22  Figura rápida con Matplotlib

Como han contribuido a lo largo del tiempo los 4 paises que más emiten en el 2022 respecto a las emisiones totales e incluir a México

import pandas as pd
import matplotlib.pyplot as plt

f = "../data/owid-co2-data.csv"
co2 = pd.read_csv(f)
co2.columns

Index(['country', 'year', 'iso_code', 'population', 'gdp', 'cement_co2',
       'cement_co2_per_capita', 'co2', 'co2_growth_abs', 'co2_growth_prct',
       'co2_including_luc', 'co2_including_luc_growth_abs',
       'co2_including_luc_growth_prct', 'co2_including_luc_per_capita',
       'co2_including_luc_per_gdp', 'co2_including_luc_per_unit_energy',
       'co2_per_capita', 'co2_per_gdp', 'co2_per_unit_energy', 'coal_co2',
       'coal_co2_per_capita', 'consumption_co2', 'consumption_co2_per_capita',
       'consumption_co2_per_gdp', 'cumulative_cement_co2', 'cumulative_co2',
       'cumulative_co2_including_luc', 'cumulative_coal_co2',
       'cumulative_flaring_co2', 'cumulative_gas_co2', 'cumulative_luc_co2',
       'cumulative_oil_co2', 'cumulative_other_co2', 'energy_per_capita',
       'energy_per_gdp', 'flaring_co2', 'flaring_co2_per_capita', 'gas_co2',
       'gas_co2_per_capita', 'ghg_excluding_lucf_per_capita', 'ghg_per_capita',
       'land_use_change_co2', 'land_use_change_co2_per_capita', 'methane',
       'methane_per_capita', 'nitrous_oxide', 'nitrous_oxide_per_capita',
       'oil_co2', 'oil_co2_per_capita', 'other_co2_per_capita',
       'other_industry_co2', 'primary_energy_consumption',
       'share_global_cement_co2', 'share_global_co2',
       'share_global_co2_including_luc', 'share_global_coal_co2',
       'share_global_cumulative_cement_co2', 'share_global_cumulative_co2',
       'share_global_cumulative_co2_including_luc',
       'share_global_cumulative_coal_co2',
       'share_global_cumulative_flaring_co2',
       'share_global_cumulative_gas_co2', 'share_global_cumulative_luc_co2',
       'share_global_cumulative_oil_co2', 'share_global_cumulative_other_co2',
       'share_global_flaring_co2', 'share_global_gas_co2',
       'share_global_luc_co2', 'share_global_oil_co2',
       'share_global_other_co2', 'share_of_temperature_change_from_ghg',
       'temperature_change_from_ch4', 'temperature_change_from_co2',
       'temperature_change_from_ghg', 'temperature_change_from_n2o',
       'total_ghg', 'total_ghg_excluding_lucf', 'trade_co2',
       'trade_co2_share'],
      dtype='object')

mascara = (co2['year'] == 2022) & (co2['iso_code'].apply(lambda x: isinstance(x, str) and len(x) == 3))
co2_2022 = co2[mascara]

# # Calculate total CO2 emissions for each country in 2022
co2_2022.groupby('country')['co2'].sum().sort_values(ascending=False).head(10)

country
China            11396.777
United States     5057.304
India             2829.644
Russia            1652.177
Japan             1053.798
Indonesia          728.883
Iran               690.635
Germany            665.605
Saudi Arabia       662.549
South Korea        600.999
Name: co2, dtype: float64

# Asumiendo que 'co2' es el DataFrame original con los datos de emisiones
# Filtrar los datos para incluir solo los cinco "países" de interés
paises_interes = ['China', 'United States', 'India', 'Russia', 'Mexico', 'World']
paises_co2 = co2[co2['country'].isin(paises_interes)]

# Asegurarse de que los datos están ordenados por país y año
paises_co2_sorted = paises_co2.sort_values(by=['country', 'year'])

# Crear una pivot table para organizar los datos adecuadamente para el gráfico
data_pivot = paises_co2_sorted.pivot(index='year', columns='country', values='co2')

# Verificando la estructura de los datos organizados
data_pivot.head()

country	China	India	Mexico	Russia	United States	World
year
1750	NaN	NaN	NaN	NaN	NaN	9.306
1751	NaN	NaN	NaN	NaN	NaN	9.407
1752	NaN	NaN	NaN	NaN	NaN	9.505
1753	NaN	NaN	NaN	NaN	NaN	9.610
1754	NaN	NaN	NaN	NaN	NaN	9.734

# Crear el gráfico
fig, ax = plt.subplots(figsize=(12, 4))

# Gráfico de línea para las emisiones globales ('World')
ax.plot(data_pivot.index, data_pivot['World'], label='Mundo', color='black', linewidth=2)

# Stackplot para los cuatro países
ax.stackplot(
    data_pivot.index,
    data_pivot['United States'], 
    data_pivot['China'], 
    data_pivot['India'], 
    data_pivot['Russia'],
    data_pivot['Mexico'],
    labels=['Estados Unidos', 'China', 'India', 'Rusia','Mexico'], 
    alpha=0.8)

# Añadir título y etiquetas
ax.set_ylabel('CO2 (millones de toneladas)')
ax.legend()
plt.show()