Registro de Biodiversidad

Los ecólogos no observan a cada individuo, observan señales. Una caída del 30% o más en las aves observadas en una temporada es un disparador de muestreo; una oscilación cerca de la línea base merece vigilarse; un conteo estable es “déjalo en paz”. Este proyecto construye ese bucle de decisión como un pequeño agente de muestreo: mantiene un registro de observaciones de toda una temporada (sintético, por lo tanto reproducible), calcula la línea base de cada especie y su ventana reciente, aplica una regla de umbral para marcar SURVEY / WATCH / OK, ingiere nuevos lotes semanales y registra cada decisión en un CSV, para luego renderizar un gráfico de barras ASCII de los totales por especie e imprimir una cola de muestreo priorizada. Todo corre en pandas y la biblioteca estándar, con una semilla fija, la misma ejecución marca a las mismas especies cada vez, en cualquier máquina.

Esto asume groupby, filtrado y fusión de pandas. Es un proyecto opcional y no calificado, consulta Proyectos del mundo real para la lista completa y creciente. Una sola instalación: pandas.

🎯 Lo que harás

1. Generar un registro de observaciones determinista de 111 días para cinco especies en tres sitios.
2. Escribir el cerebro del agente: ventanas de línea base y recientes más una regla de umbral de tres niveles.
3. Ejecutar el bucle de ingesta: absorber tres lotes semanales, añadir una fila de decisión por especie.
4. Visualizar los totales por especie como un gráfico de barras ASCII.
5. Priorizar: ordenar las especies para el siguiente muestreo, SURVEY primero.

Dónde ejecutar esto

Localmente con uv es el camino recomendado:

uv init biodiversity-logger && cd biodiversity-logger
uv add pandas

Google Colab, Kaggle Notebooks y Binder ejecutan cada paso sin modificar, pandas viene preinstalado en ambas plataformas, y el fijo default_rng(11) hace la salida idéntica en todas partes.

Configuración

Todo lo necesario antes del primer avistamiento.

Configura el proyecto

uv init biodiversity-logger
cd biodiversity-logger
uv add pandas

Los imports que usarás en todo el proyecto:

import numpy as np
import pandas as pd

✅ Lista de verificación

• ✅ uv run python3 -c "import pandas, numpy" tiene éxito.
• ✅ Puedes imaginarte una fila como date | site | species | count antes de escribir nada.

🤔 Pregunta(s) socrática(s)

• Un “registro” que solo almacena filas es una hoja de cálculo. ¿Qué agrega este proyecto que lo convierte en un agente, un tomador de decisiones que reacciona a los datos en lugar de solo registrarlos?
• Los conteos de especies son sintéticos, con dos especies con tendencia deliberadamente descendente. Si cada especie cayera un 10% simultáneamente, ¿lo detectaría siquiera una razón reciente-vs-línea base, y qué punto ciego revela eso sobre el monitoreo basado en razones?

Paso 1: Genera el registro de observaciones

Cada número posterior proviene de este bloque, así que es determinista: un RNG, una semilla, un rango de días.

1.1 El marco de temporada

👟 Pista inicial : Construye un marco de 111 días con pd.date_range; tres sitios; cinco especies con conteos base por especie, multiplicadores por sitio y dos tendencias descendentes.

# main.py
import numpy as np
import pandas as pd

rng = np.random.default_rng(11)
species = ["acorn_woodpecker", "blue_jay", "eastern_bluebird",
           "northern_cardinal", "tree_swallow"]
sites = ["riverside", "meadow", "forest"]
base = {"acorn_woodpecker": 48, "blue_jay": 62, "eastern_bluebird": 70,
        "northern_cardinal": 55, "tree_swallow": 60}
trend = {"acorn_woodpecker": -2.0, "blue_jay": 0.0, "eastern_bluebird": 0.0,
         "northern_cardinal": 0.0, "tree_swallow": -1.5}
site_mult = {"riverside": 1.2, "meadow": 0.8, "forest": 1.4}

day = pd.date_range("2025-04-01", periods=111, freq="D")
rows = []
for s in species:
    for site in sites:
        for i, d in enumerate(day):
            week = i // 7
            mu = base[s] * site_mult[site] + trend[s] * week
            rows.append({"date": d, "site": site, "species": s,
                         "count": max(0, round(mu + rng.normal(0, 4)))})
full = pd.DataFrame(rows)
print(full.head(3).to_string(index=False))
print("shape:", full.shape)

Las dos entradas de trend, acorn woodpecker −2 por semana, tree swallow −1.5, son las especies que el agente eventualmente debe notar. El término rng.normal(0, 4) es ruido diario realista: los conteos oscilan ±4 incluso en una tendencia estable, así que un estricto “hoy el conteo bajó” se dispararía constantemente. La lógica de razón del Paso 2 promedia ese ruido.

🎯 Resultado esperado :

        date      site          species  count
0 2025-04-01 riverside acorn_woodpecker     58
1 2025-04-02 riverside acorn_woodpecker     63
2 2025-04-03 riverside acorn_woodpecker     62
shape: (1665, 4)

🩹 Si sale mal : Si el primer conteo de la cabecera difiere de 58, la semilla del RNG o el orden de llamadas cambió. Si shape no es (1665, 4), el bucle factorizó mal 5 especies × 3 sitios × 111 días = 1665.

1.2 Retén las semanas “entrantes”

👟 Pista inicial : Guarda los días anteriores a 2025-06-30 (<2025-06-30) como la temporada observada; las últimas tres semanas se entregarán al agente como “nuevos lotes de sensor” en el Paso 3.

# main.py (continued)
observed = full[full["date"] < pd.Timestamp("2025-06-30")].copy()
print("observed rows (days 1–90):", len(observed))

El Paso 3 necesita lotes frescos que el agente no haya visto. En lugar de regenerarlos desde cero (una segunda corriente de RNG), el script generó una temporada de 111 días por adelantado y simplemente retiene la cola: el mismo marco es el entregable, y el corte es la ficción de “datos nuevos que llegan”. Esto mantiene todo en una semilla, sin una segunda corriente aleatoria que documentar.

🎯 Resultado esperado : observed rows (days 1–90): 1350, 90 días × 30 filas/día.

🩹 Si sale mal : Si 1350 aparece como 1665, el < se volvió <= (incluyendo el día 91) o la copia perdió el filtro. Si muestra un conteo diferente, la comparación de fechas mezcla zonas horarias, compara objetos Timestamp, no cadenas.

1.3 Verifica la capa de datos

✅ Lista de verificación

• ✅ full.shape == (1665, 4); cada especie tiene 270 filas (species distintas contadas en groupby).
• ✅ Las filas de cabecera y los conteos son deterministas (misma ejecución, mismos números).
• ✅ observed es exactamente los primeros 90 días, 1350 filas.

🤔 Pregunta(s) socrática(s)

• Tres sitios multiplican el conteo base de forma distinta (forest 1.4×, meadow 0.8×). Cuando el agente compara totales por especie, ¿debe contar aves crudas o aves-por-sitio? ¿Qué le pasa a la razón de una especie abundante en el bosque si comparas conteos crudos entre regiones con esfuerzo desigual?
• El ruido diario rng.normal(0, 4) significa que un solo día puede perder 8 aves por casualidad. ¿Cuántos días de promediado se necesitan antes de que la tendencia de −2/semana empiece a dominar sobre el ruido de ±4, y qué dice eso sobre por qué el agente usa ventanas, no días individuales?

Paso 2: El cerebro del agente

La regla de decisión es todo el agente. El Paso 2 define las ventanas y el umbral de tres niveles.

2.1 Ventanas de línea base y recientes

👟 Pista inicial : Calcula los conteos medios por especie para la línea base (primeros 28 días) y la ventana reciente (del 1 de junio en adelante), y luego su razón.

# main.py (continued)
BASE_END = pd.Timestamp("2025-04-29")
RECENT_START = pd.Timestamp("2025-06-01")

base_mean = observed[observed["date"] < BASE_END].groupby("species")["count"].mean()
recent_mean = observed[observed["date"] >= RECENT_START].groupby("species")["count"].mean()
ratio = recent_mean / base_mean
print(ratio.round(3))

La línea base es lo “normal” de la especie, los conteos de primavera de las primeras cuatro semanas. La ventana reciente es “lo que pasa ahora”, los conteos de junio en adelante. Dividir reciente entre línea base da una razón adimensional: 0.66 significa “los avistamientos recientes son un tercio más bajos que la línea base”, 1.0 significa “a la par”, 1.2 significa “en auge”. Las razones borran la escala, así que una sola regla de umbral funciona entre especies sin importar cuán comunes sean.

🎯 Resultado esperado :

acorn_woodpecker     0.659
blue_jay             1.003
eastern_bluebird     1.004
northern_cardinal    1.003
tree_swallow         0.804
Name: count, dtype: float64

🩹 Si sale mal : Si las especies estables muestran razones como 1.20, la ventana reciente capturó el pico de temporada mientras la línea base capturó el valle, los límites de ventana importan. Si acorn muestra ~1.0, el dict trend no se aplicó (revisa trend[s] * week).

2.2 La regla de niveles

👟 Pista inicial : Convierte la razón en un nivel con alert_level(r), < 0.7 SURVEY, < 1.0 WATCH, si no OK.

# main.py (continued)
def alert_level(r):
    if r < 0.7:
        return "SURVEY"
    if r < 1.0:
        return "WATCH"
    return "OK"

for s in species:
    print(f"{s:<20} {ratio[s]:.3f}  {alert_level(ratio[s])}")

Los umbrales son la política del agente: un tercio por debajo de la línea base justifica despachar un muestreo de campo; cualquier caída por debajo de la par merece vigilancia; a la par o por encima se deja en paz. Dos especies caen por debajo de 1.0: acorn woodpecker en 0.659 (suficientemente profunda para SURVEY) y tree swallow en 0.804 (un WATCH). Las estables se sientan justo en 1.00, el piso de ruido, no una señal real (nota que el umbral no le importa que la diferencia entre 1.003 y 0.999 sea ruido puro).

🎯 Resultado esperado :

acorn_woodpecker     0.659  SURVEY
blue_jay             1.003  OK
eastern_bluebird     1.004  OK
northern_cardinal    1.003  OK
tree_swallow         0.804  WATCH

🩹 Si sale mal : Si la columna de nivel es todo OK, alert_level comparó str con float (pasa la razón, no la etiqueta). Si SURVEY muestra WATCH, el límite 0.7 es < vs <=, elige uno y sé consistente.

2.3 Verifica el cerebro

✅ Lista de verificación

• ✅ Las razones son comparaciones adimensionales reciente/línea base; las especies estables están en ≈ 1.00.
• ✅ Niveles: acorn SURVEY (0.659), swallow WATCH (0.804), tres OK.
• ✅ alert_level es una función pura, misma razón, mismo nivel, cada llamada.

🤔 Pregunta(s) socrática(s)

• Las razones de las especies estables se ciernen dentro de ±0.005 de 1.00, eso es ruido de medición, no una tendencia. Un usuario de alert_level ve WATCH para 0.999 y OK para 1.001. ¿Qué banda muerta (p. ej. tratar 0.95–1.05 como “sin cambio”) reduciría las falsas alarmas, y cómo la implementarías sin cambiar el espíritu de tres niveles?
• ratio divide reciente entre línea base. Si una especie estuvo ausente en la línea base (línea base = 0), la razón explota a inf. ¿Qué resguardo agregarías, y qué haría una alerta sensata para “especie recién aparecida”?

Paso 3: El bucle de ingesta

El agente no evalúa una vez, recibe datos nuevos y vuelve a decidir. El Paso 3 le alimenta tres semanas de lotes “nuevos” y registra cada decisión.

3.1 Alimenta un lote, vuelve a decidir

👟 Pista inicial : Para cada una de las tres semanas retenidas, fusiona el fragmento en observed, recalcula la razón/nivel por especie y añade una fila (checked, species, ratio, level) por especie.

# main.py (continued)
BASE_END = pd.Timestamp("2025-04-29")
RECENT_START = pd.Timestamp("2025-06-01")

def alert_level(r):
    return "SURVEY" if r < 0.7 else ("WATCH" if r < 1.0 else "OK")

def status_of(obs, checked):
    base_mean = obs[obs["date"] < BASE_END].groupby("species")["count"].mean()
    recent_mean = obs[obs["date"] >= RECENT_START].groupby("species")["count"].mean()
    rows = []
    for s in species:
        r = recent_mean[s] / base_mean[s]
        rows.append({"checked_after_days": checked, "species": s,
                     "ratio": round(r, 3), "level": alert_level(r)})
    return pd.DataFrame(rows)

decisions = pd.DataFrame()
weeks = [(pd.Timestamp("2025-06-30"), pd.Timestamp("2025-07-06")),
         (pd.Timestamp("2025-07-07"), pd.Timestamp("2025-07-13")),
         (pd.Timestamp("2025-07-14"), pd.Timestamp("2025-07-20"))]

for week, (start, end) in enumerate(weeks, start=1):
    chunk = full[(full["date"] >= start) & (full["date"] <= end)]
    observed = pd.concat([observed, chunk], ignore_index=True)
    status = status_of(observed, checked=90 + 7 * week)
    decisions = pd.concat([decisions, status], ignore_index=True)

print(decisions.head(10).to_string(index=False))

Cada pasada es re-decisión: la línea base permanece fijada a las primeras cuatro semanas (un contrato histórico), mientras la ventana reciente absorbe el lote nuevo, así que la razón se mueve de forma continua conforme llegan semanas frescas. Las decisiones son una tabla en crecimiento, una fila por especie por revisión: 5 especies × 3 revisiones = 15 filas al final.

🎯 Resultado esperado :

 checked_after_days           species  ratio level
                 97  acorn_woodpecker  0.644 SURVEY
                 97          blue_jay  1.001    OK
                 97  eastern_bluebird  1.003    OK
                 97 northern_cardinal  1.003    OK
                 97      tree_swallow  0.789 WATCH
                104  acorn_woodpecker  0.626 SURVEY
                104          blue_jay  1.000 WATCH
                104  eastern_bluebird  1.001    OK
                104 northern_cardinal  0.998 WATCH
                104      tree_swallow  0.779 WATCH

🩹 Si sale mal : Si chunk se fusionó pero los números no se movieron, status_of usó una razón global en caché, recalcula desde obs en cada pasada. Si las decisiones tienen 10 filas en cabecera en lugar de 5, status_of corrió por semana y por especie dos veces.

3.2 Persistir las decisiones

👟 Pista inicial : to_csv("decisions.csv", index=False) y vuelve a leerlo para probar que el entregable sobrevive la sesión.

# main.py (continued)
decisions.to_csv("decisions.csv", index=False)
print(pd.read_csv("decisions.csv").shape)
print(pd.read_csv("decisions.csv").tail(5).to_string(index=False))

Un CSV de decisiones es lo que un interesado no-Python consume de verdad: 15 filas, cinco por revisión, cada una con checked_after_days, especie, razón, nivel. Leerlo de vuelta con pandas hace el round-trip del entregable, la cola de prioridad del siguiente paso leerá de este mismo archivo.

🎯 Resultado esperado :

(15, 4)
 checked_after_days           species  ratio level
                111  acorn_woodpecker  0.607 SURVEY
                111          blue_jay  0.999 WATCH
                111  eastern_bluebird  0.999 WATCH
                111 northern_cardinal  0.996 WATCH
                111      tree_swallow  0.767 WATCH

🩹 Si sale mal : Si la forma del round-trip no es (15, 4), to_csv/read_csv perdió una columna (el flag index escribió una columna extra sin nombre). Si la cola muestra filas obsoletas de una ejecución previa, limpia el CSV antes del bucle.

3.3 Verifica el bucle

✅ Lista de verificación

• ✅ Tres fusiones → 15 filas de decisión; días de revisión 97, 104, 111.
• ✅ Acorn woodpecker es SURVEY en cada revisión; su razón cae 0.644 → 0.626 → 0.607 (declive que se acelera).
• ✅ decisions.csv hace round-trip a (15, 4).

🤔 Pregunta(s) socrática(s)

• La razón de acorn cayó a lo largo de las tres revisiones mientras las especies estables parpadeaban OK ↔ WATCH cerca de 1.00. ¿Cuál patrón es la señal y cuál es el ruido, y qué te dice el declive monótono de la razón que una sola instantánea en el día 97 jamás podría?
• La línea base está fijada a las primeras cuatro semanas para siempre. Una especie que se recuperó a 2.0× de la línea base aún se compara contra la primavera. ¿Cuándo es mejor una línea base móvil (recalcular de los últimos 90 días) que una fija, y qué riesgo nuevo (girar hacia un declive autocumplido) introduce?

Paso 4: Visualiza los totales

Las decisiones te dicen qué especie; un gráfico te dice cuánto importa cada una. El Paso 4 renderiza los totales por especie como un gráfico de barras ASCII, una visualización amigable para terminal.

4.1 Avistamientos totales por especie

👟 Pista inicial : groupby("species")["count"].sum() sobre la temporada de 111 días, ordenado ascendentemente para el gráfico.

# main.py (continued)
totals = full.groupby("species")["count"].sum().sort_values()
print(totals.to_dict())

Los totales responden “quién es abundante, quién es raro”, un instinto de reporte, no una regla de decisión. Las dos especies marcadas (acorn 13,223 y swallow 18,954) están en el medio del grupo: no son las más raras, que es exactamente por qué importa la razón, una especie rara y una especie común merecen ambas un muestreo cuando sus conteos caen por debajo de la línea base.

🎯 Resultado esperado :

{'acorn_woodpecker': 13223, 'tree_swallow': 18954, 'northern_cardinal': 20705, 'blue_jay': 23398, 'eastern_bluebird': 26435}

🩹 Si sale mal : Si los valores suman salvajemente por arriba de 1665×~50, concat duplicó fragmentos (el Paso 4 corre antes del bucle, calcula sobre full, no sobre observed a mitad de ingesta).

4.2 Renderiza las barras ASCII

👟 Pista inicial : Mapea cada total a "#" * round(v / max * 40) para un gráfico de ancho fijo de 40 barras.

# main.py (continued)
mx = totals.max()
for s, v in totals.items():
    bar = "#" * round(v / mx * 40)
    print(f"  {s:<20} {v:6d}  {bar}")

v / mx * 40 re-escala la especie más grande (eastern bluebird, 26,435) a 40 caracteres y a todas las demás proporcionalmente, un gráfico de barras que no depende de la magnitud absoluta. Es una primitiva de visualización que funciona en cualquier terminal, cualquier notebook, cualquier plataforma, y hace visible la abundancia relativa de un vistazo.

🎯 Resultado esperado :

  acorn_woodpecker      13223  ####################
  tree_swallow          18954  #############################
  northern_cardinal     20705  ###############################
  blue_jay              23398  ###################################
  eastern_bluebird      26435  ########################################

🩹 Si sale mal : Si una barra está vacía ("") el total de la especie tocó fondo en 0 (el resguardo de razón del Socrático del Paso 2 debería avisar). Si las barras desbordan la línea, round(v / mx * 40) limita a 40 solo si v <= mx, lo es, por definición de max.

4.3 Verifica el gráfico

✅ Lista de verificación

• ✅ Los totales coinciden con el dict ordenado: acorn 13,223 … bluebird 26,435.
• ✅ La barra más larga (40 #) pertenece al total más grande (eastern bluebird).
• ✅ Marcas y barras provienen del mismo marco determinista, gráfico y decisiones no pueden discrepar.

🤔 Pregunta(s) socrática(s)

• El gráfico ordena por total, el agente por razón. Eastern bluebird encabeza el gráfico (26,435) pero es OK; acorn es el segundo menos (13,223) pero es SURVEY. ¿A dónde enviaría un muestreo un gráfico que solo mostrara totales, y qué enseña eso sobre “la mayoría de aves” vs “la mayor amenaza”?
• 40 # da 2.6% de resolución por carácter, 13,223 vs 13,223+300 no se puede distinguir. Para señalización de decisiones querrías una escala mayor o una escala logarítmica. ¿Cuándo es el gráfico de barras ASCII la visualización incorrecta para poner junto a una cola de prioridad?

Paso 5: La cola de prioridad de muestreo

Decisiones + totales no son un plan de acción; el agente debe decir quién va primero. Las especies SURVEY primero, luego las WATCH por severidad (razón más baja), luego OK.

5.1 Ordena las especies

👟 Pista inicial : Lee las decisiones más recientes, mapea los niveles a un número de prioridad (SURVEY=0 < WATCH=1 < OK=2) y ordena por (priority, ratio, species).

# main.py (continued)
latest = pd.read_csv("decisions.csv")
latest = latest[latest["checked_after_days"] == latest["checked_after_days"].max()]
prio = {"SURVEY": 0, "WATCH": 1, "OK": 2}
latest["priority"] = latest["level"].map(prio)
latest = latest.sort_values(["priority", "ratio", "species"])

for i, row in latest.iterrows():
    print(f"{i+1:>2}. {row['level']:<6} {row['species']:<20} ratio {row['ratio']:.3f}")

Filtrar a la revisión más nueva (checked_after_days == max) conserva solo la imagen actual, las decisiones de la semana 1 son historia, no prioridades. Mapear el nivel a un número deja que sort_values haga el trabajo de política: todas las SURVEY por delante de todas las WATCH por delante de todas las OK, los empates se rompen por severidad (razón más baja = peor) y luego por nombre para el determinismo.

🎯 Resultado esperado :

 1. SURVEY  acorn_woodpecker      ratio 0.607
 2. WATCH   tree_swallow          ratio 0.767
 3. WATCH   northern_cardinal     ratio 0.996
 4. WATCH   blue_jay              ratio 0.999
 5. WATCH   eastern_bluebird      ratio 0.999

🩹 Si sale mal : Si acorn no está primero, el mapa de prioridad o las claves de orden están intercambiados (ordena por ("priority", "ratio"), no por nombre). Si se imprimen más de 5 filas, no corrió el filtro al checked_after_days máximo.

5.2 Entrega el plan

👟 Pista inicial : Emite una línea de plan de una sola cadena para que el entregable funcione también como mensaje accionable.

# main.py (continued)
plan = "; ".join(f"{row['level']}:{row['species']}"
                 for _, row in latest.iterrows())
print("SURVEY PLAN ->", plan)

La línea del plan es lo que un ecólogo lee de verdad: SURVEY:acorn_woodpecker; WATCH:tree_swallow; …. El turno completo del agente, ingerir → decidir → registrar → priorizar → mensaje, es ahora una salida de pipeline única sobre la que un humano puede actuar.

🎯 Resultado esperado : SURVEY PLAN -> SURVEY:acorn_woodpecker; WATCH:tree_swallow; WATCH:northern_cardinal; WATCH:blue_jay; WATCH:eastern_bluebird

🩹 Si sale mal : Si el plan lista las especies en orden de archivo, el sort_values previo a la línea del plan se perdió. Los desajustes de nombre de columna (ratio vs Ratios) rompen la unión en silencio, mantén el esquema del CSV del Paso 3.2 exactamente.

5.3 Verifica la cola

✅ Lista de verificación

• ✅ Orden de prioridad: SURVEY (acorn) antes de todos los WATCH; WATCH ordenado por razón ascendente.
• ✅ La línea plan encadena cada especie en el mismo orden que la lista impresa.
• ✅ Todo se lee de decisions.csv, el archivo es el sistema de registro.

🤔 Pregunta(s) socrática(s)

• La cola ordena WATCH por razón, así que tree swallow (0.767) precede a northern cardinal (0.996). Pero una especie rara en 0.996 puede ser más frágil que una común en 0.767. ¿Qué peso combinaría la razón y la abundancia absoluta en una sola puntuación de prioridad, y qué cuesta en explicabilidad?
• Este agente decidió por umbrales que un humano eligió (0.7/1.0). Un pipeline “automatizado” con umbrales elegidos a mano es automatización con un humano en el circuito. ¿Dónde en este proyecto registrarías la elección del umbral para que una futura ejecución del agente no sea una caja negra silenciosa?

⚠️ Errores comunes

• Dos corrientes aleatorias. Si los fragmentos se regeneraron con su propio RNG, los datos “nuevos” rompen la reproducibilidad y la historia de decisiones no se puede explicar. Mantén toda la temporada en un solo default_rng(11) y corta.
• Ventanas que incluyen el futuro. date >= 2025-06-01 donde el marco observado ya termina el 29-06 está bien; pero filtrar con <= en la ventana del fragmento puede contar dos veces los días compartidos entre la fusión y el estado. Usa comparaciones semi-abiertas (>= start & < end_next).
• Razón sobre una línea base cero. Una especie ausente en primavera produce una razón inf y un nivel incorrecto. Resguarda con una rama baseline == 0 (siempre SURVEY para una línea base desaparecida).
• concat versus mutación. pd.concat([observed, chunk]) re-vincula el nombre, un hábito de .append en su lugar reproduce en silencio fragmentos viejos e infla las razones. Siempre re-vincula explícitamente y elimina duplicados si re-ejecutas.
• Leer decisions.csv a mitad del bucle. Si el archivo ya existe de una ejecución previa, to_csv sin semántica de sobrescritura duplica filas. Trunca o reconstruye antes de cada bucle.
• Ordenar con las claves equivocadas. Priorizar solo por ratio pone un OK de 0.60 antes de un SURVEY de 0.90. El orden de política es level primero, luego ratio, luego el nombre de la especie.

Lo que acabas de construir

Un agente de muestreo que convierte un flujo de observaciones en un plan de conservación accionable: registros de temporada sintéticos, líneas base y ventanas recientes por especie, una política de umbral de tres niveles, un bucle de ingesta que vuelve a decidir conforme llegan semanas nuevas y añade cada decisión a un CSV, un gráfico de barras ASCII que ordena la abundancia, y una cola de prioridad que dice a quién muestrear primero. Las ideas centrales se transfieren dondequiera que aparezcan umbrales + ventanas de tiempo: compara el comportamiento reciente con una línea base fijada, decide con una política pequeña legible por humanos, registra cada decisión como dato y empareja siempre una señal (la razón) con su magnitud (los totales), porque “bajó el 40%” no significa nada hasta que sabes que es el acorn woodpecker, y una especie estable es una razón para mirar a otra parte, no para apartar la mirada.

A dónde ir desde aquí

• Agrega una banda muerta a alert_level (WATCH solo para razones en [0.7, 0.95), trata 0.95–1.05 como OK) para que el ruido límite deje de voltear la cola.
• Agrega desgloses por sitio: en lugar de una razón por especie, marca pares sitio×especie (p. ej. tree_swallow@meadow), y apila el gráfico ASCII por sitio.
• Visualiza con una biblioteca de gráficos real: totals.plot.barh() o sevplot, los mismos datos de groupby alimentan tanto el gráfico ASCII como una figura de matplotlib.
• Programa el bucle: envuelve los pasos 3–5 en una función run_check(observed, new_chunk) y llámala cada noche, cargando observed del CSV previo en lugar de regenerarlo.

Comparte tu proyecto con la clase

¿Construiste algo de lo que estás orgulloso? examples/student-projects/ es una galería de proyectos que otros estudiantes han enviado, y su README tiene un recorrido completo y amigable para principiantes sobre cómo agregar el tuyo vía un pull request, incluso si nunca has usado git antes: hacer fork del repositorio, crear una rama, confirmar tus archivos y abrir el PR, un paso a la vez. No se asume experiencia previa con git.

Bienvenido a escribir Python fuera del navegador. 🎓