import pandas as pd
import numpy as np


data = pd.read_csv('equidad.csv', low_memory=False)
df = pd.DataFrame(data)

# Universidad DF [01]
universidad_df = pd.concat([df['Temporal'], df['Universidad']], axis=1, keys=['temporal', 'universidad'])
universidad_iteso_mask = universidad_df['universidad'] == 'ITESO'
universidad_iteso_up = universidad_df['universidad'] == 'Universidad Panamericana'
universidad_iteso_otro = universidad_df['universidad'] == 'Otro'
universidad_df['ITESO'] = pd.Categorical(np.where(universidad_iteso_mask, '1', '0'))
universidad_df['Universidad Panamericana'] = pd.Categorical(np.where(universidad_iteso_up, '1', '0'))
universidad_df['Otro'] = pd.Categorical(np.where(universidad_iteso_otro, '1', '0'))
universidad_df.to_csv('output\\universidad_df.csv')

# Experimentado [02]
experimentado_df = pd.concat([df['Temporal'], df['Experimentado']], axis=1, keys=['temporal', 'experimentado'])
experimentado_mask_si = experimentado_df['experimentado'] == 'Sí'
experimentado_mask_no = experimentado_df['experimentado'] == 'No'
experimentado_df['Si'] = pd.Categorical(np.where(experimentado_mask_si, '1', '0'))
experimentado_df['No'] = pd.Categorical(np.where(experimentado_mask_no, '1', '0'))
experimentado_df.to_csv('output\\experimentado_df.csv')

# Problemas [03]
problemas_df = pd.concat([df['Temporal'], df['ProblemasDebidoAlGenero']], axis=1, keys=['temporal', 'problemas_debido_al_genero'])
problemas_df_mask_maltrato_aulas = problemas_df['problemas_debido_al_genero'].str.contains('Maltrato en las aulas de clase')
problemas_df_mask_maltrato_social = problemas_df['problemas_debido_al_genero'].str.contains('Maltrato en el ámbito social universitario')
problemas_df_mask_acoso = problemas_df['problemas_debido_al_genero'].str.contains('Acoso sexual')
problemas_df_mask_ninguna = problemas_df['problemas_debido_al_genero'].str.contains('Ninguna de las anteriores')
problemas_df['maltrato_en_aulas_de_clase'] = pd.Categorical(np.where(problemas_df_mask_maltrato_aulas, '1', '0'))
problemas_df['maltrato_en_el_ambito_social_universitario'] = pd.Categorical(np.where(problemas_df_mask_maltrato_social, '1', '0'))
problemas_df['acoso_sexual'] = pd.Categorical(np.where(problemas_df_mask_acoso, '1', '0'))
problemas_df['ninguna_de_las_anteriores'] = pd.Categorical(np.where(problemas_df_mask_ninguna, '1', '0'))
problemas_df.to_csv('output\\problemas_df.csv')

# Mas problemas [04]
mas_problemas_df = pd.concat([df['Temporal'], df['MasProblemas']], axis=1, keys=['temporal', 'mas_problemas'])
mas_problemas_mask_academico = mas_problemas_df['mas_problemas'] == 'Académico'
mas_problemas_mask_laboral = mas_problemas_df['mas_problemas'] == 'Laboral'
mas_problemas_mask_familiar = mas_problemas_df['mas_problemas'] == 'Familiar'
mas_problemas_mask_politico = mas_problemas_df['mas_problemas'] == 'Político'
mas_problemas_mask_legal = mas_problemas_df['mas_problemas'] == 'Legal'
mas_problemas_df['academico'] = pd.Categorical(np.where(mas_problemas_mask_academico, '1', '0'))
mas_problemas_df['laboral'] = pd.Categorical(np.where(mas_problemas_mask_laboral, '1', '0'))
mas_problemas_df['familiar'] = pd.Categorical(np.where(mas_problemas_mask_familiar, '1', '0'))
mas_problemas_df['politico'] = pd.Categorical(np.where(mas_problemas_mask_politico, '1', '0'))
mas_problemas_df['legal'] = pd.Categorical(np.where(mas_problemas_mask_legal, '1', '0'))
mas_problemas_df.to_csv('output\\mas_problemas_df.csv')

# Mujeres  [05]
mujeres_pd = pd.concat([df['Temporal'], df['Mujeres']], axis=1, keys=['temporal', 'mujeres'])
mujeres_mask_academico = mujeres_pd['mujeres'] == 'Académico'
mujeres_mask_laboral = mujeres_pd['mujeres'] == 'Laboral'
mujeres_mask_familiar = mujeres_pd['mujeres'] == 'Familiar'
mujeres_mask_politico = mujeres_pd['mujeres'] == 'Político'
mujeres_mask_legal = mujeres_pd['mujeres'] == 'Legal'
mujeres_pd['academico'] = pd.Categorical(np.where(mas_problemas_mask_academico, '1', '0'))
mujeres_pd['laboral'] = pd.Categorical(np.where(mas_problemas_mask_laboral, '1', '0'))
mujeres_pd['familiar'] = pd.Categorical(np.where(mas_problemas_mask_familiar, '1', '0'))
mujeres_pd['politico'] = pd.Categorical(np.where(mas_problemas_mask_politico, '1', '0'))
mujeres_pd['legal'] = pd.Categorical(np.where(mas_problemas_mask_legal, '1', '0'))
mujeres_pd.to_csv('output\\mujeres_pd.csv')

# Hombres  [06]
hombres_pd = pd.concat([df['Temporal'], df['Hombres']], axis=1, keys=['temporal', 'hombres'])
hombres_mask_academico = hombres_pd['hombres'] == 'Académico'
hombres_mask_laboral = hombres_pd['hombres'] == 'Laboral'
hombres_mask_familiar = hombres_pd['hombres'] == 'Familiar'
hombres_mask_politico = hombres_pd['hombres'] == 'Político'
hombres_mask_legal = hombres_pd['hombres'] == 'Legal'
hombres_pd['academico'] = pd.Categorical(np.where(mas_problemas_mask_academico, '1', '0'))
hombres_pd['laboral'] = pd.Categorical(np.where(mas_problemas_mask_laboral, '1', '0'))
hombres_pd['familiar'] = pd.Categorical(np.where(mas_problemas_mask_familiar, '1', '0'))
hombres_pd['politico'] = pd.Categorical(np.where(mas_problemas_mask_politico, '1', '0'))
hombres_pd['legal'] = pd.Categorical(np.where(mas_problemas_mask_legal, '1', '0'))
hombres_pd.to_csv('output\\hombres_pd.csv')

# Estereotipos [07]
estereotipos_pd = pd.concat([df['Temporal'], df['Estereotipos']], axis=1, keys=['temporal', 'estereotipos'])
estereotipos_mask_herramientas = estereotipos_pd['estereotipos'].str.contains('Las mujeres siempre necesitan pedir ayuda a los hombres sobre problemas de construcción en la casa porque no son hábiles con las herramientas')
estereotipos_mask_multitask = estereotipos_pd['estereotipos'].str.contains('Las mujeres son buenas en multitarea')
estereotipos_mask_libido = estereotipos_pd['estereotipos'].str.contains('La libido de las mujeres es menor que la de los hombres')
estereotipos_mask_fuerza = estereotipos_pd['estereotipos'].str.contains('Las mujeres no son tan fuertes como los hombres')
estereotipos_mask_tarea_domiestica = estereotipos_pd['estereotipos'].str.contains('Se supone que las mujeres cocinan y hacen las tareas domésticas')
estereotipos_mask_mas_ingreso = estereotipos_pd['estereotipos'].str.contains('Es muy probable que cause problemas si una mujer gana más dinero que su esposo')
estereotipos_mask_a_cargo = estereotipos_pd['estereotipos'].str.contains('Las mujeres nunca pueden estar a cargo')
estereotipos_mask_hijos = estereotipos_pd['estereotipos'].str.contains('Las mujeres son mejores para criar hijos')
estereotipos_mask_trabajo = estereotipos_pd['estereotipos'].str.contains('Se supone que las mujeres tienen trabajos como maestras, enfermeras, secretarias y bibliotecarias')
estereotipos_mask_ingreso = estereotipos_pd['estereotipos'].str.contains('Se supone que las mujeres ganan menos dinero que los hombres')
estereotipos_pd['herramientas'] = pd.Categorical(np.where(estereotipos_mask_herramientas, '1', '0'))
estereotipos_pd['multitask'] = pd.Categorical(np.where(estereotipos_mask_multitask, '1', '0'))
estereotipos_pd['libido'] = pd.Categorical(np.where(estereotipos_mask_libido, '1', '0'))
estereotipos_pd['fuerza'] = pd.Categorical(np.where(estereotipos_mask_fuerza, '1', '0'))
estereotipos_pd['tarea_domestica'] = pd.Categorical(np.where(estereotipos_mask_tarea_domiestica, '1', '0'))
estereotipos_pd['mas_ingreso'] = pd.Categorical(np.where(estereotipos_mask_mas_ingreso, '1', '0'))
estereotipos_pd['a_cargo'] = pd.Categorical(np.where(estereotipos_mask_a_cargo, '1', '0'))
estereotipos_pd['hijos'] = pd.Categorical(np.where(estereotipos_mask_hijos, '1', '0'))
estereotipos_pd['trabajo'] = pd.Categorical(np.where(estereotipos_mask_trabajo, '1', '0'))
estereotipos_pd['ingreso'] = pd.Categorical(np.where(estereotipos_mask_ingreso, '1', '0'))
estereotipos_pd.to_csv('output\\estereotipos_pd.csv')

# FalsoDios [12]
falso_dios_pd = pd.concat([df['Temporal'], df['FalsoDios']], axis=1, keys=['temporal', 'falso_dios'])
falso_dios_mask_si = falso_dios_pd['falso_dios'] == 'Sí'
falso_dios_mask_no = falso_dios_pd['falso_dios'] == 'No'
falso_dios_pd['Si'] = pd.Categorical(np.where(falso_dios_mask_si, '1', '0'))
falso_dios_pd['No'] = pd.Categorical(np.where(falso_dios_mask_no, '1', '0'))
falso_dios_pd.to_csv('output\\falso_dios_pd.csv')