DEV Community: Yel Martínez

Memoria de sostenibilidad GRI paso a paso para pymes

Yel Martínez — Wed, 04 Nov 2026 14:53:05 +0000

Una memoria de sostenibilidad es el documento con el que una organización cuenta, de forma pública y comparable, su desempeño ambiental, social y de gobernanza durante un ejercicio. En España también la verás como memoria de RSC, informe de sostenibilidad o, en inglés, sustainability report. Es el mismo documento con distintos nombres.

Si diriges o asesoras a una pyme, la pregunta no es «¿me obligan?», sino «¿me la van a pedir?». Y la respuesta suele llegar por la cadena de suministro: un cliente grande, un banco o una licitación piden datos ESG y un formato reconocible. GRI es el marco más usado para eso. Esta guía recorre el proceso en seis pasos.

Antes de empezar: ¿qué obliga a una pyme hoy?

Las reglas europeas han cambiado en 2026. La Directiva Ómnibus I, la Directiva (UE) 2026/470, deja la obligación de informar bajo CSRD solo para las empresas más grandes (más de 1.000 empleados y más de 450 millones de euros de facturación). Además fija un tope: las grandes no pueden exigir a proveedores de menos de 1.000 empleados más información de la que recoja el estándar voluntario que adopte la Comisión, basado en el VSME del EFRAG (resumen de CMS).

Traducido: una pyme no está obligada a publicar una memoria, pero sí le conviene tener datos ordenados y un formato presentable cuando se los pidan. Comprueba siempre el texto oficial y cómo se transponga en España.

Paso 1. Análisis de materialidad (GRI 3)

No hay que reportar los más de 80 indicadores de GRI. Se reportan los temas materiales: aquellos en los que tu organización tiene impactos significativos sobre las personas y el entorno.

Haz una lista larga de temas posibles (emisiones, energía, agua, residuos, empleo, diversidad, salud y seguridad, cadena de suministro, anticorrupción, privacidad de datos…).
Pregunta a tus grupos de interés (clientes, plantilla, proveedores, entidades financieras) qué les importa.
Puntúa cada tema por la gravedad de tu impacto y su probabilidad.
Quédate con una lista corta. Para una primera memoria de pyme, entre 8 y 12 temas es una cifra razonable.

El resultado es tu matriz de materialidad y la justificación de por qué reportas lo que reportas.

Paso 2. Alcance y declaración de uso (GRI 1)

Decide qué periodo cubre el informe, qué entidades incluye y hasta dónde llegas en la cadena de valor. Después elige cómo vas a citar GRI:

«De conformidad con» los Estándares GRI: exige cumplir los requisitos de GRI 1, entre ellos aplicar los principios de elaboración de informes, publicar los contenidos generales de GRI 2 y determinar los temas materiales según GRI 3.
«Con referencia a» los Estándares GRI: es una opción más ligera, pensada para quien empieza o reporta solo una selección de contenidos.

Para una primera memoria, «con referencia a» suele ser la opción honesta. Lo importante es declarar cuál usas y publicar el índice de contenidos GRI.

Paso 3. Recopilar datos

La estructura de GRI 2021 tiene tres bloques: estándares universales (GRI 1, 2 y 3), estándares temáticos (series 200 económica, 300 ambiental y 400 social) y estándares sectoriales. Ejemplos de contenidos que una pyme puede cubrir:

Tema	Contenido GRI	Dato típico
Energía	302-1	kWh consumidos al año
Emisiones	305-1 y 305-2	tCO₂e de alcance 1 y 2
Empleo	401-1	contrataciones y rotación
Diversidad	405-1	porcentaje de mujeres en plantilla y dirección
Anticorrupción	205-3	casos confirmados y medidas tomadas

Mezcla datos cuantitativos (kWh, toneladas, ratios) con cualitativos (políticas, compromisos, prácticas). Si un dato no existe, dilo y marca cuándo piensas tenerlo: es mejor que inventarlo.

Paso 4. Redactar y estructurar

Un esquema que funciona para una primera memoria de entre 15 y 30 páginas:

Carta de la dirección y compromisos.
Perfil de la organización (GRI 2).
Materialidad y grupos de interés (GRI 3).
Gobernanza y ética.
Desempeño ambiental, social y económico, un apartado por tema material.
Objetivos para el próximo ejercicio.
Índice de contenidos GRI.

Paso 5. Verificación

La verificación externa no es obligatoria para empezar, pero aumenta la credibilidad. Si no la tienes, indícalo con claridad y no uses expresiones como «auditado» o «certificado».

Paso 6. Publicar

Publica el PDF en una página accesible de tu web y enlázalo desde donde lo vayan a buscar quienes te lo piden. Si repites cada año, mantén la misma estructura para que se puedan comparar los periodos.

Un generador gratuito para el borrador

Los pasos 3 y 4 son los que más tiempo consumen, así que he construido un generador de memoria de sostenibilidad GRI: seis módulos (perfil, gobernanza, medioambiente, social, economía y ética) que producen un borrador estructurado con referencias a GRI 2021, CSRD y el Registro SIR de la Comunitat Valenciana. Puedes copiar el texto para Word o Canva, descargarlo en PDF o imprimirlo.

Es software libre (GPL-2.0-or-later) y el código está en GitHub; se ejecuta en el navegador, sin registro.

Tiene límites claros: genera un borrador orientativo. No hace el análisis de materialidad por ti, no verifica tus datos y no sustituye el asesoramiento profesional. Si necesitas una versión más ligera para comunicar a clientes, tengo también un generador de informe ASG/ESG que produce el documento en Word.

Nota: he redactado este texto con ayuda de Claude (IA) y lo he revisado yo; las cifras regulatorias enlazan a sus fuentes.

Informe ASG, informe ESG y memoria GRI: diferencias y cuándo usar cada uno

Yel Martínez — Wed, 04 Nov 2026 14:52:56 +0000

Si buscas «informe ASG» en español, encuentras resultados que lo mezclan con «informe ESG», «memoria de sostenibilidad», «memoria GRI» o «EINF». Para una pyme que recibe un cuestionario de un cliente, esa mezcla es un problema: ¿qué documento hay que preparar?

La respuesta corta: ASG y ESG son la misma sigla, en español (Ambiental, Social y Gobernanza) y en inglés (Environmental, Social, Governance). Lo que cambia entre un documento y otro es el marco, la profundidad y quién lo exige.

Las cinco opciones

Documento	Qué es	Marco	¿Obligatorio?
Informe ASG/ESG	Documento flexible para comunicar desempeño a clientes, bancos e inversores	Libre, a menudo con referencias a GRI o a los ODS	No
Memoria GRI	Memoria de sostenibilidad con análisis de materialidad formal	Estándares GRI 2021	No (voluntaria)
EINF	Estado de Información No Financiera de la Ley 11/2018	Ley 11/2018	Para grandes entidades
Informe CSRD/ESRS	Informe de sostenibilidad dentro del informe de gestión	ESRS, con doble materialidad	Solo para las mayores tras la Directiva Ómnibus
VSME	Estándar voluntario europeo para pymes	VSME de EFRAG	No

Dos aclaraciones sobre las filas legales, porque cambian con frecuencia:

La Directiva Ómnibus I (UE) 2026/470 deja la obligación CSRD para las empresas de más de 1.000 empleados y más de 450 millones de euros de facturación.
Los Estados miembros deben transponerla y la situación en España puede haber cambiado desde que escribo esto: consulta la fuente oficial antes de afirmar que algo es o no obligatorio.

Informe ASG/ESG vs memoria GRI: la diferencia práctica

La memoria GRI sigue los Estándares GRI y se apoya en un análisis de materialidad formal: justificas qué temas reportas y declaras cómo usas el estándar. Es más trabajo, y es el formato que suelen reconocer licitaciones, entidades financieras y grandes clientes.

El informe ASG es más flexible. Se centra en comunicar bien: política ambiental, datos de plantilla, ética y gobierno, con las referencias GRI que quieras citar. Es más rápido y vale para responder a un cliente o presentar tu posición a un banco.

Una regla útil:

¿Un cliente te pide «datos ESG» sin más? → informe ASG/ESG breve.
¿Una licitación o una entidad pide «memoria conforme a GRI»? → memoria GRI.
¿Un cliente grande te pide datos de cadena de valor? → mira el VSME. Con la Ómnibus I, lo que las grandes pueden pedir a proveedores de menos de 1.000 empleados queda limitado al estándar voluntario (resumen de CMS).
¿No sabes por dónde empezar? → primero un diagnóstico de madurez.

Qué contiene cada uno en la práctica

Un informe ASG sencillo cubre cuatro bloques:

Organización: sector, tamaño, actividades, alcance del informe.
Social: plantilla, igualdad, formación, salud y seguridad, proveedores y clientes.
Ambiental: energía, emisiones, agua, residuos.
Ética y gobierno: código de conducta, anticorrupción, canal de denuncias.

La memoria GRI añade el análisis de materialidad, la declaración de uso, el enfoque de gestión por tema y el índice de contenidos GRI.

Herramientas gratuitas para cada caso

Construí tres herramientas que se corresponden con estos escalones. Todas son gratuitas, se ejecutan en el navegador y no piden registro:

Diagnóstico ESG para pymes: 52 indicadores en 5 módulos, para medir el punto de partida y sacar un informe con diagrama radar y hoja de ruta.
Generador de informe ASG/ESG: con los mismos datos genera tres documentos Word (reporte ASG, política medioambiental y código de conducta), con referencias a GRI 2021.
Generador de memoria de sostenibilidad GRI: borrador de memoria en seis módulos, con la estructura del estándar.

Son software libre (GPL-2.0-or-later) y el código está en GitHub: informe ASG/ESG, memoria GRI y diagnóstico.

Una advertencia que repito en cada ficha: son herramientas orientativas, no oficiales, y ninguna sustituye el asesoramiento profesional ni garantiza que un tercero acepte el documento.

Nota: he redactado este texto con ayuda de Claude (IA) y lo he revisado yo; las cifras regulatorias enlazan a sus fuentes.

Calculé la huella de carbono real de mi propio portfolio, paso a paso

Yel Martínez — Tue, 15 Sep 2026 15:59:59 +0000

El resultado antes que el proceso: 0,014 g CO₂eq por visita

Mi portfolio (yel-martinez-portfolio.com) emite 0,014 gramos de CO₂ equivalente por visita. La mediana de la web según HTTP Archive 2024 es 0,50 g/visita. Eso significa que mi sitio pesa, en términos de carbono, unas 35 veces menos que una página web mediana.

No es una cifra de marketing. Es el resultado real de aplicar mi propia herramienta — Carbon Calculator, un cálculo de huella de carbono web open source que desarrollé — contra mi propio sitio, midiendo cada byte real con las herramientas del propio navegador, no con una estimación de cabecera.

Este artículo no es una página de producto. Es el "cómo" completo: la metodología, el código exacto, y por qué el resultado es el que es — incluyendo un matiz sobre hosting verde que la mayoría de calculadoras de carbono web no explican.

El modelo: Sustainable Web Design v3

Mi calculadora implementa el modelo SWD v3 (metodología pública, implementación propia — sin llamar a ninguna API de terceros desde la versión 3.2.0). El modelo reparte el consumo energético de una página en cuatro segmentos:

var SWD = {
    KWH_PER_GB:  0.81,   // kWh consumidos por GB transferido
    DATACENTER:  0.15,   // 15% del consumo: servidor/CDN
    NETWORK:     0.14,   // 14%: redes de transporte
    DEVICE:      0.52,   // 52%: el dispositivo de quien visita
    PRODUCTION:  0.19,   // 19%: fabricación del hardware, amortizada
    RENEWABLES:  50,     // gCO2/kWh — factor residual si el hosting es 100% verde certificado
};

El dato que sorprende a casi todo el mundo la primera vez que lo ve: el datacenter es solo el 15% del consumo total. El dispositivo de quien navega (tu móvil, tu portátil) pesa más del triple. Esto tiene una consecuencia directa que explico más abajo.

La intensidad de carbono de la red eléctrica se cita país por país, cada una a su fuente oficial individual — no a un dataset agregado de terceros:

var INTENSITY = {
    ESP: { v:129,   year:2024, source:'European Environment Agency (EEA)' },
    DEU: { v:298,   year:2024, source:'European Environment Agency (EEA)' },
    FRA: { v:43,    year:2024, source:'European Environment Agency (EEA)' },
    USA: { v:367.4, year:2023, source:'U.S. Energy Information Administration (EIA)' },
    WORLD: { v:445, year:2024, source:'International Energy Agency (IEA), Electricity 2025' },
};

Paso 1 — Medir el peso real de la página (no un número inventado)

La mayoría de calculadoras de carbono web piden que pegues una URL y confían en un crawler externo. Yo quería el dato real de mi propio navegador, así que usé la Performance API directamente:

const entries = performance.getEntriesByType('resource');
const nav = performance.getEntriesByType('navigation')[0];
let totalEncoded = nav.encodedBodySize;
for (const e of entries) totalEncoded += e.encodedBodySize || 0;

Resultado, con la página completamente cargada (incluido scroll hasta el final, por si algo cargaba en diferido):

Recurso	Peso
Documento HTML	10,4 KB
CSS (bundle único de Astro)	34,5 KB
CSS de Google Fonts	0,3 KB
Total	45,2 KB — 4 peticiones

Cero imágenes. No es que las comprimiera mucho — es que no hay ninguna petición de imagen en la carga de la home. El sitio usa SVG inline en cada icono y cada pieza gráfica (lo vengo haciendo en todas las herramientas de la suite, no solo aquí), así que no hay ni una sola petición de red para gráficos. Esa decisión de diseño, tomada meses antes de pensar en calcular nada, es la que más pesa en el resultado final — más que cualquier optimización de hosting.

Paso 2 — Verificar el hosting, no asumirlo

Mi sitio está detrás de Cloudflare. Antes de asumir que eso cuenta como "verde", lo comprobé contra la API pública de Green Web Foundation:

curl https://api.thegreenwebfoundation.org/greencheck/yel-martinez-portfolio.com

{
  "hosted_by": "Cloudflare",
  "green": true,
  "supporting_documents": [
    {"title": "Cloudflare 2023 Emissions Inventory", "link": "..."}
  ]
}

Confirmado con documentación de respaldo real, no solo una etiqueta. Esto activa el factor RENEWABLES (50 gCO₂/kWh) en vez de la intensidad de red del país — pero solo para el segmento de datacenter, ese 15% del total. Es el matiz que casi nadie explica: contratar hosting verde no "limpia" el 85% restante del consumo (red, dispositivo, fabricación), que sigue calculándose con la media mundial de la red eléctrica porque no depende de dónde esté el servidor.

Paso 3 — Aplicar la fórmula

function swdPerByte(bytes, isGreen, gridIntensity) {
    var gb = bytes / 1e9;
    var kwh = gb * SWD.KWH_PER_GB;

    var dcEnergy  = kwh * SWD.DATACENTER;
    var netEnergy = kwh * SWD.NETWORK;
    var devEnergy = kwh * SWD.DEVICE;
    var proEnergy = kwh * SWD.PRODUCTION;

    var gridDC  = isGreen ? SWD.RENEWABLES : gridIntensity;
    var gridNet = INTENSITY.WORLD.v;
    var gridDev = INTENSITY.WORLD.v;

    return dcEnergy*gridDC + netEnergy*gridNet + devEnergy*gridDev + proEnergy*INTENSITY.WORLD.v;
}

Con mis 45.196 bytes reales y hosting verde confirmado:

GB transferidos:     0,000045196
kWh consumidos:      0,0000366
gCO2eq por visita:   0,0141
Rating SWD v3:       A

Dato curioso al comprobarlo: si mi hosting no fuera verde y estuviera en un datacenter en España (129 gCO₂/kWh, uno de los mixes eléctricos más limpios de Europa gracias a la eólica y la solar), el resultado apenas cambia — 0,0146 g/visita, sigue siendo rating A. La razón es la misma de antes: el datacenter es solo el 15% del pastel. Cuando la página ya pesa 45 KB, no hay mucho margen para que el hosting mueva la aguja.

La comparación que importa

Mi propia herramienta cita HTTP Archive 2024 como referencia sectorial: la mediana de la web es 0,50 g CO₂eq por visita. Mi portfolio está en 0,014 g — 35 veces menos.

Proyectado a tráfico real:

Visitas/mes	CO₂eq/mes	CO₂eq/año
1.000	14 mg	0,17 g
5.000	71 mg	0,85 g
10.000	141 mg	1,69 g

Para contexto: un sitio en la mediana del sector, con el mismo tráfico de 10.000 visitas/mes, emitiría del orden de 60 g CO₂eq/año — 35 veces más que el mío con el mismo volumen de visitas.

Lo que se puede replicar (sin depender de mi herramienta)

Mide de verdad, no estimes. performance.getEntriesByType('resource') en la consola de cualquier navegador te da el peso real de tu página en segundos, gratis, sin instalar nada.
Verifica el hosting verde en vez de confiar en el marketing del proveedor. La API de Green Web Foundation es pública y gratuita: api.thegreenwebfoundation.org/greencheck/tudominio.com.
El diseño pesa más que el hosting. Si tu página tiene fotos de stock de 2 MB, ningún certificado de hosting verde va a compensar eso — el dispositivo de quien te visita (52% del consumo en el modelo SWD) va a quemar esa energía sí o sí.
SVG inline en vez de imágenes elimina peticiones de red por completo para iconografía y gráficos simples — es la palanca individual más grande que usé aquí, y no tiene nada que ver con "sostenibilidad" en el sentido tradicional, es simplemente buena ingeniería frontend.

Código y herramienta

Herramienta gratuita, sin registro: Carbon Calculator
Código fuente (GPL-2.0-or-later): github.com/yelmartinezseo/greentech-carbon-calculator
DOI archivado: 10.5281/zenodo.22771008

Yel Martínez — Digital Strategist & Technologist. Desarrollo herramientas ESG open source (Carbon Calculator, YM Analytics Intelligence, Greenwashing Audit Toolkit, entre otras) sin dependencias de terceros y con la metodología siempre citada a su fuente original.

Analyzing the severity of car accidents

Yel Martínez — Fri, 28 Aug 2020 08:54:38 +0000

Business problem - Introduction

1. A description of the problem and a discussion of the background

Traffic accidents represent one of the leading causes of death worldwide and of economic expenditure. Despite the numerous measures and campaigns that are deployed every year to raise awareness of the seriousness of the problem, it still occurs quite frequently. The impact of road accidents on society and the economy is high, and human losses are compounded by large expenditures on health care, awareness campaigns, mobilization of specialized personnel, etc. The WHO sets the economic impact of road accidents in a developed country at 2 to 3% of GDP, a significant figure for any country. Collaboration to reduce these losses has become an important issue of general interest.

Defining the problem:

What are the factors that have a high impact on road accidents?
Is there a pattern to them?
Correlation?

We will have to analyze the data to get a clearer picture and draw conclusions.

Introduction

Note that this work represents the final project of the IBM certification course, for which we have provided the data with which we will develop the project.

These data have been collected and shared by the Seattle Police Department (Traffic Records) and are provided by Coursera for downloading through a link.

It takes into account a period of time from 2004 to the present, recording information related to the severity of the traffic accident, location, type of collision, weather and road conditions, visibility, number of people involved, etc.

The objective is to define the problem, to find the factors that can have a relevant weight in the quantity and seriousness of the accidents, so that any organism, company or enterprise interested in reducing these figures, can focus the resources in points where these conditions converge.

In order to provide greater clarity, I will try to analyze the data, see if there are relationships or patterns, especially in high impact accidents, so that preventive measures can focus on these points as a first prevention strategy.

Data to be used

2. A description of the data and how it will be used to solve the problem

For an accurate prediction of the magnitude of damage caused by accidents, they require a large number of reports on traffic accidents with accurate data to train prediction models. The data set provided for this work allows the analysis of a record of 200,000 accidents in the state of Seattle, from 2004 to the date it is issued, in which 37 attributes or variables are recorded and the codification of the type of accident is allowed, grouped according to 84 codes. The information can be extracted from it:

speed information
information on road conditions and visibility
type of collision
affected persons, etc

The data will be used so that we can determine which attributes are most common in traffic accidents in order to target prevention at these high-incidence points.

Data Source

Data Source: These data have been collected and shared by the Seattle Police Department (Traffic Records) and are provided by Coursera for downloading through a link.

Data Location: Coursera_Capstone/Data assets

Data set name: Data-Collisions (1)_shaped.csv

Methodology

Objective: The objective of this project is to predict the severity of a traffic accident based on the other characteristics contained in the report.

Packages and libraries: We will use libraries and packages for both data manipulation and data visualization. PANDA, NUMPY, SCIPY, Matplotlib, Seaborn

A data analysis will be performed in order to determine what type of methodology and learning of the machine will be the most appropriate, in addition to obtaining a first contact with the data that we find more relevant to use in this project.

Obtaining and cleaning data

Importing libraries and packages

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report
from sklearn.tree import DecisionTreeClassifier
from sklearn import svm
from sklearn.metrics import f1_score
from sklearn.metrics import accuracy_score
from sklearn import preprocessing
from sklearn.linear_model import LogisticRegression
print('imported')

Uploading the data

df_data_1 = pd.read_csv(Data-Collisions.csv)
df_data_1.head()

# choosing the data we will work with
test = ['SEVERITYCODE', 'SPEEDING','ROADCOND']
df_data_1 = df_data_1[test]

# obtaining data dimensions
for feature in ["SPEEDING", "ROADCOND"]:
    print(df_data_1[feature].unique())

['N' 'Y']
['Wet' 'Dry' 'Unknown' 'Snow/Slush' 'Ice' 'Other' 'Sand/Mud/Dirt'
'Standing Water' 'Oil']

# in speed we replace Nan with a negative value N
df_data_1['SPEEDING'] = df_data_1['SPEEDING'].fillna('N')


#we replace the value Nan declaring it as unknown too

df_data_1['ROADCOND'] = df_data_1['ROADCOND'].fillna('Unknown')

# checking value once again...
for feature in ["SPEEDING", "ROADCOND"]:
    print(df_data_1[feature].unique())

['N' 'Y']
['Wet' 'Dry' 'Unknown' 'Snow/Slush' 'Ice' 'Other' 'Sand/Mud/Dirt'
'Standing Water' 'Oil']

# We assign new values to roadcond
df_data_1['ROADCOND'].replace(to_replace=['Wet','Dry','Unknown','Snow/Slush','Ice','Other','Sand/Mud/Dirt','Standing Water','Oil'], value = ['Dangerous','Normal','Normal','Dangerous','Dangerous','Normal','Dangerous','Dangerous','Dangerous'], inplace=True)

df_data_1["SPEEDING"].replace(to_replace=['N', 'Y'], value=[0,1], inplace=True)
df_data_1['ROADCOND'].replace(to_replace=['Dangerous','Normal'],value=[0,1],inplace=True)
test_condition = df_data_1[['SPEEDING','ROADCOND']]
test_condition.head()

| | SPEEDING | ROADCOND |
| ------------- |:----------:|
| 0 | 0 | 0 |
| 1 | 0 | 0 |

| 2 | 0 | 1 |

| 3 | 0 | 1 |
| 4 | 0 | 0 |

Training the model

x = test_condition
y = df_data_1['SEVERITYCODE'].values.astype(str)
x = preprocessing.StandardScaler().fit(x).transform(x)
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=1234)

# obtaining data dimensions
print("Training set: ", x_train.shape, y_train.shape)
print("Testing set: ", x_test.shape, y_test.shape)

Training set: (155738, 2) (155738,)
Testing set: (38935, 2) (38935,)

Selecting the methods: Tree model, Logistic Regression and KNN methodology

#Tree model
Tree_model = DecisionTreeClassifier(criterion="entropy", max_depth = 4)
Tree_model.fit(x_train, y_train)
predicted = Tree_model.predict(x_test)
Tree_f1 = f1_score(y_test, predicted, average='weighted')
Tree_acc = accuracy_score(y_test, predicted)

#Logistic Regression
LR_model = LogisticRegression(C=0.01, solver='liblinear').fit(x_train, y_train)
predicted = LR_model.predict(x_test)
LR_f1 = f1_score(y_test, predicted, average='weighted')
LR_acc = accuracy_score(y_test, predicted)

#KNN methodology
KNN_model = KNeighborsClassifier(n_neighbors = 4).fit(x_train, y_train)
predicted = KNN_model.predict(x_test)
KNN_f1 = f1_score(y_test, predicted, average='weighted')
KNN_acc = accuracy_score(y_test, predicted)

Results

Comparing the results obtained

results = {
    "Method of Analisys": ["KNN", "Decision Tree", "LogisticRegression"],
    "F1-score": [KNN_f1, Tree_f1, LR_f1],
    "Accuracy": [KNN_acc, Tree_acc, LR_acc]
}

results = pd.DataFrame(results)
results

| | Method of Analisys | F1-score | Accuracy |
| ---------------------- |:--------:| :-------:|
| 0 | KNN | 0.591378 | 0.69675 |
| 1 | Decision Tree | 0.576051 | 0.699679|

| 2 | LogisticRegression | 0.576051 | 0.699679|

# Comparing results using LR
results = {
    "Intercept": LR_model.intercept_,
    "SPEEDING ": LR_model.coef_[:,0],
    "ROADCOND ": LR_model.coef_[:,1],
}

results = pd.DataFrame(results)
results

| | Intercept | SPEEDING | ROADCOND |
| ----- ------- |:--------:| :--------:|
| 0 | -0.853729 | 0.067702 | -0.068295 |

Looking at the results obtained in the comparison, it is understood that speed and road conditions influence the severity of traffic accidents.

SQL for dummies

Yel Martínez — Sun, 10 May 2020 19:56:24 +0000

SQL is a structured query language through which it is possible to access, manage and retrieve data contained in a relational database, including the creation of databases, the deletion and recovery of rows or the modification of these, etc. SQL is an ANSI (American National Standards Institute) standard language, although there are multiple versions of this language.

SQL is the standard computer language used in relational database management systems (RDMS) such as MySQL, MS Access, Oracle, Sybase, Informix, Postgres and SQL Server.

SQL Functionalities

SQL is one of the most widely used query languages in relational database management because of the utilities it offers users:

access to data contained in relational databases,
the description of the data,
defining the data within a database,
the manipulation of these,
embedding in other languages through the use of SQL modules, libraries and pre-compilers
the creation of databases and tables,
the **[views, procedures and functions](https://www.coursera.org/account/accomplishments/verify/SF9MPC4NSUQL?utm_campaign=sharing_cta&utm_content=cert_image&utm_medium=certificate&utm_product=course&utm_source=link)**,
establish permissions on tables, procedures and views.
Among other functionalities.

Components involved in the SQL process

When a SQL command is executed for an RDBMS, the system determines the best way to process that request, while the SQL engine determines how to interpret that command.

Among the components involved in this process are the query dispatcher, optimization engines, the classic query engine, the SQL query engine, etc.

Note that the classic query engine handles non- SQL queries, just as the SQL query engine does not handle logical files.

Main SQL commands

The main standard SQL commands with which to interact with relational databases are CREATE, SELECT, INSERT, UPDATE, DELETE and DROP. These commands are classified in groups according to their typology.

RDBMS - relational database management system

DBMS - database management system

RDBMS - Relational Database Management System

The Relational Database Management System, known as RDBMS, is a database management system (DBMS) based on Edgar Frank Codd's relational model. On this relational model the ANSI and ISO standards of the management language, definition and manipulation of the SQL relational databases have been defined. It is the basis of SQL and other database systems such as MS SQL Server, Oracle, MySQL or Microsoft Access.

Parts of a table in SQL

Explaining what a table is in SQL

In a relational database management system, data is stored in database objects called tables, which collect multiple data entries and consist of numerous rows and columns.

The table is the simplest and most widely used form of data storage within a relational database.

Explaining what a field is in SQL

Each of the SQL tables are divided into fields or columns within a table, designed to contain information specific to each record in the corresponding table.

Explaining what a record or row is in SQL

A record is a horizontal entity in a table. Each individual entry in a table is a data row.

Explaining what a column is in SQL

A column is a vertical entity in a table, which contains information related to a specific field within the table.

Explaining what a NULL value is in SQL

A field with a NULL value is a field that is left blank during the creation of a record. In a table, a NULL value represents a field with no value, other than a zero value or a field with spaces.

Constraints in SQL

When we talk about constraints in SQL, we refer to the rules that have been defined for the data columns in a table. These constraints are used to limit the type of data that a table can contain, guaranteeing the reliability of the data.

These restrictions can be defined at column or table level, applying only to one column in the first case and to the whole table if it is the second case.

Some of the most common restrictions you can find in SQL are

NOT NULL constraint (makes a column unable to contain a NULL value)
DEFAULT restriction (assigns a default value to a column when one is not specified)
Single restriction (makes the values of one column different)
PRIMARY KEY (makes the identification of each row or record unique within a database table)
Foreign key (makes the identification of each row or record unique in any other database table)
Checking restriction (ensures that the values in a column meet specific conditions)

Categories of Data Integrity in SQL

The data integrity categories of each RDBMS are:

- Entity integrity (no duplicate rows in a table)

- Domain integrity (restricts the type, format, and value range that applies to valid entries for a column within a table)

- **[Referential integrity](https://www.linkedin.com/in/yel-martinez-informatica-seo-desarrollo-web-posicionamiento-buscadores/details/recommendations/)** (makes rows in a table that are being used by other records impossible to delete)

- User-defined integrity (other specific rules not included above apply)

Standardization of a SQL database

Standardization of a SQL database consists of a series of guidelines established as a guide for the optimal creation of a database structure.

SQL database normalization is the process of organizing data in a database efficiently, eliminating duplicate data and ensuring that data dependencies make sense. Normalization seeks to reduce the amount of space used in a database and ensure that data is stored in a logical manner.

Basic SQL Syntax

A syntax is a unique set of rules and guidelines. In [SQL, the syntax](https://www.credly.com/badges/b0809aba-1bde-43fb-aa29-7815fdef90a2) states that all declarations start with one of the keywords SELECT, INSERT, UPDATE, DELETE, ALTER, DROP, CREATE, USE, SHOW and end with a semicolon.

It is important to note that SQL is not case sensitive in SQL declarations, while MySQL is case sensitive in table names, so you will need to handle the table names as defined in the database.

SQL data types

In SQL, the attributes that specify the type of data an object will contain are known as the SQL Data Type.

Each column, variable, and expression has a related data type. These can be used when creating tables by choosing the data type to be used for a table column.

These data types are divided into six categories in SQL Server

data types categories

- Exact numerical data types

- Types of approximate numerical data

- Types of date and time data

- Character string data types

- Unicode string data types

- Binary data types

- Various types of data

The SQL operators

In SQL, when we speak of operators, we refer to reserved words or characters, used mainly in the WHERE clause of a SQL statement, in order to carry out arithmetic operations, comparisons, etc.

These operators are used to specify conditions within a SQL statement.

Types of SQL operators include arithmetic operators, comparison operators, and logical operators.