datos-mexico 0.2.0

Cliente Python oficial para la API del Observatorio Datos México

datos-mexico-py

Cliente Python oficial para la API del Observatorio Datos México.

📖 Documentación completa: docs.datosmexico.org

Acceso programático a microdatos públicos mexicanos curados, validados al peso contra fuentes oficiales, y documentados con sus salvedades metodológicas.

Datasets disponibles

• CDMX servidores públicos: 246,831 servidores · 75 sectores · padrón vigente del Gobierno de la Ciudad de México
• CONSAR / SAR: serie histórica 1998–2025 · 11 AFOREs · recursos administrados, composición, comisiones, traspasos
• ENIGH 2024 Nueva Serie: 91,414 hogares en muestra · 38.8M expandidos · ingresos, gastos, demografía
• ENOE — Mercado laboral INEGI: 101.5M microdatos · 76 mil indicadores agregados · cobertura 2005T1–2025T1 · nacional + 32 entidades federativas

Próximamente: tipos comparativos cross-dataset.

Instalación

pip install datos-mexico

Para ejecutar los notebooks de ejemplo:

pip install datos-mexico[examples]

Requiere Python 3.10 o superior.

Uso rápido

from datos_mexico import DatosMexico

client = DatosMexico()

# CDMX servidores públicos
stats = client.cdmx.dashboard_stats()
print(f"{stats['totalServidores']:,} servidores públicos")

# SAR composición
sar = client.consar.recursos_totales()
print(f"Última fecha: {sar['fecha_max']}")

# ENIGH hogares
hogares = client.enigh.hogares_summary()
print(f"{hogares['n_hogares_expandido']:,} hogares estimados")

# ENOE — Top 5 estados con mayor desempleo (2025T1)
top5 = client.enoe.ranking(periodo="2025T1", indicador="tasa_desocupacion", limit=5)
for e in top5.ranking:
    print(f"  {e.rank}. {e.entidad_nombre}: {e.valor:.2f}%")

ENOE — mercado laboral mexicano

El módulo enoe expone los 101.5M microdatos y 76 mil indicadores agregados de la Encuesta Nacional de Ocupación y Empleo (INEGI, 2005T1–2025T1).

from datos_mexico import DatosMexico

with DatosMexico() as client:
    # Catálogo de los 13 indicadores agregados disponibles
    catalogo = client.enoe.indicadores()
    for ind in catalogo.indicadores[:3]:
        print(f"  {ind.slug:30s}  {ind.nombre}")

    # Serie nacional histórica de la tasa de desocupación
    serie = client.enoe.serie_nacional(indicador="tasa_desocupacion")
    print(f"Cobertura: {serie.cobertura.n_observaciones} trimestres")
    print(f"Último punto: {serie.datos[-1].periodo} = {serie.datos[-1].valor:.2f}%")

    # Microdatos de CDMX como DataFrame (requiere pandas)
    df = client.enoe.microdatos_to_pandas(
        "sdem", periodo="2025T1", entidad_clave="09", limit=500
    )
    print(f"Muestra CDMX 2025T1: {len(df)} filas × {len(df.columns)} cols")

    # Iterar sin cargar a memoria
    for row in client.enoe.microdatos_iter(
        "sdem", periodo="2025T1", entidad_clave="09", sex=2, eda_min=18
    ):
        # procesar fila a fila
        ...

Cada response incluye una lista tipada de caveats con las salvedades metodológicas relevantes: cambio de marco muestral en 2020T3, redefinición del TCCO en 2020T1, gap documental ETOE en 2020T2, re-cálculo del dominio 15+ en la etapa clásica pre-2020.

Examples

El directorio examples/ contiene 5 notebooks Jupyter ejecutables que muestran flujos típicos del SDK con datos reales contra https://api.datos-itam.org:

• 01_quickstart.ipynb — onboarding en 10 minutos
• 02_cdmx_servidores_publicos.ipynb — análisis del padrón CDMX (distribuciones, top sectores, brecha por edad)
• 03_sar_composicion.ipynb — composición del Sistema de Ahorro para el Retiro (serie histórica, AFOREs, componentes, IMSS vs ISSSTE)
• 04_enigh_hogares_desigualdad.ipynb — desigualdad de ingreso por decil ENIGH 2024 NS (composición de gasto D1 vs D10, validaciones INEGI)
• 05_paper_amafore_workflow.ipynb — workflow específico para investigación de pensiones (cross-dataset, paper Amafore-ITAM 2026)
• 06_enoe_mercado_laboral.ipynb — mercado laboral mexicano según ENOE (desempleo histórico, ranking 32 entidades, composición sectorial, microdatos CDMX)

Para ejecutarlos:

pip install datos-mexico[examples]
jupyter notebook examples/

Cada notebook se renderiza en GitHub con outputs visibles (gráficas y cifras reales).

Documentación

Documentación profesional en docs.datosmexico.org:

• Quickstart — onboarding en 10 minutos
• Conceptos clave — Decimal, identidad contable, caveats editoriales, cache y retries
• Tutoriales — walkthroughs por dataset (CDMX, CONSAR, ENIGH, comparativo)
• Reference completo — auto-generado desde docstrings
• FAQ

Otros recursos:

• Ejemplos en notebooks: examples/
• Documentación de la API HTTP: https://api.datos-itam.org/docs

Salvedades metodológicas

El cliente reproduce los datos tal como los publica la API del observatorio. La API a su vez reprocesa fuentes oficiales (INEGI, CONSAR, Datos Abiertos CDMX) sin alterar microdatos. Cada endpoint documenta sus límites de cobertura, fechas de corte, y validaciones contra fuente primaria.

Para precisiones técnicas profundas sobre cualquier dataset, consultar las fuentes primarias enlazadas en docs/sources.md.

Cómo citar

Si usas este cliente en una investigación o publicación académica, por favor cita el proyecto:

@software{datos_mexico_py,
  author = {{Equipo de Datos México}},
  title = {datos-mexico-py: Cliente Python para la API del Observatorio Datos México},
  year = {2026},
  publisher = {Datos México},
  url = {https://github.com/datos-mexico/datos-mexico-py},
}

GitHub también ofrece exportación BibTeX/APA automática desde el botón "Cite this repository" en la página del repo.

Contribuir

Ver docs/contributing.md. Pull requests, issues, y reportes de errores en datos son bienvenidos.

Licencia

MIT — ver LICENSE.

Contacto

• Sitio: https://datosmexico.org
• Email general: [e-mail]
• Reportes de errores en datos: [e-mail]
• Prensa y medios: [e-mail]

---

Datos México es un observatorio independiente formado por estudiantes y egresados del Instituto Tecnológico Autónomo de México (ITAM).