave (p. ej. desocupados): con ellos la tasa de desocupación saldría 0 %. Los meses omitidos quedan en df.attrs["meses_omitidos"].
variables (Iterable[str] | None) – Conservar solo estas variables (armonizadas o del DANE; anio y mes siempre). Cada mes se recorta al leerlo, así que la memoria depende solo de lo que se conserva: útil para juntar muchos años. Las variables DANE que no están en CORE_RAW deben pedirse también en columns.

Devuelve:

Una fila por persona y mes: anio, mes, las variables armonizadas en minúscula y las del DANE en mayúscula. df.attrs["meses_omitidos"] lista los meses incompletos que se saltaron.

Tipo del valor devuelto:

DataFrame

Muestra:

FileNotFoundError – Si no hay ningún mes completo para lo pedido.

Ver también

indicadores: Indicadores del mercado laboral.
serie_indicadores: Indicadores de muchos años sin cargarlos en memoria.
dane_data.tabla: Tablas ponderadas.
available: Qué meses hay en disco.

Notas

Un año completo tiene del orden de 800 000 registros. Con variables la memoria depende solo de las columnas que se conservan, porque cada mes se recorta antes de juntarlos.

La primera lectura de un mes tarda unos segundos; las siguientes salen de la caché (~/.cache/dane_data/geih). La caché se invalida sola si cambian los archivos del mes.

Ejemplos

>>> import dane_data as dd
>>> df = dd.geih.load(2025, months=[1, 2, 3])
>>> dd.geih.indicadores(df, por="sexo")

Variables del DANE que no están en CORE_RAW:

>>> df = dd.geih.load(2024, columns=["P6500", "P7070"])

Muchos años, solo con lo necesario:

>>> df = dd.geih.load(range(2007, 2026), variables=["fex", "sexo", "ocupado", "ingreso_laboral"])