Bonus colonnine domestiche

Python applicato a dati pubblicati online

Agevolazioni
Python
Opendata
MIMIT
Autore/Autrice

Paolo Volterra

Data di Pubblicazione

9 gennaio 2025

1 obiettivi dello studio

  • estrazione dati da PDF
  • elaborazione grandi file #opendata
  • gestione dati geografici (#shapefile)

Contributo a privati e condomini per l’acquisto e l’installazione di infrastrutture per la ricarica dei veicoli alimentati ad energia elettrica

Analisi realizzata con #opendata di MIMIT, ISTAT e Opencup

immagine

Il bonus colonnine domestiche è un contributo pari all’80% del prezzo di acquisto e posa delle infrastrutture per la ricarica dei veicoli alimentati ad energia elettrica (come ad esempio colonnine o wall box).

Il limite massimo del contributo è di 1.500 euro per gli utenti privati e fino a 8.000 euro in caso di installazione sulle parti comuni degli edifici condominiali.

Possono beneficiare del contributo le persone fisiche residenti in Italia e i condomìni.

Le risorse a disposizione sono pari a:

  • 40 milioni per 2022
  • 40 milioni per 2023
  • 20 milioni per 2024
file numeri righe
Allegato_A_Decreto_di_concessione_annualita_2022_bcd.pdf 561 545
Allegato_Decreto_di_concessione_annualità_2023.pdf 4992 4901
Allegato_A_Decreto_di_concessione_nuova_apertura_2023.pdf 939 939
Allegato_A_EM_Decreto_di_concessione_annualita_2024.pdf 11485 11485

2 Analisi

import pandas as pd
import os
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

pd.set_option('display.float_format', lambda x: '%.2f' % x)

2.1 Spese ad oggi ammesse e contributi complessivi concessi

os.chdir('D:\\files\\csv\\Colonnine_elettriche')
date_column = ['Data e ora presentazione domanda']
combined_df =  pd.read_csv('combined.csv', parse_dates=date_column, dayfirst=False)
combined_df[['Spese Ammesse (€)','Contributo Concesso (€)']].sum()
Spese Ammesse (€)         30368778.47
Contributo Concesso (€)   21095793.24
dtype: float64
combined_df.describe()
Unnamed: 0 N. Data e ora presentazione domanda Spese Ammesse (€) Contributo Concesso (€)
count 17951.00 17951.00 17951 17951.00 17951.00
mean 8975.00 3735.90 2024-05-25 20:51:53.760013568 1691.76 1175.19
min 0.00 1.00 2023-10-19 10:10:05 120.00 96.00
25% 4487.50 130.50 2023-11-21 19:45:54.500000 1222.45 977.96
50% 8975.00 2509.00 2024-07-09 19:55:35 1500.00 1200.00
75% 13462.50 6997.50 2024-09-24 10:50:55 1800.00 1440.00
max 17950.00 11485.00 2024-11-22 10:58:59 1664545.00 8000.00
std 5182.15 3770.14 NaN 12470.89 403.01

2.2 Boxplot contributi concessi

# Rimuovi eventuali simboli di valuta e converti in numerico
combined_df['Contributo Concesso (€)'] = combined_df['Contributo Concesso (€)'].replace('[€,]', '', regex=True).astype(float)

# Rimuovi eventuali valori NaN
combined_df_clean = combined_df.dropna(subset=['Contributo Concesso (€)'])

# Genera il boxplot
plt.figure(figsize=(10, 6))
combined_df_clean['Contributo Concesso (€)'].plot(kind='box')
plt.title('Boxplot dei Contributi Concessi (€)', fontsize=14)
plt.ylabel('Contributi Concessi (€)', fontsize=12)
plt.grid(axis='y', linestyle='--', alpha=0.7)
plt.show()

2.3 Histplot

# Funzione per generare il grafico e calcolare i dati dinamicamente
def plot_histogram_with_bins(data, column, bins=30):
    # Rimuovi eventuali simboli di valuta e converti in numerico
    data[column] = data[column].replace('[€,]', '', regex=True).astype(float)
    data_clean = data.dropna(subset=[column])
    
    # Calcola l'istogramma con il numero di bin specificato
    counts, bin_edges = np.histogram(data_clean[column], bins=bins)
    
    # Trova il bin con il conteggio maggiore
    max_bin_index = counts.argmax()
    max_bin_range = (bin_edges[max_bin_index], bin_edges[max_bin_index + 1])
    max_bin_center = (max_bin_range[0] + max_bin_range[1]) / 2
    
    # Stampa i risultati
    print(f"Numero di bin: {bins}")
    print(f"Il bin con il conteggio massimo è tra {max_bin_range[0]:,.2f} e {max_bin_range[1]:,.2f}.")
    print(f"Il valore centrale di questo bin è: {max_bin_center:,.2f}.")
    print(f"Il conteggio massimo è di {counts[max_bin_index]}.")
    
    # Genera l'istogramma
    plt.figure(figsize=(10, 6))
    sns.histplot(data=data_clean, x=column, kde=True, bins=bins)
    plt.title(f'Distribuzione di {column} - {bins} Bin', fontsize=14)
    plt.xlabel(column, fontsize=12)
    plt.ylabel('Frequenza', fontsize=12)
    plt.grid(axis='y', linestyle='--', alpha=0.7)
    
    # Evidenzia il bin con il conteggio maggiore
    plt.axvspan(max_bin_range[0], max_bin_range[1], color='orange', alpha=0.3, label='Bin con conteggio massimo')
    plt.axvline(max_bin_center, color='red', linestyle='--', label=f'Valore centrale: {max_bin_center:,.2f}')
    plt.legend()
    plt.show()

# Esempio di utilizzo
plot_histogram_with_bins(combined_df, 'Contributo Concesso (€)', bins=50)
Numero di bin: 50
Il bin con il conteggio massimo è tra 1,360.64 e 1,518.72.
Il valore centrale di questo bin è: 1,439.68.
Il conteggio massimo è di 5563.

2.4 merge con Opencup localizzazione

import os
os.chdir('D:/duckdb/files/Opencup')
import duckdb
conn = duckdb.connect()


conn.execute("CREATE TABLE OpenCup_Localizzazione AS SELECT * FROM 'OpenCup_Localizzazione.parquet';")

conn.register('df2', combined_df)

query = """SELECT a.*, b.* FROM  df2 a LEFT JOIN OpenCup_Localizzazione b ON a.CUP = b.CUP ;"""
result2 = conn.execute(query).df()

result2 = result2[['CUP', 'CODICE_REGIONE','REGIONE','SIGLA_PROVINCIA',  'COMUNE', 'N.',
       'ID Domanda', 'Data e ora presentazione domanda',
       'Soggetto richiedente', 'Codice fiscale', 'Spese Ammesse (€)',
       'Contributo Concesso (€)']]

result2.head()
CUP CODICE_REGIONE REGIONE SIGLA_PROVINCIA COMUNE N. ID Domanda Data e ora presentazione domanda Soggetto richiedente Codice fiscale Spese Ammesse (€) Contributo Concesso (€)
0 C42E23004680008 3 LOMBARDIA MB DESIO 2.17 BCDS2300002234 2023-11-14 15:56:45 M... C... G... G.......................794R 2150.00 1500.00
1 B42E24043420008 12 LAZIO FR ATINA 2982.00 BCDBS2400003002 2024-07-11 15:45:00 F... S... S...............838C 1727.27 1381.82
2 C42E23004900008 3 LOMBARDIA MI MILANO 2.69 BCDS2300002775 2023-11-16 21:03:10 L... P... P.......................205F 2000.00 1500.00
3 B42E24047920008 3 LOMBARDIA MI MILANO 6531.00 BCDBS2400006566 2024-09-12 08:36:09 S... B... B...............205T 3870.09 1500.00
4 B92E24043830008 6 FRIULI-VENEZIA GIULIA UD MANZANO 2318.00 BCDBS2400002337 2024-07-09 12:09:56 G... S... S...............758D 2100.00 1500.00

2.4.1 per regione

result2['REGIONE'].count()
17951
result2_grouped = result2.groupby(['REGIONE', 'CODICE_REGIONE']).size().reset_index(name='COUNT') # Raggruppa per REGIONE e seleziona CODICE_REGIONE
result2_grouped_sorted = result2_grouped.sort_values(by='CODICE_REGIONE', ascending=True) # Ordina per CODICE_REGIONE (non per COUNT)
print(result2_grouped_sorted[['REGIONE','COUNT']]) # Mostra il risultato
                  REGIONE  COUNT
11               PIEMONTE   1261
18          VALLE D'AOSTA     77
8               LOMBARDIA   4868
16    TRENTINO-ALTO ADIGE    535
19                 VENETO   2338
5   FRIULI-VENEZIA GIULIA    696
7                 LIGURIA    221
4          EMILIA-ROMAGNA   1777
15                TOSCANA    872
17                 UMBRIA    230
9                  MARCHE    493
6                   LAZIO   1900
0                 ABRUZZO    278
10                 MOLISE     47
3                CAMPANIA    618
12                 PUGLIA    595
1              BASILICATA     87
2                CALABRIA    203
14                SICILIA    581
13               SARDEGNA    274
# Raggruppa i dati per COMUNE e conta le occorrenze
comuni_count = result2.groupby('COMUNE').size()

# Calcola le frequenze: quanti comuni hanno lo stesso numero di occorrenze
frequenza_comuni = comuni_count.value_counts().sort_index()

# Converte in DataFrame
frequenza_comuni_df = frequenza_comuni.reset_index()
frequenza_comuni_df.columns = ['Occorrenze', 'Numero di Comuni']

# Raggruppa per intervalli di occorrenze (opzionale, per esempio in gruppi di 10)
frequenza_comuni_df['Intervalli'] = pd.cut(frequenza_comuni_df['Occorrenze'], bins=range(0, frequenza_comuni_df['Occorrenze'].max() + 10, 10), right=False)

# Raggruppa per intervalli (se applicabile)
raggruppati = frequenza_comuni_df.groupby('Intervalli')['Numero di Comuni'].sum().reset_index()

# Mostra il risultato
raggruppati
C:\Users\paolo\AppData\Local\Temp\ipykernel_24916\338649489.py:15: FutureWarning:

The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
Intervalli Numero di Comuni
0 [0, 10) 3478
1 [10, 20) 232
2 [20, 30) 60
3 [30, 40) 16
4 [40, 50) 9
... ... ...
103 [1030, 1040) 0
104 [1040, 1050) 0
105 [1050, 1060) 0
106 [1060, 1070) 0
107 [1070, 1080) 1

108 rows × 2 columns

import pandas as pd

# Raggruppa i dati per COMUNE e conta le occorrenze
comuni_count = result2.groupby('COMUNE').size()

# Calcola le frequenze: quanti comuni hanno lo stesso numero di occorrenze
frequenza_comuni = comuni_count.value_counts().sort_index()

# Converte in DataFrame
frequenza_comuni_df = frequenza_comuni.reset_index()
frequenza_comuni_df.columns = ['Occorrenze', 'Numero di Comuni']

# Raggruppa per intervalli di occorrenze
frequenza_comuni_df['Intervalli'] = pd.cut(frequenza_comuni_df['Occorrenze'], 
                                           bins=range(0, frequenza_comuni_df['Occorrenze'].max() + 10, 10), 
                                           right=False)

# raggruppati = frequenza_comuni_df.groupby('Intervalli')['Numero di Comuni'].sum().reset_index()
# raggruppati = raggruppati[raggruppati['Numero di Comuni'] > 0]
raggruppati = frequenza_comuni_df.groupby('Intervalli', observed=True)['Numero di Comuni'].sum().reset_index()
print(raggruppati)
      Intervalli  Numero di Comuni
0        [0, 10)              3478
1       [10, 20)               232
2       [20, 30)                60
3       [30, 40)                16
4       [40, 50)                 9
5       [50, 60)                 6
6       [60, 70)                 2
7       [70, 80)                 3
8       [80, 90)                 1
9      [90, 100)                 1
10    [100, 110)                 4
11    [110, 120)                 2
12    [120, 130)                 1
13    [650, 660)                 1
14  [1070, 1080)                 1
import matplotlib.pyplot as plt

# Crea il grafico a barre
plt.figure(figsize=(10, 6))
plt.bar(raggruppati['Intervalli'].astype(str), raggruppati['Numero di Comuni'])

# Personalizza il grafico
plt.title('Distribuzione dei Comuni per Intervalli di Occorrenze', fontsize=16)
plt.xlabel('Intervalli di Occorrenze', fontsize=12)
plt.ylabel('Numero di Comuni', fontsize=12)
plt.xticks(rotation=45, ha='right')  # Ruota le etichette sull'asse x per leggibilità
plt.grid(axis='y', linestyle='--', alpha=0.7)

# Mostra il grafico
plt.tight_layout()
plt.show()

# Raggruppa i dati per COMUNE e conta le occorrenze
comuni_count = result2.groupby('COMUNE').size()

# Filtra i comuni con un numero di occorrenze inferiore o uguale a 10
comuni_max_10 = comuni_count[comuni_count >= 400].index.unique()

# Mostra i comuni unici
print(comuni_max_10)
Index(['MILANO', 'ROMA'], dtype='object', name='COMUNE')
# Calcola il numero di occorrenze per ogni comune
comuni_count = result2.groupby('COMUNE').size().reset_index()
comuni_count.columns = ['COMUNE', 'Occorrenze']

# Aggiungi una colonna per gli intervalli
comuni_count['Intervalli'] = pd.cut(comuni_count['Occorrenze'], 
                                    bins=range(0, comuni_count['Occorrenze'].max() + 10, 10), 
                                    right=False)

# Raggruppa i comuni per intervalli
comuni_per_intervallo = comuni_count.groupby('Intervalli')['COMUNE'].unique().reset_index()

# Mostra il risultato
print(comuni_per_intervallo)
       Intervalli                                             COMUNE
0         [0, 10)  [ABBADIA LARIANA, ACATE, ACERRA, ACI BONACCORS...
1        [10, 20)  [ABANO TERME, ABBIATEGRASSO, AGRIGENTO, ALBA, ...
2        [20, 30)  [AGEROLA, ALBIGNASEGO, ALESSANDRIA, ANZIO, ARE...
3        [30, 40)  [ANCONA, CARPI, FIUMICINO, GUIDONIA MONTECELIO...
4        [40, 50)  [BARI, BUSTO ARSIZIO, CAGLIARI, CESENA, FORLI'...
..            ...                                                ...
103  [1030, 1040)                                                 []
104  [1040, 1050)                                                 []
105  [1050, 1060)                                                 []
106  [1060, 1070)                                                 []
107  [1070, 1080)                                             [ROMA]

[108 rows x 2 columns]
C:\Users\paolo\AppData\Local\Temp\ipykernel_24916\1272126017.py:11: FutureWarning:

The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.

# Calcola il numero di occorrenze per ogni comune
comuni_count = result2.groupby('COMUNE').size().reset_index()
comuni_count.columns = ['COMUNE', 'Occorrenze']

# Aggiungi una colonna per gli intervalli
comuni_count['Intervalli'] = pd.cut(comuni_count['Occorrenze'], 
                                    bins=range(0, comuni_count['Occorrenze'].max() + 10, 10), 
                                    right=False)

# Raggruppa i comuni per intervalli, escludendo i raggruppamenti con valore 0
comuni_per_intervallo = comuni_count.groupby('Intervalli').filter(lambda x: x['Occorrenze'].sum() > 0)

# Raggruppa nuovamente per intervalli e ottieni i comuni unici
comuni_per_intervallo = comuni_per_intervallo.groupby('Intervalli')['COMUNE'].unique().reset_index()

# Mostra il risultato
(comuni_per_intervallo)
C:\Users\paolo\AppData\Local\Temp\ipykernel_24916\1766664538.py:11: FutureWarning:

The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.

C:\Users\paolo\AppData\Local\Temp\ipykernel_24916\1766664538.py:14: FutureWarning:

The default of observed=False is deprecated and will be changed to True in a future version of pandas. Pass observed=False to retain current behavior or observed=True to adopt the future default and silence this warning.
Intervalli COMUNE
0 [0, 10) [ABBADIA LARIANA, ACATE, ACERRA, ACI BONACCORS...
1 [10, 20) [ABANO TERME, ABBIATEGRASSO, AGRIGENTO, ALBA, ...
2 [20, 30) [AGEROLA, ALBIGNASEGO, ALESSANDRIA, ANZIO, ARE...
3 [30, 40) [ANCONA, CARPI, FIUMICINO, GUIDONIA MONTECELIO...
4 [40, 50) [BARI, BUSTO ARSIZIO, CAGLIARI, CESENA, FORLI'...
... ... ...
103 [1030, 1040) []
104 [1040, 1050) []
105 [1050, 1060) []
106 [1060, 1070) []
107 [1070, 1080) [ROMA]

108 rows × 2 columns

# Importa le librerie necessarie
import pandas as pd

# Calcola il numero di occorrenze per ogni comune
comuni_count = result2.groupby('COMUNE').size().reset_index()
comuni_count.columns = ['COMUNE', 'Occorrenze']

# Aggiungi una colonna per gli intervalli
comuni_count['Intervalli'] = pd.cut(comuni_count['Occorrenze'], 
                                    bins=range(0, comuni_count['Occorrenze'].max() + 10, 10), 
                                    right=False)

# Raggruppa per intervalli e ottieni i comuni unici
comuni_per_intervallo = comuni_count.groupby('Intervalli', observed=False)['COMUNE'].unique().reset_index()

# Filtra per rimuovere intervalli con liste vuote
comuni_per_intervallo = comuni_per_intervallo[comuni_per_intervallo['COMUNE'].str.len() > 0]

# Mostra il risultato
(comuni_per_intervallo)
Intervalli COMUNE
0 [0, 10) [ABBADIA LARIANA, ACATE, ACERRA, ACI BONACCORS...
1 [10, 20) [ABANO TERME, ABBIATEGRASSO, AGRIGENTO, ALBA, ...
2 [20, 30) [AGEROLA, ALBIGNASEGO, ALESSANDRIA, ANZIO, ARE...
3 [30, 40) [ANCONA, CARPI, FIUMICINO, GUIDONIA MONTECELIO...
4 [40, 50) [BARI, BUSTO ARSIZIO, CAGLIARI, CESENA, FORLI'...
5 [50, 60) [COMO, FERRARA, LATINA, PERUGIA, RAVENNA, VICE...
6 [60, 70) [FIRENZE, UDINE]
7 [70, 80) [BERGAMO, MONZA, VENEZIA]
8 [80, 90) [REGGIO NELL'EMILIA]
9 [90, 100) [BOLOGNA]
10 [100, 110) [BRESCIA, PARMA, TRENTO, VERONA]
11 [110, 120) [MODENA, TORINO]
12 [120, 130) [PADOVA]
65 [650, 660) [MILANO]
107 [1070, 1080) [ROMA]

2.5 mappa Italia

import geopandas as gpd
comuni = result2.groupby('COMUNE')['COMUNE'].count().reset_index(name='count')
df1 = gpd.read_file('D:/files/csv/Shapefile/Limiti01012023_g/Com01012023_g/Com01012023_g_WGS84.shp')
df1['COMUNE'] = df1['COMUNE'].str.upper()
merged_gdf = df1.merge(comuni, left_on='COMUNE', right_on='COMUNE', how='inner')
# merged_gdf.to_csv('D:\\files\\csv\\Colonnine_elettriche\\merged.csv', sep='|', index = False)
ax = merged_gdf.plot(
    column='count',  # Usa la colonna 'count' per definire i colori
    cmap='tab10',  # Scegli una mappa di colori
    figsize=(12, 12),  # Imposta la dimensione
    legend=False  # Mostra la legenda
)
ax.axis('off')
plt.savefig(f"D:/Italia.png", dpi=300, bbox_inches='tight', pad_inches=0.1)
plt.show()

comuni = result2.groupby('COMUNE')['COMUNE'].count().reset_index(name='count')
df1 = gpd.read_file('D:/files/csv/Shapefile/Limiti01012023_g/Com01012023_g/Com01012023_g_WGS84.shp')
df1['COMUNE'] = df1['COMUNE'].str.upper()
merged_gdf = df1.merge(comuni, left_on='COMUNE', right_on='COMUNE', how='left')

2.6 singole regioni

for i in range(1, 21):
    # Filtra temporaneamente il DataFrame per ogni valore di COD_REG
    temp_gdf = merged_gdf.query('COD_REG == @i')
    
    # Crea una nuova figura per ogni grafico
    fig, ax = plt.subplots(figsize=(10, 10))
    
    # Traccia il confine (opzionale, usa temp_gdf o merged_gdf per i bordi)
    temp_gdf.plot(ax=ax, color='black', linewidth=5)
    
    # Traccia la mappa colorata in base alla colonna 'count'
    temp_gdf.plot(column='count', cmap='Reds', ax=ax, legend=False, missing_kwds={
            "color": "white",  # Colore per i NaN
            "edgecolor": "black",  # Contorno nero
            "linewidth": 1
        })
    
    # Aggiungi titolo e dettagli
    ax.set_title(f"Regione COD_REG = {i}", fontsize=16)
    ax.axis('off')  # Mantieni gli assi visibili (è già il comportamento predefinito)
    
    # Mostra la figura
    plt.show()

2.7 in azzurro con legenda range

import matplotlib.pyplot as plt

for i in range(1, 21):
    # Filtra temporaneamente il DataFrame per ogni valore di COD_REG
    temp_gdf = merged_gdf.query('COD_REG == @i')
    
    # Crea una nuova figura per ogni grafico
    fig, ax = plt.subplots(figsize=(10, 10))
    
    # Traccia la mappa colorata in base alla colonna 'count'
    temp_gdf.plot(
        column='count',
        cmap='Blues',
        ax=ax,
        legend=True,
        edgecolor="grey",  # Colore del contorno
        linewidth=1,  # Spessore del contorno
        missing_kwds={
            "color": "white",  # Colore per i NaN
            "edgecolor": "grey",  # Contorno nero per i NaN
            "linewidth": 0.5  # Spessore coerente anche per i NaN
        }
    )
    
    # Aggiungi titolo e dettagli
    ax.set_title(f"Regione COD_REG = {i}", fontsize=16)
    ax.axis('off')  # Rimuovi assi per un aspetto più pulito
    
    # Mostra la figura
    plt.show()

2.8 comuni presenti (in verde) o assenti

comuni = result2.groupby('COMUNE')['COMUNE'].count().reset_index(name='count')
df1 = gpd.read_file('D:/files/csv/Shapefile/Limiti01012023_g/Com01012023_g/Com01012023_g_WGS84.shp')
df1['COMUNE'] = df1['COMUNE'].str.upper()
merged_gdf = df1.merge(comuni, left_on='COMUNE', right_on='COMUNE', how='left')
# merged_gdf.to_csv('D:\\files\\csv\\20241212_Colonnine elettriche\\merged.csv', sep='|', index = False)

for i in range(1, 21):
    # Filtra temporaneamente il DataFrame per ogni valore di COD_REG
    temp_gdf = merged_gdf.query('COD_REG == @i')
    
    # Crea una nuova figura per ogni grafico
    fig, ax = plt.subplots(figsize=(10, 10))
    
    # Poligoni con valori NaN (bianco con contorno nero)
    temp_gdf[temp_gdf['count'].isna()].plot(
        ax=ax,
        color='white',       # Colore interno bianco
        edgecolor='black',   # Contorno nero
        linewidth=1          # Spessore contorno uniforme
    )
    
    # Poligoni con valori validi (verde con contorno nero)
    temp_gdf[temp_gdf['count'].notna()].plot(
        ax=ax,
        color='green',       # Colore interno verde
        edgecolor='black',   # Contorno nero
        linewidth=1          # Spessore contorno uniforme
    )
    
    # Aggiungi titolo e dettagli
    ax.set_title(f"Regione COD_REG = {i}", fontsize=16)
    ax.axis('off')  # Rimuovi gli assi per un aspetto più pulito
    
    # Salva l'immagine con il nome del valore COD_REG
    # plt.savefig(f"D:/cod_reg_{i}.png", dpi=300, bbox_inches='tight')
    
    # Chiudi la figura per liberare memoria
    # plt.close(fig)
    plt.show()

2.9 Inquiry

from itables import init_notebook_mode
init_notebook_mode(all_interactive=True)
from itables import show

show(
    result2[['CUP', 'REGIONE', 'SIGLA_PROVINCIA', 'COMUNE','Data e ora presentazione domanda', 'Spese Ammesse (€)', 'Contributo Concesso (€)']],
    layout={"top1": "searchPanes"},
    searchPanes={"layout": "columns-3", "cascadePanes": True, "columns": [1,2]},
)


# result2.query('SIGLA_PROVINCIA=="ME"').sort_values(by='Data e ora presentazione domanda')
CUP REGIONE SIGLA_PROVINCIA COMUNE Data e ora presentazione domanda Spese Ammesse (€) Contributo Concesso (€)
Loading ITables v2.2.3 from the init_notebook_mode cell... (need help?)
Torna in cima