Elaborado por: Juan Carlos Villalba Acevedo

Presentado a: Prof. David Arango Londoño

1. Selección de Columnas

Se procede a seleccionar las tres columnas que serán la base para la generación de los mapas.

Encuesta = EncuestaOrigenDestino[, c("comunaorigen", "comunadestino", "TIPODEVEHICULO")]

head(Encuesta,5)
## # A tibble: 5 × 3
##   comunaorigen comunadestino TIPODEVEHICULO
##   <chr>        <chr>         <chr>         
## 1 02           22            2             
## 2 FueradeCali  19            3             
## 3 FueradeCali  03            2             
## 4 FueradeCali  09            2             
## 5 FueradeCali  02            2

2. Comuna Origen

2.1. Consolidación de Datos

A continuación se procede a consolidar los datos por la columna “comunaorigen” para obtener la cantidad de valores que tiene cada valor único.

ComunaOrigen = table(Encuesta$comunaorigen)
ComunaOrigen = as.data.frame(ComunaOrigen)
colnames(ComunaOrigen) <- c("comuna", "conteo")
ComunaOrigen <- ComunaOrigen[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaOrigen$comuna <- as.integer(as.character(ComunaOrigen$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaOrigen
##    comuna conteo
## 2       1    794
## 3       2   2968
## 4       3   2121
## 5       4   1493
## 6       5    664
## 7       6    998
## 8       7    734
## 9       8   1124
## 10      9    952
## 11     10   1401
## 12     11    925
## 13     12    348
## 14     13   1238
## 15     14    685
## 16     15   1171
## 17     16    993
## 18     17   2377
## 19     18   1536
## 20     19   2850
## 21     20    733
## 22     21    818
## 23     22   1153

2.2. Mapa Comuna Origen

ComunaOrigen_shp <- merge(comunas, ComunaOrigen, by = "comuna")
spplot(ComunaOrigen_shp[,5],)

3. Comuna Destino

3.1. Consolidación de Datos

A continuación se procede a consolidar los datos por la columna “comunadestino” para obtener la cantidad de valores que tiene cada valor único.

ComunaDestino = table(Encuesta$comunadestino)
ComunaDestino = as.data.frame(ComunaDestino)
colnames(ComunaDestino) <- c("comuna", "conteo")
ComunaDestino <- ComunaDestino[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaDestino$comuna <- as.integer(as.character(ComunaDestino$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaDestino
##    comuna conteo
## 2       1    230
## 3       2   4810
## 4       3   3859
## 5       4   1856
## 6       5    522
## 7       6    716
## 8       7    748
## 9       8   1025
## 10      9   1279
## 11     10    927
## 12     11    564
## 13     12    246
## 14     13    673
## 15     14    379
## 16     15    579
## 17     16    743
## 18     17   2164
## 19     18    662
## 20     19   3158
## 21     20    351
## 22     21    515
## 23     22   1860

3.2. Mapa Comuna Destino

ComunaDestino_shp <- merge(comunas, ComunaDestino, by = "comuna")
spplot(ComunaDestino_shp[,5],)

4. Filtro por Tipo de Vehículo (Bicicleta)

A continuación se procede a filtrar los datos por tipo de vehículo Bicileta:

Bicicleta = subset(Encuesta, TIPODEVEHICULO == 1)
Bicicleta
## # A tibble: 1,731 × 3
##    comunaorigen comunadestino TIPODEVEHICULO
##    <chr>        <chr>         <chr>         
##  1 FueradeCali  02            1             
##  2 06           04            1             
##  3 02           02            1             
##  4 02           19            1             
##  5 02           FueradeCali   1             
##  6 02           02            1             
##  7 02           02            1             
##  8 FueradeCali  20            1             
##  9 07           FueradeCali   1             
## 10 02           FueradeCali   1             
## # ℹ 1,721 more rows

4.1. Consolidación de Datos Comuna Origen (Bicicleta)

ComunaOrigenBici = table(Bicicleta$comunaorigen)
ComunaOrigenBici = as.data.frame(ComunaOrigenBici)
colnames(ComunaOrigenBici) <- c("comuna", "conteo")
ComunaOrigenBici <- ComunaOrigenBici[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaOrigenBici$comuna <- as.integer(as.character(ComunaOrigenBici$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaOrigenBici
##    comuna conteo
## 2       1     36
## 3       2    159
## 4       3     99
## 5       4     74
## 6       5     38
## 7       6     44
## 8       7     35
## 9       8     52
## 10      9     53
## 11     10     82
## 12     11     52
## 13     12     14
## 14     13     76
## 15     14     37
## 16     15     70
## 17     16     73
## 18     17    141
## 19     18    111
## 20     19    141
## 21     20     46
## 22     21     44
## 23     22     55

4.2. Mapa Comuna Origen (Bicicleta)

ComunaOrigenBici_shp <- merge(comunas, ComunaOrigenBici, by = "comuna")
spplot(ComunaOrigenBici_shp[,5],)

4.3. Consolidación de Datos Comuna Destino (Bicicleta)

ComunaDestinoBici = table(Bicicleta$comunadestino)
ComunaDestinoBici = as.data.frame(ComunaDestinoBici)
colnames(ComunaDestinoBici) <- c("comuna", "conteo")
ComunaDestinoBici <- ComunaDestinoBici[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaDestinoBici$comuna <- as.integer(as.character(ComunaDestinoBici$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaDestinoBici
##    comuna conteo
## 2       1     12
## 3       2    218
## 4       3    189
## 5       4     85
## 6       5     41
## 7       6     34
## 8       7     41
## 9       8     54
## 10      9     65
## 11     10     43
## 12     11     29
## 13     12     15
## 14     13     33
## 15     14     22
## 16     15     20
## 17     16     35
## 18     17    115
## 19     18     31
## 20     19    147
## 21     20     25
## 22     21     26
## 23     22    100

4.4. Mapa Comuna Destino (Bicicleta)

ComunaDestinoBici_shp <- merge(comunas, ComunaDestinoBici, by = "comuna")
spplot(ComunaDestinoBici_shp[,5],)

5. Filtro por Tipo de Vehículo (Moto)

A continuación se procede a filtrar los datos por tipo de vehículo Moto:

Moto = subset(Encuesta, TIPODEVEHICULO == 2)
Moto
## # A tibble: 16,077 × 3
##    comunaorigen comunadestino TIPODEVEHICULO
##    <chr>        <chr>         <chr>         
##  1 02           22            2             
##  2 FueradeCali  03            2             
##  3 FueradeCali  09            2             
##  4 FueradeCali  02            2             
##  5 FueradeCali  FueradeCali   2             
##  6 FueradeCali  02            2             
##  7 06           02            2             
##  8 FueradeCali  03            2             
##  9 FueradeCali  02            2             
## 10 FueradeCali  02            2             
## # ℹ 16,067 more rows

5.1. Consolidación de Datos Comuna Origen (Moto)

ComunaOrigenMoto = table(Moto$comunaorigen)
ComunaOrigenMoto = as.data.frame(ComunaOrigenMoto)
colnames(ComunaOrigenMoto) <- c("comuna", "conteo")
ComunaOrigenMoto <- ComunaOrigenMoto[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaOrigenMoto$comuna <- as.integer(as.character(ComunaOrigenMoto$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaOrigenMoto
##    comuna conteo
## 2       1    375
## 3       2   1414
## 4       3    970
## 5       4    720
## 6       5    319
## 7       6    473
## 8       7    350
## 9       8    552
## 10      9    413
## 11     10    675
## 12     11    431
## 13     12    176
## 14     13    554
## 15     14    310
## 16     15    536
## 17     16    450
## 18     17   1136
## 19     18    746
## 20     19   1280
## 21     20    339
## 22     21    378
## 23     22    515

5.2. Mapa Comuna Origen (Moto)

ComunaOrigenMoto_shp <- merge(comunas, ComunaOrigenMoto, by = "comuna")
spplot(ComunaOrigenMoto_shp[,5],)

5.3. Consolidación de Datos Comuna Destino (Moto)

ComunaDestinoMoto = table(Moto$comunadestino)
ComunaDestinoMoto = as.data.frame(ComunaDestinoMoto)
colnames(ComunaDestinoMoto) <- c("comuna", "conteo")
ComunaDestinoMoto <- ComunaDestinoMoto[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaDestinoMoto$comuna <- as.integer(as.character(ComunaDestinoMoto$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaDestinoMoto
##    comuna conteo
## 2       1    112
## 3       2   2177
## 4       3   1734
## 5       4    846
## 6       5    215
## 7       6    323
## 8       7    353
## 9       8    470
## 10      9    608
## 11     10    419
## 12     11    254
## 13     12    128
## 14     13    346
## 15     14    188
## 16     15    271
## 17     16    327
## 18     17    927
## 19     18    302
## 20     19   1421
## 21     20    151
## 22     21    243
## 23     22    911

5.4. Mapa Comuna Destino (Moto)

ComunaDestinoMoto_shp <- merge(comunas, ComunaDestinoMoto, by = "comuna")
spplot(ComunaDestinoMoto_shp[,5],)

6. Filtro por Tipo de Vehículo (Automóvil)

A continuación se procede a filtrar los datos por tipo de vehículo Automóvil:

Auto = subset(Encuesta, TIPODEVEHICULO == 3)
Auto
## # A tibble: 14,100 × 3
##    comunaorigen comunadestino TIPODEVEHICULO
##    <chr>        <chr>         <chr>         
##  1 FueradeCali  19            3             
##  2 FueradeCali  02            3             
##  3 FueradeCali  17            3             
##  4 FueradeCali  02            3             
##  5 06           04            3             
##  6 FueradeCali  02            3             
##  7 FueradeCali  02            3             
##  8 FueradeCali  19            3             
##  9 FueradeCali  03            3             
## 10 FueradeCali  02            3             
## # ℹ 14,090 more rows

6.1. Consolidación de Datos Comuna Origen (Autómovil)

ComunaOrigenAuto = table(Auto$comunaorigen)
ComunaOrigenAuto = as.data.frame(ComunaOrigenAuto)
colnames(ComunaOrigenAuto) <- c("comuna", "conteo")
ComunaOrigenAuto <- ComunaOrigenAuto[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaOrigenAuto$comuna <- as.integer(as.character(ComunaOrigenAuto$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaOrigenAuto
##    comuna conteo
## 2       1    301
## 3       2   1121
## 4       3    854
## 5       4    551
## 6       5    241
## 7       6    389
## 8       7    283
## 9       8    420
## 10      9    382
## 11     10    529
## 12     11    361
## 13     12    123
## 14     13    486
## 15     14    272
## 16     15    456
## 17     16    385
## 18     17    899
## 19     18    559
## 20     19   1165
## 21     20    272
## 22     21    328
## 23     22    489

6.2. Mapa Comuna Origen (Automóvil)

ComunaOrigenAuto_shp <- merge(comunas, ComunaOrigenAuto, by = "comuna")
spplot(ComunaOrigenAuto_shp[,5],)

6.3. Consolidación de Datos Comuna Destino (Automóvil)

ComunaDestinoAuto = table(Auto$comunadestino)
ComunaDestinoAuto = as.data.frame(ComunaDestinoAuto)
colnames(ComunaDestinoAuto) <- c("comuna", "conteo")
ComunaDestinoAuto <- ComunaDestinoAuto[-c(1,24),] # se eliminan los registros nulos y fuera de Cali
ComunaDestinoAuto$comuna <- as.integer(as.character(ComunaDestinoAuto$comuna)) # se convierte la columna "comuna" a tipo entero
ComunaDestinoAuto
##    comuna conteo
## 2       1     86
## 3       2   2006
## 4       3   1557
## 5       4    757
## 6       5    225
## 7       6    275
## 8       7    286
## 9       8    403
## 10      9    489
## 11     10    384
## 12     11    239
## 13     12     85
## 14     13    226
## 15     14    138
## 16     15    245
## 17     16    321
## 18     17    959
## 19     18    276
## 20     19   1302
## 21     20    144
## 22     21    198
## 23     22    694

6.4. Mapa Comuna Destino (Automóvil)

ComunaDestinoAuto_shp <- merge(comunas, ComunaDestinoAuto, by = "comuna")
spplot(ComunaDestinoAuto_shp[,5],)

Conclusiones

Analizando los mapas generados se puede observar que la mayor cantidad de viajes salen de las comunas localizadas en la zona oriental de la ciudad. En la zona occidental de la ciudad la cantidad de viajes de origen y destino es mucho menor comparado con el resto de zonas de la ciudad. Este fenómeno persiste cuando se filtran los datos para viajes realizados en bicicleta, moto y automóvil. La comuna que más viajes de origen y destino tiene es la comuna número 2, por el contrario, la comuna con menos viajes de origen y destino es la comuna número 1.