Leaflet de población del mundo
Diana Villasana Ocampo
Objetivo
Lo que se pretende realizar en este documento es tratar de estructurar y comprender la geometría de los mapas internacionales, en los diferentes niveles de desagregación geográfica, entendiendo que cada país tiene diferentes administraciones políticas, y sabiendo que algunas administraciones geopolíticas no serán concordantes con las de otros países. También es importante que las fuentes de información estén actualizadas y procedan de fuentes confiables.
Base de datos
La base de datos del Banco Mundial “World Countries Generalized” está compuesta por varios conjuntos de datos categorizados según diferentes temas como desarrollo económico, educación, salud, medio ambiente, deuda externa, género, población, y más. Cada categoría incluye numerosos indicadores internacionales oficiales que proporcionan estimaciones nacionales, regionales y globales actualizadas. Estas bases de datos ayudan a monitorear y analizar el progreso en diferentes áreas de desarrollo a nivel mundial.
Para más detalles, puedes visitar DataBank del Banco Mundial.
Utilizando la paquetería WDI, la cual contiene a la
función WDI proporciona un cómodo acceso a más de 40 bases
de datos alojadas en el Banco Mundial, incluidos los Indicadores del
Desarrollo Mundial (IDM), las Estadísticas de la Deuda Internacional,
Doing Business, el Índice de Capital Humano y los Indicadores de pobreza
subnacionales. Para agilizar la búsqueda, el paquete de los
WDI incluye una lista local de las series de datos
disponibles. Esta lista local puede actualizarse a la última versión
utilizando la función WDIcache.
require(WDI)
mydata <- WDI(country = "all",
indicator = c("SP.POP.TOTL"), #Población total
start = 2015,
end = 2022,
extra = TRUE) La interpolación lineal y extrapola linealmente los datos del Banco Mundial para el indicador dado y luego devuelve los datos para Los años de inicio y fin dados.
Función interpolación y extrapolación en línea recta
La función LinearlyInterpolateFlatExtrapolate realiza interpolación
lineal y extrapolación en línea recta de una serie de datos con valores
NA. Si max.extrapolate no es NA, establece
como NA los datos más allá del rango permitido de
extrapolación.
La función LinearlyInterpolateFlatExtrapolateWBData obtiene datos del Banco Mundial para un indicador específico, los ordena por país y año, y aplica interpolación y extrapolación lineal. Luego, devuelve los datos para los años de inicio y fin especificados, indicando si los datos fueron suministrados o interpolados/extrapolados.
Interpolates lineales y extrapolaciones en línea recta
Ejemplos:
LinearlyInterpolateFlatExtrapolate
c(NA, NA, 1, NA, NA), NA) devuelve
c(1, 1 , 1, 1, 1)
LineallyInterpolateFlatExtrapolate c(NA, 2, NA, 4, NA), NA)
devuelve c(2, 2, 3, 4, 4)
LinearlyInterpolateFlatExtrapolate
c(NA, NA, NA, NA, NA , NA), NA) devuelve
c(NA, NA, NA, NA, NA)
LinearlyInterpolateFlatExtrapolate c(NA, NA, 1, NA, NA), 1)
devuelve c(NA, 1, 1, 1, 1, NA)
LinearlyInterpolateFlatExtrapolate <- function(data, max.extrapolate = NA){
n <- length(data)
indexes.non.na <- which(!is.na(data))
n.not.na <- length(indexes.non.na)
if (n.not.na == 0) return(data)
x <- 1:n
data <- approx(x = x, y = data, xout = x, rule = 2:2, method = ifelse(n.not.na == 1, "constant", "linear"))$y
if (!is.na(max.extrapolate)){
# Set to NA the data beyond the permitted extrapolation range
non.na.range.min <- max(1, (min(indexes.non.na) - max.extrapolate))
non.na.range.max <- min(n, (max(indexes.non.na) + max.extrapolate))
data[setdiff(1:n, non.na.range.min:non.na.range.max)] <- NA
}
return(data)
}
LinearlyInterpolateFlatExtrapolateWBData <- function(country = "all", indicator = "NY.GNS.ICTR.GN.ZS", start = 2000, end = NA, extra = FALSE, max.extrapolate = NA){
# Linearly interpolates and straight-line extrapolates the World Bank data for the given indicator and then returns the data for the given start and end years.
require(WDI)
# Get the data for all available years and order by country and year
df.wb <- WDI(country, indicator, start = 1960, end = 3000, extra, cache = NULL)
df.wb <- df.wb[order(df.wb$country, df.wb$year),]
# Create a column that indicates whether the data were interpolated/extrapolated
df.wb$source <- ifelse(is.na(df.wb[,3]), "Interpolated/Extrapolated", "Supplied")
# Linearly interpolate and straight-line extrapolate
all.countries <- unique(df.wb$country)
for (country in all.countries){
df.wb[df.wb$country == country, indicator] <- LinearlyInterpolateFlatExtrapolate(df.wb[df.wb$country == country, indicator], max.extrapolate)
}
# Chop off the data we don't need
if (is.na(end)) end <- 3000
df.wb <- df.wb[start <= df.wb$year & df.wb$year <= end,]
return(df.wb)
}Haciendo uso de la función
LinearlyInterpolateFlatExtrapolateWBData, se puede
interpolar a la población en los países que no actualizaron sus
estadísticas en el periodo del 2015 - 2022. De esta manera
se puede tener una aproximación de la población total al año 2022 de
todos los países.
data <- LinearlyInterpolateFlatExtrapolateWBData(indicator = "SP.POP.TOTL",
country = "all",
start = 2015,
end = 2022,
max.extrapolate = 2)Una vez que se generaron los resultados, se filtran todos los
resultados para el año 2022y nos quedamos con la
información disponible para ese año.
data <- data %>%
filter(year %in% "2020") %>%
filter(country %nin% c("Not classified", "World")) %>%
filter(!is.na(iso3c)) %>%
filter(!grepl("\\d", iso2c)) %>%
dplyr::rename("Population" = "SP.POP.TOTL") %>%
filter(!is.na(Population)) %>%
left_join(., mydata %>%
select(region, iso2c) %>%
distinct(region, iso2c),
by = c("iso2c")) %>%
filter(region %nin% "Aggregates" & !is.na(region)) %>%
mutate(Percentage = .$Population / sum(.$Population, na.rm = TRUE) * 100) | World Development Indicators (WDI) | |||||||
| 2022 | |||||||
| country | iso2c | iso3c | year | Population | source | region | Percentage |
|---|---|---|---|---|---|---|---|
Shape file
El Shapefile de World Countries Generalized de
ArcGIS Hub representa los límites generalizados de los
países del mundo. Está diseñada para aplicaciones que requieren una
representación simplificada de las fronteras nacionales, facilitando el
uso en análisis y visualizaciones que no necesitan un alto nivel de
detalle geográfico. La base de datos incluye características como
nombres de países, códigos ISO, y coordenadas geográficas de las
fronteras generalizadas.
Para más detalles, visita ArcGIS Hub.
| Extent: |
|---|
XMin: -20037507.0671618 |
YMin: -30240971.9583861 |
XMax: 20037507.0671618 |
YMax: 18418386.3090785 |
Spatial Reference: 102100
(3857) |
World Administrative Divisions:
World Administrative Divisions provides a detailed basemap layer for the
country first-level administrative divisions of the world as they
existed in December 2022.
require(maptools)
# reading population data and world map shape file
world <- readShapeSpatial(paste0(here::here(), "/Shapefiles/World_Countries_(Generalized)/World_Countries_Generalized.shp"))
class(world)
## [1] "SpatialPolygonsDataFrame"
## attr(,"package")
## [1] "sp"CRS, projections and transformations
Cambios en la representación de los sistemas de referencia de
coordenadas (CRS) y las operaciones con coordenadas.
- La asignación del CRS actual: Tiene asignado el sistema
de referencia EPSG:3857 a los datos.
- Transformación al sistema de referencia WGS84: Se
transforma el objeto al sistema de referencia
EPSG:4326.
#merging population dataset with shapefile dataset
pop_shape <- world %>%
spdplyr:::left_join.Spatial(., data, by = c("ISO" = "iso2c")) %>%
filter(!is.na(Population)) %>%
filter(!is.na(region)) %>%
mutate(region = fct_relevel(.$region, c("North America", "Latin America & Caribbean", "Europe & Central Asia" , "Middle East & North Africa", "Sub-Saharan Africa", "East Asia & Pacific", "South Asia")))
# the shapefile does not have an integrated projection
proj4string(pop_shape) <- CRS("+init=epsg:3857")
pop_shape <- spTransform(pop_shape, CRSobj = CRS("+init=epsg:4326")) Primeramente, al shapefile world se le anexan los datos
obtenido del Banco Mundial y a su vez se revisa que no haya datos
faltantes.
Despues, utilizando la función proj4string de la paquetería
sp, se establecen o recuperan los atributos de proyección
en las clases que amplían el SpatialData; utlizando la función
CRS(), se establece el sistema de referencia de coordenadas
(CRS), también denominado “proyección” con su proyección original
+init=epsg:3857. Por último se transforman las coordenadas
del objeto a la nueva proyección con la función
spTransform() de la paqueteria sp.
Centroides
Se anexan los centroides, para integrar los popups al mapa.
require(BAMMtools)
pop_shape@data <- pop_shape@data %>%
cbind(., as.data.frame(coordinates(pop_shape)) %>%
rename("Longitude" = "V1","Latitude" = "V2")) %>%
mutate(quant = ntile(.$Population, 30),
NB = cut(.$Population, breaks = getJenksBreaks(.$Population, 30), include.lowest = TRUE, labels = FALSE))Utilizando la función getJenksBreaks() de la paquetería
BAMMtools, se estratifica a la población en 30 categorías
para determinar el tamaño de los circulos en el mapa.
Límites del mapa
Se obtienen los límites del mapa con la función
st_bbox() de la paquetería sp, el cual
devuelve el límite de una característica simple como un vector numérico
de longitud cuatro, con los valores xmin,
ymin, xmax e ymax.
Mapa
Se van a estructurar por partes el leaflet, para la realización del mapa del mundo.
Paleta de colores
Se va a estructurar la paleta de colores de acuerdo a la región de los países.
paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(100))(length(unique(pop_shape$region)))
mypalette <- leaflet::colorFactor(palette = paleta,
domain = forcats::fct_relevel(data$region, c("North America", "Latin America & Caribbean", "Europe & Central Asia" , "Middle East & North Africa", "Sub-Saharan Africa", "East Asia & Pacific", "South Asia")),
na.color = "transparent")Formato del título
# Estructura del título
tag.map.title <- tags$style(HTML("
.leaflet-control.map-title {
transform: translate(-50%,20%);
position: fixed !important;
left: 50%;
text-align: center;
padding-left: 10px;
padding-right: 10px;
background: rgba(255,255,255,0.75);
font-weight: bold;
font-size: 14px;
color: '#12176E';
}
"))
title <- tags$div(
tag.map.title,
HTML(paste(
"<div class='map-title'>",
"Model: Population interpolated from 2015 - 2022.<br>",
"Source: World Development Indicators (WDI) by World Bank",
"</div>"
))
)Labels for popups
fillColor <- mypalette(pop_shape$region)
## Labels for poligons shape
state_popup_country <- paste('<font size="3"; font-family: "Century Gothic"><strong>',"Country:",'</strong>','<strong>', pop_shape@data$COUNTRY,'</strong></font>','<br/>',
'<font size="2"; font-family: "Century Gothic"><strong>',"Population:",'</strong></font>','<font size="2"; font-family: "Century Gothic"; color=', fillColor,'><strong>', formatC(pop_shape@data$Population, format = "f", big.mark = " ", digits = 0),'</strong></font>','<br/>',
'<font size="2"; font-family: "Century Gothic"><strong>',"Percentage %:",'</strong></font>','<font size="2"; font-family: "Century Gothic"; color=', fillColor,'><strong>', paste(format(round(pop_shape@data$Percentage, 2), digits = 1, nsmall = 0L, scientific = FALSE, trim = TRUE), "%") ,'</strong></font>','<br/>'
) %>%
lapply(htmltools::HTML)
## Labels for circles
state_iso3c <- paste('<font size="2"; font-family: "Century Gothic"; color=', fillColor,'><strong>', pop_shape@data$iso3c,'</strong></font>','<br/>') %>%
lapply(htmltools::HTML)Leaflet
map <- leaflet(options = leafletOptions(minZoom = 2, maxZoom = 10)) %>%
setView(lng = 0, lat = 0, zoom = 2.5) %>%
addMapPane("layer1", zIndex = 420) %>% # shown above ames_lines
addMapPane("layer2", zIndex = 430) %>% # shown below
addProviderTiles(providers$CartoDB.Positron,
options = providerTileOptions(minZoom = 2, maxZoom = 10)) %>%
addPolygons(data = pop_shape,
fillColor = "#EBEBEB",
fillOpacity = 0.8,
stroke = TRUE, # dibujar los bordes del polígono
weight = 1, # line thickness
dashArray = "1",
opacity = 1,
color = ~mypalette(region), # line colour
highlight = highlightOptions(weight = 2,
color = "red", # Color de selección
dashArray = "",
fillOpacity = 0.6,
bringToFront = TRUE),
options = pathOptions(pane = "layer1"),
label = state_iso3c,
labelOptions = labelOptions(textOnly = FALSE,
opacity = 0.9,
style = list("font-weight" = "normal",
"font-family" = "montserrat",
opacity = 0.7,
padding = "3px 8px"),
textsize = '15px',
direction = "auto")
) %>%
addCircleMarkers(data = pop_shape,
lng = ~Longitude,
lat = ~Latitude,
radius = ~NB,
fillColor = ~mypalette(region),
color = ~mypalette(region),
fillOpacity = 0.7,
options = pathOptions(pane = "layer2"),
stroke = TRUE,
popup = state_popup_country, # Etiquetas
popupOptions = popupOptions(textOnly = TRUE,
opacity = 0.9,
style = list("font-weight" = "normal",
"font-family" = "montserrat",
opacity = 0.7,
padding = "3px 8px"),
textsize = '15px',
direction = "auto")
)Legend and features
map <- map %>%
addResetMapButton() %>%
addMiniMap() %>%
addScaleBar(position = "bottomright",
options = scaleBarOptions(maxWidth = 100,
metric = TRUE,
imperial = TRUE,
updateWhenIdle = TRUE)) %>%
addControl(title,
position = "bottomright",
className="map-title") %>%
addLegend("bottomleft",
colors = paleta,
labels = c("North America", "Latin America & Caribbean", "Europe & Central Asia" , "Middle East & North Africa", "Sub-Saharan Africa", "East Asia & Pacific", "South Asia"),
title = stringr::str_wrap("Region", 15),
opacity = 0.7) OnRender
# Usa la función onRender para abrir los popups automáticamente
map <- map %>% onRender("
function(el, x) {
var map = this;
map.eachLayer(function(layer) {
if (layer instanceof L.Polygon) {
layer.openPopup();
}
});
}
")
# Mostrar el mapa con el título posicionado manualmente
# Ajustar la posición manualmente si es necesario
map <- map %>%
htmlwidgets::onRender("
function(el, x) {
var title = document.querySelector('.map-title');
title.style.bottom = '20px'; // Ajusta el valor según sea necesario
title.style.left = '50%';
title.style.transform = 'translateX(-50%)';
}
")
mapOutput
| package | loadedversion | source |
|---|---|---|
| ape | 5.8 | CRAN (R 4.3.3) |
| BAMMtools | 2.1.11 | CRAN (R 4.3.3) |
| dplyr | 1.1.3 | CRAN (R 4.3.2) |
| forcats | 1.0.0 | CRAN (R 4.3.1) |
| gt | 0.10.0 | CRAN (R 4.3.1) |
| Hmisc | 5.1-0 | CRAN (R 4.3.1) |
| htmltools | 0.5.8.9000 | Github (rstudio/htmltools@487aa0bed7313d7597b6edd5810e53cab0061198) |
| htmlwidgets | 1.6.4 | CRAN (R 4.3.3) |
| jsonlite | 1.8.8 | CRAN (R 4.3.3) |
| kableExtra | 1.3.4 | CRAN (R 4.3.1) |
| knitr | 1.45 | CRAN (R 4.3.2) |
| leafgl | 0.1.1 | CRAN (R 4.3.1) |
| leaflet | 2.2.2 | CRAN (R 4.3.3) |
| leaflet.extras | 1.0.0 | CRAN (R 4.3.1) |
| maptools | 1.1-9 | R-Forge (R 4.3.1) |
| mapview | 2.11.0 | CRAN (R 4.3.1) |
| pals | 1.8 | CRAN (R 4.3.2) |
| RColorBrewer | 1.1-3 | CRAN (R 4.3.0) |
| rgdal | 1.6-7 | CRAN (R 4.3.1) |
| sf | 1.0-16 | CRAN (R 4.3.3) |
| showtext | 0.9-6 | CRAN (R 4.3.1) |
| showtextdb | 3.0 | CRAN (R 4.3.1) |
| sp | 2.1-4 | CRAN (R 4.3.3) |
| spdplyr | 0.4.0 | Github (mdsumner/spdplyr@e14dec9017a96c309065ab319da96c839cac6f58) |
| stringr | 1.5.0 | CRAN (R 4.3.1) |
| sysfonts | 0.8.8 | CRAN (R 4.3.1) |
| tibble | 3.2.1 | CRAN (R 4.3.1) |
| WDI | 2.7.8 | CRAN (R 4.3.3) |
This
work by Diana Villasana
Ocampo is licensed under a
Creative
Commons Attribution 4.0 International License.