Mapas por desagregaciones geográficas de México

Objetivo

Se presenta una metodología para el análisis cartográfico digital utilizando R, implementando diversas bibliotecas que integran funcionalidades geográficas y estadísticas. El objetivo es facilitar la visualización y el modelado de datos geoespaciales mediante software de código abierto, con énfasis en la aplicación de Sistemas de Información Geográfica (SIG) para el análisis de datos georreferenciados.

Sistema de Información Geográfica

El Instituto Nacional de Estadística, Geografía e Informática (INEGI) tiene puestos a disposición del público los shapefiles con los distintos niveles de información geográfica. Estos archivos digitales se encuentran disponibles en el Marco Geoestadístico Nacional (MGN), el cual es un sistema único y se presenta la división del territorio nacional en diferentes niveles de desagregación para referir geográficamente la información estadística de los censos y encuestas. Se integra al Sistema Nacional de Información Estadística y Geográfica (SNIEG).

Este producto integra información vectorial, tablas de atributos y catálogos. Muestra la división geoestadística del territorio nacional en sucesivos niveles del territorio. Esta división está dada por los llamados límites estadísticos, que pueden coincidir con los límites político-administrativos oficiales, los cuales tienen sustento legal.

Tabla: Subdivisiones territoriales básicas del INEGI.

División	Unidades territoriales	Datos vectoriales
AGEE
Estatales	32	Polígonos
AGEM
Municipales	2 469	Polígonos
Localidades
Localidades rurales amanzanadas	45 397	Polígonos
Localidades urbanas	4 911	Polígonos
Localidades rurales amanzanadas y no amanzanadas	295 779	Puntos
AGEB
Áreas geoestadísticas básicas rurales	17 469	Polígonos
Áreas geoestadísticas básicas urbanas	63 982	Polígonos
MZA
Manzanas urbanas y rurales (incluyendo caserío disperso)	2 513 853	Polígonos
TI
Territorio insular	350	Polígonos

Especificación del sistema de coordenadas

Ocurre a menudo que las capas de información vectorial se han obtenido de fuentes con sistemas de coordenadas distintas; por lo que se debe transformar la información para homogenizarla y representarla en el proyecto.

La Norma Técnica para el Sistema Geodésico Nacional define las disposiciones con el fin de que el marco sea homogéneo, compatible y comparable; y establece que el Marco de Referencia oficial para los Estados Unidos Mexicanos es el International Terrestrial Reference Frame 2008, con datos de época 2010.0 (ITRF08) asociado al elipsoide de referencia definido en el GRS80.

A continuación se enlista los datos del sistema de coordenadas para la estandarización de la información:

Tabla: Características técnicas de la información

Parámetros
Cónica Conforme de Lambert (CCL)
Dátum:	ITRF2008
Elipsoide	GRS80
Meridiano origen	102° 00’ 00’ W.
Latitud origen	12° 00’ 00’ N.
Primer paralelo estándar	17° 30’ N
Segundo paralelo estándar	29° 30’N
Falso Este	2 500 000
Falso Norte	0

Geospatial Data Abstraction Library (GDAL)

En este documento se va a hacer uso del paquete rgdal el cual permite importar, exportar o bien manipular los datos especiales:

• readOGR() y writeOGR(): para datos vectoriales
  
• readGDAL() y writeGDAL(): para rasters

También el paquete gdalUtils permite reproyectar, transformar, reclasificar, etc.

La función ogrDrivers permite visualizar los tipos de formatos que el paquete rgdal permite trabajar:

name	long_name	write	copy	isVector
AmigoCloud	AmigoCloud	TRUE	FALSE	TRUE
AVCBin	Arc/Info Binary Coverage	FALSE	FALSE	TRUE
AVCE00	Arc/Info E00 (ASCII) Coverage	FALSE	FALSE	TRUE
BAG	Bathymetry Attributed Grid	TRUE	TRUE	TRUE
CAD	AutoCAD Driver	FALSE	FALSE	TRUE
Carto	Carto	TRUE	FALSE	TRUE
CSV	Comma Separated Value (.csv)	TRUE	FALSE	TRUE
CSW	OGC CSW (Catalog Service for the Web)	FALSE	FALSE	TRUE
DGN	Microstation DGN	TRUE	FALSE	TRUE
DXF	AutoCAD DXF	TRUE	FALSE	TRUE
EDIGEO	French EDIGEO exchange format	FALSE	FALSE	TRUE
EEDA	Earth Engine Data API	FALSE	FALSE	TRUE
Elasticsearch	Elastic Search	TRUE	FALSE	TRUE
ESRI Shapefile	ESRI Shapefile	TRUE	FALSE	TRUE
ESRIJSON	ESRIJSON	FALSE	FALSE	TRUE
FlatGeobuf	FlatGeobuf	TRUE	FALSE	TRUE
Geoconcept	Geoconcept	TRUE	FALSE	TRUE
GeoJSON	GeoJSON	TRUE	FALSE	TRUE
GeoJSONSeq	GeoJSON Sequence	TRUE	FALSE	TRUE
GeoRSS	GeoRSS	TRUE	FALSE	TRUE
GML	Geography Markup Language (GML)	TRUE	FALSE	TRUE
GPKG	GeoPackage	TRUE	TRUE	TRUE
GPSBabel	GPSBabel	TRUE	FALSE	TRUE
GPX	GPX	TRUE	FALSE	TRUE
HTTP	HTTP Fetching Wrapper	FALSE	FALSE	TRUE
Idrisi	Idrisi Vector (.vct)	FALSE	FALSE	TRUE
JML	OpenJUMP JML	TRUE	FALSE	TRUE
JP2OpenJPEG	JPEG-2000 driver based on OpenJPEG library	FALSE	TRUE	TRUE
KML	Keyhole Markup Language (KML)	TRUE	FALSE	TRUE
LVBAG	Kadaster LV BAG Extract 2.0	FALSE	FALSE	TRUE
MapInfo File	MapInfo File	TRUE	FALSE	TRUE
MapML	MapML	TRUE	FALSE	TRUE
MBTiles	MBTiles	TRUE	TRUE	TRUE
Memory	Memory	TRUE	FALSE	TRUE
MSSQLSpatial	Microsoft SQL Server Spatial Database	TRUE	FALSE	TRUE
MVT	Mapbox Vector Tiles	TRUE	FALSE	TRUE
MySQL	MySQL	TRUE	FALSE	TRUE
netCDF	Network Common Data Format	TRUE	TRUE	TRUE
NGW	NextGIS Web	TRUE	TRUE	TRUE
OAPIF	OGC API - Features	FALSE	FALSE	TRUE
ODBC		FALSE	FALSE	TRUE
ODS	Open Document/ LibreOffice / OpenOffice Spreadsheet	TRUE	FALSE	TRUE
OGCAPI	OGCAPI	FALSE	FALSE	TRUE
OGR_GMT	GMT ASCII Vectors (.gmt)	TRUE	FALSE	TRUE
OGR_PDS	Planetary Data Systems TABLE	FALSE	FALSE	TRUE
OGR_SDTS	SDTS	FALSE	FALSE	TRUE
OGR_VRT	VRT - Virtual Datasource	FALSE	FALSE	TRUE
OpenFileGDB	ESRI FileGDB	TRUE	FALSE	TRUE
OSM	OpenStreetMap XML and PBF	FALSE	FALSE	TRUE
PCIDSK	PCIDSK Database File	TRUE	FALSE	TRUE
PDF	Geospatial PDF	TRUE	TRUE	TRUE
PDS4	NASA Planetary Data System 4	TRUE	TRUE	TRUE
PGDUMP	PostgreSQL SQL dump	TRUE	FALSE	TRUE
PGeo	ESRI Personal GeoDatabase	FALSE	FALSE	TRUE
PLSCENES	Planet Labs Scenes API	FALSE	FALSE	TRUE
PostgreSQL	PostgreSQL/PostGIS	TRUE	FALSE	TRUE
S57	IHO S-57 (ENC)	TRUE	FALSE	TRUE
Selafin	Selafin	TRUE	FALSE	TRUE
SQLite	SQLite / Spatialite	TRUE	FALSE	TRUE
SVG	Scalable Vector Graphics	FALSE	FALSE	TRUE
SXF	Storage and eXchange Format	FALSE	FALSE	TRUE
TIGER	U.S. Census TIGER/Line	FALSE	FALSE	TRUE
TopoJSON	TopoJSON	FALSE	FALSE	TRUE
UK .NTF	UK .NTF	FALSE	FALSE	TRUE
VDV	VDV-451/VDV-452/INTREST Data Format	TRUE	FALSE	TRUE
VFK	Czech Cadastral Exchange Data Format	FALSE	FALSE	TRUE
VICAR	MIPL VICAR file	TRUE	TRUE	TRUE
WAsP	WAsP .map format	TRUE	FALSE	TRUE
WFS	OGC WFS (Web Feature Service)	FALSE	FALSE	TRUE
XLS	MS Excel format	FALSE	FALSE	TRUE
XLSX	MS Office Open XML spreadsheet	TRUE	FALSE	TRUE

Opciones para mapas en ggplot2

geom_polygon()

• 📦 Datos requeridos: data.frame o tibble con columnas long, lat, group y fill si quieres colores.
• ➕ Bueno si los datos están en formato plano, por ejemplo shapefiles transformados con fortify() o broom::tidy().
• ➖ No es ideal para datos geográficos complejos (proyecciones, geometrías múltiples).

geom_map()

• 📦 Datos requeridos: dos data.frame (uno con map_id, otro con geometría).
• ➕ Útil para mapas coropléticos simples.
• ➖ Es una opción antigua y menos usada hoy. Limitada y con poca flexibilidad comparado con geom_sf.

geom_sf() ⭐ (Recomendado)

• 📦 Datos requeridos: objetos sf (sf, sfc, sfg). Estos pueden venir de shapefiles con sf::st_read() o conversiones desde SpatialPolygonsDataFrame.
• ➕ Muestra automáticamente geometría, maneja proyecciones, coord_sf, y se integra bien con otros elementos ggplot2.
• ➕ Puede mapear fácilmente con fill = variable, color = variable.
• 🔁 Con ggplot(data_sf) + geom_sf(aes(fill = var)).

layer_spatial() (de ggspatial)

• 📦 Datos requeridos: objetos sf o Spatial* (como SpatialPolygonsDataFrame).
• ➕ Permite agregar capas sin preocuparse por aes.
• ➖ Más útil como complemento (por ejemplo, para capas de fondo como ríos o caminos), pero no suele usarse como principal.

tm_shape() (de tmap, no ggplot2)

• 📦 Datos requeridos: sf o SpatialPolygonsDataFrame.
• ➕ Muy poderoso para mapas temáticos, escala tipo ArcGIS.
• ➖ No es parte de ggplot2, es una alternativa. Pero es excelente para producción cartográfica.

Temas cubiertos en este documento.

Tema	Métodos	Librería y función
Importación de datos	Archivo shapefiles .shp	rgdal::readOGR()
Mapas coropléticos	Función para crear polígonos	ggplot2:: geom_polygon()
	fortify() + datos	ggplot() + geom_map()
	.shp + datos	ggspatial::layer_spatial()
	.shp + datos	ggplot2::geom_sf()
	.shp + datos	tmap::shape()
Etiquetado de mapas	Como texto	ggplot2::geom_label
	Ubicación en centroides	sp::coordinates()
	Etiquetado parcial	ifelse() + ggreppel::geom_label_repel()

Base de datos

Índice de marginación

Desde 1993, la Secretaría General del Consejo Nacional de Población (CONAPO) implementa una metodología sistemática para evaluar las disparidades territoriales mediante la construcción del Índice de marginación, basado en datos censales. Este instrumento permite una identificación precisa de las zonas y regiones que presentan mayores necesidades socioeconómicas en el país. El índice de marginación proporciona un análisis detallado que distingue entre estados, municipios, localidades y áreas geoestadísticas básicas, considerando factores críticos como el acceso a la educación, la calidad de la vivienda, el nivel de ingresos y la ubicación geográfica de los asentamientos.

En la actualidad, este índice constituye un instrumento fundamental para el diseño e implementación de políticas públicas orientadas a la reducción de las carencias socioeconómicas que afectan a la población mexicana.

La base de datos del índice de marginación en los diferentes niveles de desagregación se encuentra disponible en la página de datos abiertos.

Estructura de un mapa

Entidad Federativa

.shp

La función readOGR del paquete rgdal, extrae automáticamente la información utilizada por otros paquetes SIG de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos OGR y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos.

Para leer un archivo shapefile, se establecen los siguientes argumentos:
- readOGR: Esta función se usa para leer shapefiles.
- dsn: Especifica la ruta al directorio que contiene el shapefile.
- layer: Especifica el nombre de la capa dentro del shapefile.
- encoding: Especifica la codificación de los caracteres, en este caso, UTF-8.
- use_iconv: Se usa para convertir la codificación si es necesario.

A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística estatal agee.

require(rgdal)
shape_estados <- readOGR(dsn = paste0(here::here(), "/MGN 2020/conjunto_de_datos"), 
                          layer = "00ent",
                           encoding = "UTF-8",
                            use_iconv = TRUE)

La función rename() del paquete dplyr permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.

shape_estados@data <- shape_estados@data %>%
                       rename("CVE_GEO" = "CVEGEO")

Un objeto SpatialPolygons se puede combinar con una data.frame para crear lo que se llama SpatialPolygonsDataFrame. La diferencia está en los atributos asociados con los polígonos. Un objeto SpatialPolygonsDataFrame tiene información adicional asociada a los polígonos (ejemplo, nombre de la entidad, población, etc.) mientras que SpatialPolygons contiene solo la información espacial (vértices) sobre el polígono.

class(shape_estados)
## "SpatialPolygonsDataFrame"
## attr(,"package")
## "sp"

Se cambian de IDs de los Features del Shapefile; de esta manera si se hace alguna manipulación al shapefile directamente los polígonos tendrán el ID de la clave de la entidad y conservarán el orden. Además de que es útil cuando se necesita asegurar que los IDs de las entidades geográficas sean consistentes en longitud y formato para su posterior análisis o visualización.

• sp::spChFIDs cambia los IDs de las features del objeto Spatial.
• str_pad(shape_estados_2020@data$CVE_ENT, 2, "left", pad = "0"): Utiliza la función str_pad() para rellenar con ceros a la izquierda (si es necesario) para asegurarse de que cada ID tenga al menos 2 dígitos.

shape_estados <- shape_estados %>%
                  sp::spChFIDs(., str_pad(shape_estados@data$CVE_GEO, 2, "left", pad = "0")) 

Si el archivo no tuviera Sitema de Referencia de Coordenadas CRS asignado se debería utilizal la función proj4string() para asignar el CRS adecuado. En cambio, si se quisiera cambiar el sistema de referencia (transormar) debe utilizarse la función spTransform() del paquete sp.

La función proj4string()representa el sistema de referencia de coordenadas utilizado en los datos.

proj4string(shape_estados) 
## "+proj=lcc +lat_0=12 +lon_0=-102 +lat_1=17.5 +lat_2=29.5 +x_0=2500000 +y_0=0 +ellps=GRS80 +units=m +no_defs"

IME_2020

La base de datos del índice de marginación por estados se encuentra disponible en la página oficial de CONAPO o bien se puede consultar en la página de Datos Abiertos y se presenta en formato .xlsx Consulta.

Para poder trabajar con la base de datos del índice de marginación a nivel estatal, se elimina la fila que contiene los datos a nivel nacional con la función ::filter() del paquete dplyr y por otro lado se cambia el nombre de la columna CVE_ENT que hace referencia a la clave geográfica del estado por CVE_GEO para fines prácticos.

IME_2020 <- read_xlsx(paste0(here::here(), "/Data/IME_2020.xlsx"), sheet = "IME_2020") %>% 
             filter(NOM_ENT != "Nacional") %>% 
              mutate(CVE_GEO = CVE_ENT) %>% 
               as.data.frame()

Ahora bien, para la realización de los mapas cloropléticos que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del grado de marginación que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.

Tabla: Entidades según el grado de marginación.

Grado de marginación	Estados
Muy alto	3
Alto	9
Medio	8
Bajo	8
Muy bajo	4

Layers

Existen dos maneras de trabajar los datos de los mapas:

• Es trabajar con los objetos SpatialPolygonsDataFrame o bien spdf y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de join_ o merge del paquete dplyr.

• O bien utilizar la función fortify() del paquete ggplot2, que permite convertir un objeto (ej.spdf) a un data.frame. Al hacer este tipo de conversión permite aplicar un join para unir ambas estructuras de datos al nuevo formato del data.frame.

data.frame

SpatialPolygons ➡️ data.frame

Cuando es necesario cambiar los ID’s de las características en los objetos SpatialLines o SpatialPolygons, se puede usar la función spChFIDs() de la paquetería sp. Donde los nuevos ID’s deben ser un vector de caracteres únicos de la longitud correcta.

La función fortify() convierte un objeto S3 para convertir objetos diversos a un data.frame para ggplot2. El data.frame resultante de la conversión de un objeto spdf es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.

capas_estados <- shape_estados %>%
                  sp::spChFIDs(., str_pad(shape_estados@data$CVE_GEO, 2, "left", pad = "0")) %>%
                   fortify(., id = "CVE_GEO") %>%
                    left_join(., IME_2020 %>% dplyr::select(CVE_GEO, NOM_ENT, GM_2020),
                               by = c("id" = "CVE_GEO")) 

SpatialPolygons

SpatialPolygons ➡️ SpatialPolygons + Datos

layer_estados <- merge(shape_estados,
                        IME_2020 %>%
                         dplyr::select(c(-CVE_ENT, -NOM_ENT)) %>%
                          mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                           by = "CVE_GEO")

Data.frame ➡️ SpatialPolygonsDataFrame

Para poder emparejar polígonos y puntos, los objetos espaciales deben tener el mismo CRS. Para después poder calcular el área de cada polígono o bien se puede reproyectar los datos espaciales usando la función spTransform:

tabla <- SpatialPointsDataFrame(data = capas_estados, 
                                 coords = capas_estados %>% 
                                             dplyr::select(long, lat), 
                                  match.ID = FALSE,
                                   proj4string = CRS("+proj=lcc +lat_0=12 +lon_0=-102 +lat_1=17.5 +lat_2=29.5 +x_0=2500000 +y_0=0 +ellps=GRS80 +units=m +no_defs"))

Tibble

SpatialPolygons ➡️ tbl_df/ tbl / data.frame

Conversión de datos: st_as_sf, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

# Paquetes 
require(tibble)
require(sf)

tbl_estados <- as_tibble(st_as_sf(shape_estados)) %>%
                merge(., IME_2020 %>% dplyr::select(CVE_GEO, GM_2020))

Municipio

.shp

La función readOGR del paquete rgdal, extrae automáticamente la información utilizada por otros paquetes SIG de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos OGR y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos.

Para leer un archivo shapefile, se establecen los siguientes argumentos:
- readOGR: Esta función se usa para leer shapefiles.
- dsn: Especifica la ruta al directorio que contiene el shapefile.
- layer: Especifica el nombre de la capa dentro del shapefile.
- encoding: Especifica la codificación de los caracteres, en este caso, UTF-8.
- use_iconv: Se usa para convertir la codificación si es necesario.

A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística municipal agem.

shape_municipios <- readOGR(dsn = paste0(here::here(), "/MGN 2020/conjunto_de_datos"), 
                             layer = "00mun",
                              encoding = "UTF-8",
                               use_iconv = TRUE)

La función rename() del paquete dplyr permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.

shape_municipios@data <- shape_municipios@data %>%
                          rename("CVE_GEO" = "CVEGEO")

Se cambian de IDs de los Features del Shapefile; de esta manera si se hace alguna manipulación al shapefile directamente los polígonos tendrán el ID de la clave de la entidad y conservarán el orden. Además de que es útil cuando se necesita asegurar que los IDs de las entidades geográficas sean consistentes en longitud y formato para su posterior análisis o visualización.

• sp::spChFIDs cambia los IDs de las features del objeto Spatial.
• str_pad(shape_municipios@data$CVE_GEO, 5, "left", pad = "0"): Utiliza la función str_pad() para rellenar con ceros a la izquierda (si es necesario) para asegurarse de que cada ID tenga al menos 5 dígitos.

shape_municipios <- shape_municipios %>%
                     sp::spChFIDs(., str_pad(shape_municipios@data$CVE_GEO, 5, "left", pad = "0"))

IMM_2020

La base de datos del índice de marginación por municipios se encuentra disponible en la página oficial de CONAPO o bien se puede consultar en la página de Datos Abiertos y se presenta en formato .xlsx Consulta.

Para poder trabajar con la base de datos del índice de marginación a nivel municipal, se elimina la fila que contiene los datos a nivel nacional con la función ::filter() del paquete dplyr y por otro lado se cambia el nombre de la columna CVE_MUN que hace referencia a la clave geográfica del municipio por CVE_GEO para fines prácticos.

IMM_2020 <- read_xlsx(paste0(here::here(), "/Data/IMM_2020.xlsx"), sheet = "IMM_2020") %>%
             filter(NOM_ENT != "Nacional") %>%
               mutate(CVE_GEO = CVE_MUN) %>%
                as.data.frame()

Ahora bien, para la realización de los mapas cloropléticos que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del grado de marginación que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.

Tabla: Municipios según el grado de marginación.

Grado de marginación	Municipios
Muy alto	204
Alto	586
Medio	494
Bajo	530
Muy bajo	655

Layers

Existen dos maneras de trabajar los datos de los mapas:

• Es trabajar con los objetos SpatialPolygonsDataFrame o bien spdf y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de join_ o merge del paquete dplyr.

• O bien utilizar la función fortify() del paquete ggplot2, que permite convertir un objeto (ej.spdf) a un data.frame. Al hacer este tipo de conversión permite aplicar un join para unir ambas estructuras de datos al nuevo formato del data.frame.

data.frame

SpatialPolygons ➡️ data.frame

Cuando es necesario cambiar los ID’s de las características en los objetos SpatialLines o SpatialPolygons, se puede usar la función spChFIDs() de la paquetería sp. Donde los nuevos ID’s deben ser un vector de caracteres únicos de la longitud correcta.

La función fortify() convierte un objeto S3 para convertir objetos diversos a un data.frame para ggplot2. El data.frame resultante de la conversión de un objeto spdf es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.

capas_municipio <-  shape_municipios %>%
                     sp::spChFIDs(., str_pad(shape_municipios@data$CVE_GEO, 5, "left", pad = "0")) %>%
                      fortify(., id = "CVE_GEO") %>%
                       left_join(., IMM_2020 %>% dplyr::select(CVE_GEO, CVE_ENT, NOM_ENT, NOM_MUN, GM_2020), by = c("id" = "CVE_GEO")) 

SpatialPolygons

SpatialPolygons ➡️ SpatialPolygons + Datos

layer_municipios <- merge(shape_municipios,
                          IMM_2020 %>% dplyr::select(c(-CVE_ENT, -CVE_MUN)) %>%
                                        mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                          by = "CVE_GEO")

Tibble

SpatialPolygons ➡️ tbl_df/ tbl / data.frame

Conversión de datos: st_as_sf, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

# Paquetes 
require(tibble)
require(sf)

tbl_municipios <- as_tibble(st_as_sf(shape_municipios)) %>%
                    merge(., IMM_2020 %>% dplyr::select(CVE_GEO, GM_2020))

Zonas Metropolitanas

El Consejo Nacional de Población (CONAPO), en colaboración con instituciones clave como el INEGI y la SEDATU, ha establecido un marco comprehensivo para la delimitación y caracterización de las áreas urbanas más significativas de México. Este esfuerzo interinstitucional refleja la importancia de coordinar diferentes perspectivas y capacidades técnicas para comprender la compleja realidad metropolitana del país.

La conceptualización de una zona metropolitana es particularmente relevante en el contexto mexicano. Se define específicamente como una agrupación de dos o más municipios que albergan una ciudad con población superior a los 100,000 habitantes. Lo distintivo de estas zonas es que sus funciones y actividades trascienden los límites municipales originales, estableciendo una integración socioeconómica significativa con las áreas circundantes.

Página oficial del CONAPO: Aquí encontrarás publicaciones y datos relacionados con las zonas metropolitanas.

Publicación: Metrópolis de México 2020

Base de Datos: Datos Abiertos y se presenta en formato .xlsx

ZM_2020 <- read_xlsx(paste0(here::here(), "/Data/ZM_2020.xlsx"), sheet = "ZM_2020", range = "A7:I428") 

Base: Zonas Metropolitanas 2020.

CVE_ZM	NOM_ZM	CVE_ENT	NOM_ENT	CVE_MUN	NOM_MUN	POB_TOT	MC	CF
01.01	ZM de Aguascalientes	01	Aguascalientes	01001	Aguascalientes	948990	1	1
01.01	ZM de Aguascalientes	01	Aguascalientes	01005	Jesús María	129929	1	1
01.01	ZM de Aguascalientes	01	Aguascalientes	01011	San Francisco de los Romo	61997	2	1
02.01	MM de Ensenada	02	Baja California	02001	Ensenada	443807	1	2
02.02	MM de Mexicali	02	Baja California	02002	Mexicali	1049792	1	2
02.03	ZM de Tijuana	02	Baja California	02004	Tijuana	1922523	1	1
02.03	ZM de Tijuana	02	Baja California	02005	Playas de Rosarito	126890	1	1
03.01	MM de La Paz	03	Baja California Sur	03003	La Paz	292241	1	2
03.02	MM de Los Cabos	03	Baja California Sur	03008	Los Cabos	351111	1	2
04.01	MM de Campeche	04	Campeche	04002	Campeche	294077	1	2
Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020

Localidad

.shp

La función readOGR del paquete rgdal, extrae automáticamente la información utilizada por otros paquetes SIG de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos OGR y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos. 

Para leer un archivo shapefile, se establecen los siguientes argumentos:
- readOGR: Esta función se usa para leer shapefiles.
- dsn: Especifica la ruta al directorio que contiene el shapefile.
- layer: Especifica el nombre de la capa dentro del shapefile.
- encoding: Especifica la codificación de los caracteres, en este caso, UTF-8.
- use_iconv: Se usa para convertir la codificación si es necesario.

A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística por localidad.

Shapefiles por localidades

Tipo de shapefile	Representación	Usos comunes	Nivel de detalle
Punto	Ubicación puntual (centroide)	Localidades rurales o pequeñas	Bajo
Polígono	Área delimitada	Localidades urbanas grandes	Alto
Fuentes: INEGI

Shapefiles de polígonos - Representan localidades que tienen una delimitación física clara, normalmente zonas urbanas. - Cada polígono muestra la extensión territorial real de la localidad. - Son utilizados cuando se cuenta con información más detallada y precisa sobre los límites de la localidad. - Comunes en ciudades, cabeceras municipales o zonas con planificación urbana.

shape_localidad <- readOGR(dsn =paste0(here::here(), "/MGN 2020/conjunto_de_datos"), 
                            layer = "00l",
                             encoding = "UTF-8",
                              use_iconv = TRUE)

Shapefiles de puntos - Representan localidades rurales o pequeñas localidades urbanas. - Cada punto indica la ubicación geográfica aproximada del centroide o punto representativo de la localidad. - Útiles cuando no se tiene delimitación precisa del área que abarca la localidad. - Más comunes para localidades con poca población o dispersas.

shape_localidad_p <- readOGR(dsn ="D:/MGN/MGN 2020/MGN 2020/conjunto_de_datos", 
                              layer = "00lpr",
                               encoding = "UTF-8",
                               use_iconv = TRUE)

Un objeto SpatialPolygons se puede combinar con una data.frame para crear lo que se llama SpatialPolygonsDataFrame. La diferencia está en los atributos asociados con los polígonos. Un objeto SpatialPolygonsDataFrame tiene información adicional asociada a los polígonos (ejemplo, nombre de la entidad, población, etc.) mientras que SpatialPolygons contiene solo la información espacial (vértices) sobre el polígono.

class(shape_localidad)
## "SpatialPolygonsDataFrame"
## attr(,"package")
## "sp"

class(shape_localidad_p)
## "SpatialPointsDataFrame"
## attr(,"package")
## "sp"

La función rename() del paquete dplyr permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.

shape_localidad@data <- shape_localidad@data %>%
                         rename("CVE_GEO" = "CVEGEO") 

Por otro lado, se trabajará con los polígonos urbanos AMBITO %in% Urbana, ya que las localidades rurales se encuentran en el shapefile de puntos.

shape_localidad <- shape_localidad %>% 
                    filter(AMBITO %in% "Urbana") 

Se cambian de IDs de los Features del Shapefile; de esta manera si se hace alguna manipulación al shapefile directamente los polígonos tendrán el ID de la clave de la entidad y conservarán el orden. Además de que es útil cuando se necesita asegurar que los IDs de las entidades geográficas sean consistentes en longitud y formato para su posterior análisis o visualización.

• sp::spChFIDs cambia los IDs de las features del objeto Spatial.
• str_pad(shape_localidad@data$CVE_GEO, 9, "left", pad = "0"): Utiliza la función str_pad() para rellenar con ceros a la izquierda (si es necesario) para asegurarse de que cada ID tenga al menos 9 dígitos.

shape_localidad <- shape_localidad %>%
                    sp::spChFIDs(., str_pad(shape_localidad@data$CVE_GEO, 9, "left", pad = "0"))

IML_2020

La base de datos del índice de marginación por localidades se encuentra disponible en la página oficial de CONAPO o bien se puede consultar en la página de Datos Abiertos y se presenta en formato .xlsx Consulta.

Para poder trabajar con la base de datos del índice de marginación a nivel localidad, se cambia el nombre de la columna CVE_LOC que hace referencia a la clave geográfica de la localidad por CVE_GEO para fines prácticos.

IML_2020 <- read_xlsx(paste0(here::here(), "/Data/IML_2020.xlsx"), sheet = "IML_2020") %>%
              mutate(CVE_GEO = CVE_LOC) %>% 
               as.data.frame()

Ahora bien, para la realización de los mapas cloropléticos que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del grado de marginación que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.

Tabla: Localidades según el grado de marginación.

Grado de marginación	Localidades
Muy alto	13 256
Alto	15 985
Medio	25 294
Bajo	31 615
Muy bajo	24 089

Layers

Existen dos maneras de trabajar los datos de los mapas:

• Es trabajar con los objetos SpatialPolygonsDataFrame o bien spdf y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de join_ o merge del paquete dplyr.

• O bien utilizar la función fortify() del paquete ggplot2, que permite convertir un objeto (ej.spdf) a un data.frame. Al hacer este tipo de conversión permite aplicar un join para unir ambas estructuras de datos al nuevo formato del data.frame.

data.frame

SpatialPolygons ➡️ data.frame

Cuando es necesario cambiar los ID’s de las características en los objetos SpatialLines o SpatialPolygons, se puede usar la función spChFIDs() de la paquetería sp. Donde los nuevos ID’s deben ser un vector de caracteres únicos de la longitud correcta.

La función fortify() convierte un objeto S3 para convertir objetos diversos a un data.frame para ggplot2. El data.frame resultante de la conversión de un objeto spdf es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.

capas_localidad <- shape_localidad %>%
                    sp::spChFIDs(., str_pad(shape_localidad@data$CVE_GEO, 9, "left", pad = "0")) %>%
                     fortify(., id = c("CVE_GEO")) 

capas_localidad <- capas_localidad %>% 
                    inner_join(., IML_2020 %>% dplyr::select(CVE_GEO, ENT, MUN, LOC, GM_2020), 
                                   by = c("id" = "CVE_GEO")) 

length(unique(capas_localidad$id)) 

capas_localidad_p <- shape_localidad_p %>% 
                      fortify(., id = c("CVE_GEO")) %>%
                       inner_join(., IML_2020 %>% dplyr::select(CVE_GEO, ENT, MUN, LOC, GM_2020), 
                                     by = c("CVE_GEO")) 
capas_localidad_p <- shape_localidad_p %>%
                      as.data.frame() %>%
                       mutate(lon = coordinates(shape_localidad_p)[, 1],
                              lat = coordinates(shape_localidad_p)[, 2]) %>%
                       inner_join(IML_2020 %>% select(CVE_GEO, ENT, MUN, LOC, GM_2020),
                        by = "CVE_GEO")

SpatialPolygon

SpatialPolygons ➡️ SpatialPolygons + Datos

layer_localidad <- inner_join(shape_localidad,
                               IML_2020 %>%
                                  dplyr::select(c(-CVE_LOC)) %>%
                                   mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                               by = "CVE_GEO")

layer_localidad_p <- inner_join(shape_localidad_p,
                                 IML_2020 %>%
                                    dplyr::select(c(-CVE_LOC)) %>%
                                     mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                                 by = "CVE_GEO")

Tibble

SpatialPolygons ➡️ tbl_df/ tbl / data.frame

Conversión de datos: st_as_sf, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

# Paquetes 
require(tibble)
require(sf)

tbl_localidad <- as_tibble(st_as_sf(shape_localidad)) %>%
                    merge(., IML_2020 %>% dplyr::select(CVE_GEO, GM_2020)) 

tbl_localidad_p <- as_tibble(st_as_sf(shape_localidad_p)) %>%
                    merge(., IML_2020 %>% dplyr::select(CVE_GEO, GM_2020))

AGEB

.shp

La función readOGR del paquete rgdal, extrae automáticamente la información utilizada por otros paquetes SIG de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos OGR y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos. 

Para leer un archivo shapefile, se establecen los siguientes argumentos:
- readOGR: Esta función se usa para leer shapefiles.
- dsn: Especifica la ruta al directorio que contiene el shapefile.
- layer: Especifica el nombre de la capa dentro del shapefile.
- encoding: Especifica la codificación de los caracteres, en este caso, UTF-8.
- use_iconv: Se usa para convertir la codificación si es necesario.

A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística a nivel ageb ageb.

shape_ageb <- readOGR(dsn = paste0(here::here(), "/MGN 2020/conjunto_de_datos"), 
                       layer = "00a",
                        encoding = "UTF-8",
                         use_iconv = TRUE)

La función rename() del paquete dplyr permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.

shape_ageb@data <- shape_ageb@data %>%
                    rename("CVE_GEO" = "CVEGEO")

Se cambian de IDs de los Features del Shapefile; de esta manera si se hace alguna manipulación al shapefile directamente los polígonos tendrán el ID de la clave de la entidad y conservarán el orden. Además de que es útil cuando se necesita asegurar que los IDs de las entidades geográficas sean consistentes en longitud y formato para su posterior análisis o visualización.

• sp::spChFIDs cambia los IDs de las features del objeto Spatial.
• str_pad(shape_ageb@data$CVE_GEO, 13, "left", pad = "0"): Utiliza la función str_pad() para rellenar con ceros a la izquierda (si es necesario) para asegurarse de que cada ID tenga al menos 13 dígitos.

shape_ageb <- shape_ageb %>%
               sp::spChFIDs(., str_pad(shape_ageb@data$CVE_GEO, 13, "left", pad = "0"))

IMU_2020

La base de datos del índice de marginación por ageb se encuentra disponible en la página oficial de CONAPO o bien se puede consultar en la página de Datos Abiertos y se presenta en formato .xlsx Consulta.

Para poder trabajar con la base de datos del índice de marginación a nivel ageb, se cambia el nombre de la columna `CVE_AGEB que hace referencia a la clave geográfica de la ageb por CVE_GEO para fines prácticos.

IMU_2020 <- read_xlsx(paste0(here::here(), "/Data/IMU_2020.xlsx"), sheet = "IMU_2020") %>%
             mutate(CVE_GEO = CVE_AGEB) %>% 
              as.data.frame()

Ahora bien, para la realización de los mapas cloropléticos que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del grado de marginación que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.

Tabla: Agebs según el grado de marginación.

Grado de marginación	Ageb
Muy alto	5 910
Alto	8 274
Medio	13 209
Bajo	14 105
Muy bajo	9 292

Layers

Existen dos maneras de trabajar los datos de los mapas:

• Es trabajar con los objetos SpatialPolygonsDataFrame o bien spdf y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de join_ o merge del paquete dplyr.

• O bien utilizar la función fortify() del paquete ggplot2, que permite convertir un objeto (ej.spdf) a un data.frame. Al hacer este tipo de conversión permite aplicar un join para unir ambas estructuras de datos al nuevo formato del data.frame.

data.frame

SpatialPolygons ➡️ data.frame

Cuando es necesario cambiar los ID’s de las características en los objetos SpatialLines o SpatialPolygons, se puede usar la función spChFIDs() de la paquetería sp. Donde los nuevos ID’s deben ser un vector de caracteres únicos de la longitud correcta.

La función fortify() convierte un objeto S3 para convertir objetos diversos a un data.frame para ggplot2. El data.frame resultante de la conversión de un objeto spdf es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.

capas_ageb <- shape_ageb %>%
               sp::spChFIDs(., str_pad(shape_ageb@data$CVE_GEO, 13, "left", pad = "0")) %>%
                dplyr::select(CVE_GEO) %>%
                 dplyr::filter(CVE_GEO %in% IMU_2020$CVE_GEO) 

capas_ageb <- capas_ageb %>% 
               fortify(., id = "CVE_GEO") 

capas_ageb <- capas_ageb %>%
               left_join(., IMU_2020 %>% dplyr::select(CVE_GEO, GM_2020), 
                         by = c("id" = "CVE_GEO")) 

SpatialPolygons

SpatialPolygons ➡️ SpatialPolygons + Datos

layer_ageb <- merge(shape_ageb,
                     IMU_2020 %>%
                        dplyr::select(c(-CVE_AGEB)) %>%
                         mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                    by = "CVE_GEO")

Tibble

SpatialPolygons ➡️ tbl_df/ tbl / data.frame

Conversión de datos: st_as_sf, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

# Paquetes 
require(tibble)
require(sf)

tbl_ageb <- as_tibble(st_as_sf(shape_ageb)) %>%
                         IMU_2020 %>% dplyr::select(CVE_GEO, GM_2020)

Zona Metropolitanas

El Consejo Nacional de Población (CONAPO), en colaboración con instituciones clave como el INEGI y la SEDATU, ha establecido un marco comprehensivo para la delimitación y caracterización de las áreas urbanas más significativas de México. Este esfuerzo interinstitucional refleja la importancia de coordinar diferentes perspectivas y capacidades técnicas para comprender la compleja realidad metropolitana del país.

La conceptualización de una zona metropolitana es particularmente relevante en el contexto mexicano. Se define específicamente como una agrupación de dos o más municipios que albergan una ciudad con población superior a los 100,000 habitantes. Lo distintivo de estas zonas es que sus funciones y actividades trascienden los límites municipales originales, estableciendo una integración socioeconómica significativa con las áreas circundantes.

Página oficial del CONAPO: Aquí encontrarás publicaciones y datos relacionados con las zonas metropolitanas.

Publicación: Metrópolis de México 2020

Base de Datos: Datos Abiertos y se presenta en formato .xlsx

capas_zm <- shape_ageb %>%
             sp::spChFIDs(., str_pad(shape_ageb@data$CVE_GEO, 13, "left", pad = "0")) %>%
              spdplyr:::inner_join.Spatial(., IMU_2020 %>% dplyr::select(CVE_GEO, ENT, NOM_ENT, MUN, NOM_MUN, LOC, NOM_LOC, GM_2020), 
                                               by = c("CVE_GEO")) %>% 
               mutate(CVE_MUN = paste0(ENT, MUN)) %>%
                spdplyr:::inner_join.Spatial(., ZM_2020 %>% dplyr::select(CVE_MUN, CVE_ZM, NOM_ZM), 
                                                 by = "CVE_MUN") %>%
                 filter(CVE_ZM %in% "09.01")

capas_zm_data <- capas_zm@data

capas_zm_fortify  <- capas_zm %>%
                       fortify(., id = "CVE_GEO")

capas_zm <- capas_zm_fortify %>%
             left_join(capas_zm_data, by = c("id" = "CVE_GEO"))

rm(capas_zm_data, capas_zm_fortify)

Mapas por desagregación geográfica

Estructura básica de un mapa

La forma más básica de mapear datos en R es crear un objeto ggplot() regular y mapear los argumentos x = longuitude y la y = latitude. Se puede usar esta técnica para crear mapas de áreas geográficas, como estados o países, y para gráficar ubicaciones como puntos, líneas y otras formas. El paquete ggplot2 incluye algunos conjuntos de funciones geom que permiten graficar con información geográfica. Teniendo en cuenta que el data.frame incluye las columnas con ubicación (long y lat). También incluye una columna que describe el orden en que se deben conectar estos puntos para formar un polígono (order), el nombre del estado (NOM_ENT) y una columna de group que separa los puntos en polígonos únicos que se deben trazar.

p <- ggplot() + 
      geom_polygon(data = capas_estados,
                    mapping = aes(x = long, 
                                   y = lat, 
                                    group = group),
                     fill = "#ECECEC", 
                     color = "dark grey",
                      size = 0.5) +
        expand_limits(x = capas_estados$long,  
                      y = capas_estados$lat) + 
         theme_bw() + 
          theme(plot.title = element_text(size = 24, hjust = 0.15, family = "Montserrat", face = "bold"),
                plot.caption = element_text(size = 10, hjust = 0.2, vjust = 1, family = "Montserrat"),
                axis.text = element_text(family = "Montserrat"),
                axis.title = element_text(family = "Montserrat")) +
       labs(title = "Estructura básica de un mapa",
              caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
p

Entidad Federativa

geom_map

La función ggmap() devuelve un objeto ggplot. Puede usar este objeto ggplot resultante como lo haría con cualquier otro objeto ggplot (ejemplo, agregar geoms, cambiar tema). GitHub: fresques/ggmap

Una de las bondades del paquete ggmap, permite hacer mediante el uso de herramientas de Google Maps directamente desde R. Este paquete permite extraer un mapa base de Google Maps y algunos otros servidores de mapas, para que luego se puedan trazar y agregar puntos, polígonos, líneas y otros elementos usando funciones ggplot2. Este paquete usa la API de Google Maps. Otras funciones en el paquete ggmap, necesita una clave API de Google Maps para que funcione.

Base

# Paquete
require(ggmap) 

p <- IME_2020 %>% 
      mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto","Alto","Medio","Bajo","Muy bajo")) %>%
       ggplot() + 
        geom_map(map = capas_estados, 
                  aes(map_id = CVE_GEO, fill = GM_2020,  color = "GM_2020")) +
          expand_limits(x = capas_estados$long, 
                        y = capas_estados$lat) + 
           theme_transparent() + 
            theme(plot.title = element_text(size = 22, hjust = 0.15, family = "Montserrat", face = "bold"),
                  plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                  plot.caption = element_text(size = 10, hjust = 0.2, vjust = 1, family = "Montserrat"),
                  legend.key.size = unit(0.5, "cm"),
                  legend.text = element_text(size = 10, family = "Montserrat"), 
                  legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                  legend.position = c(0.8, 0.7)) + 
             scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
              scale_color_manual(values = c("#BDBDBD")) + 
               guides(color = 'none') +
       labs(title = "Índice de marginación a nivel estatal, 2020",
            subtitle = "Utilizando ggmap",
             fill = stringr::str_wrap("Grado de marginación", 10),
              caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "/Output/IME_2020_gmap.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)
p

Google API

Al utilizar la paquetería ggmap permitira usar una colección de funciones para visualizar datos espaciales y modelos sobre mapas estáticos de varias fuentes en línea como Google Maps. Incluye herramientas comunes a esas tareas, incluidas funciones de geolocalización y enrutamiento, además de que estéticamente se vean más profesionales.
Para obtener más funciones, consulte la documentación de ggmap o (guias básicas de introducción a ggmap, Mapas estáticos con ggmap).

La idea central que impulsa ggmap es tomar una imagen de mapa descargada de la plataforma de Google Maps y, trazarla como una capa contextual usando el paquete ggplot2 y posteriormente incluir capas de contenido adicionales de datos, estadísticas o modelos en la parte superior del mapa.

Pero para poder acceder a esta nube de datos, la función get_map() es una función contenedora para las funciones subyacentes get_googlemap, get_openstreetmap, get_stamenmap y get_cloudmademap que acepta una amplia gama de argumentos y devuelve un objeto ráster clasificado para trazar con ggmap. Donde la característica importante de cualquier mapa es la ubicación longitud/latitud.

Si bien cada fuente de mapas tiene su propia interfaz de programación de aplicaciones web (API), en este caso, es necesario crear una cuenta en Google Cloud y generar una credencial para habilitar a las API de Google.

require(ggmap)
register_google(key = "[your key]")

A menudo se necesita recopilar conjuntos de datos espaciales de diferentes fuentes y/o datos que cubran diferentes extensiones espaciales. Donde muchas veces los datos espaciales provienen de diferentes fuentes y cubren diferentes extensiones que a menudo se encuentran en diferentes sistemas de referencia de coordenadas (CRS), como es el caso del índice de marginación a nivel estatal que fue proyectado con los shapefiles proporcionados por el INEGI.

## El sistema de referencia de coordenadas (INEGI)
proj4string(shape_estados) 
## "+proj=lcc +lat_0=12 +lon_0=-102 +lat_1=17.5 +lat_2=29.5 +x_0=2500000 +y_0=0 +ellps=GRS80 +units=m +no_defs"

Haciendo uso de la función spTransform() del paquete sp, proporcionan la transformación entre datum(s) y conversión entre proyecciones (también conocidas como proyección y/o reproyección), de un sistema de referencia de coordenadas (CRS).

require(sp)

shape_estados_T <- spTransform(shape_estados, CRSobj = CRS('+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs')) %>%
                    sp::spChFIDs(., str_pad(shape_estados@data$CVE_GEO, 2, "left", pad = "0")) %>%
                     fortify(., id = "CVE_GEO") %>%
                       left_join(., IME_2020 %>% dplyr::select(CVE_GEO, NOM_ENT, GM_2020),
                                 by = c("id" = "CVE_GEO"))  

Ejemplo.- Mapa a nivel estatal

Antes de poder visualizar el mapa es importante elegir el sistema de coordenadas del sitio de representación. Dichas coordenadas pueden obtenerse del sistema información geográfico de los shapefiles (previamente transformado al Sistema Geodésico Mundial), ya que este proporciona las longitudes y latitudes o bien se puede geolocalizar el punto de interés con su ubicación geográfica y/o posicionarse directamente mediante Google Earth.

# Se buscan los límites del shape de estados  
location <- c(left = min(shape_estados_T$long), 
              bottom = min(shape_estados_T$lat),
              right = max(shape_estados_T$long),
              top = max(shape_estados_T$lat))

p <- get_map(location = location, source = "google", maptype="roadmap", scale = 1) %>% 
       ggmap() + 
        geom_polygon(data = shape_estados_T, 
                      mapping = aes(x = long, 
                                     y = lat, 
                                      group = group,
                                       fill = fct_relevel(GM_2020,"Muy alto","Alto","Medio","Bajo","Muy bajo")),
                        color = "dark grey",
                         size = 0.5, 
                          alpha = 0.7) +
           expand_limits(x = shape_estados_T$long, 
                         y = shape_estados_T$lat) + 
             theme_transparent() + 
              theme(plot.title = element_text(size = 17, hjust = 0.15, vjust = 0.5, family = "Montserrat", face = "bold"),
                     plot.caption = element_text(size = 9, hjust = 0.2, vjust = 1, family = "Montserrat"),
                      legend.key.size = unit(0.5, "cm"),
                       legend.text = element_text(size = 8, family = "Montserrat"), 
                        legend.title = element_text(size = 10, hjust = 0.5, family = "Montserrat", face = "bold"),
                         legend.position = "right") +   
                scale_fill_manual(values = usecol(pal_petrol, n = 5)) + 
                 scale_color_manual(values = usecol(pal_petrol, n = 5)) + 
                  guides(color = 'none') +
        labs(title = "Índice de marginación a nivel estatal, 2020",
              fill = stringr::str_wrap("Grado de marginación", 10),
               caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = paste0(here::here(),"/img/img_2020_ggmap_API.pdf")
#ggexport (p, width = 8, height = 5, res = 400, filename = path)

Caso particular

#Paquetes
require(ggimage) # Utiliza la función geom_image
require(grDevices) # Nos permite leer los archivos .svg 

# Se genera un data frame de la ubicación a mapear
location <- data.frame(lon = -100.445009, lat = 20.705260)

get_googlemap(center = c(lon = -100.445009, lat = 20.705260), maptype = "satellite", zoom = 16) %>% 
 ggmap(extent = "normal") +
   geom_point(data = location, mapping = aes(x = -100.445009, 
                                              y = 20.705260)) + 
    geom_image(data = location, mapping = aes(image = "https://upload.wikimedia.org/wikipedia/commons/e/ed/Map_pin_icon.svg", 
                                               x = lon, 
                                                y = lat), 
                size = 0.05) + 
      theme_transparent() + 
       scale_y_continuous(labels = scales::number_format(accuracy = 0.01, decimal.mark = '.')) +
        scale_x_continuous(labels = scales::number_format(accuracy = 0.1, decimal.mark = '.')) +
         labs(x = "", 
               y = "")

geom_polygon

La función geom_polygon() de la paquetería ggplot2, devuelve un objeto ggplot en el cual dibuja líneas entre puntos y los cierra ( es decir, dibuja una línea desde el último punto hasta el primer punto). En el cual es importante tener en cuenta que el data.frame incluye columnas con la ubicación de las áreas geográficas y se agregan como argumentos en la función aes(x = long, y = lat). También se incluye una columna que describe el orden en que se deben conectar estos puntos para formar un polígono (order), el nombre del estado (id) y una columna de grupo que separa los puntos en polígonos únicos que se deben trazar aes (group = group).

# Paleta de colores
require(unikn) 

p <- ggplot() + 
      geom_polygon(data = capas_estados,
                    mapping = aes(x = long, 
                                   y = lat, 
                                    group = group,
                                     fill = fct_relevel(GM_2020,"Muy alto","Alto","Medio","Bajo","Muy bajo")),
                     color = "dark grey",
                      size = 0.5) +
        expand_limits(x = capas_estados$long,  
                      y = capas_estados$lat) + 
         theme_transparent() + 
          theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                axis.text = element_blank(),
                axis.title = element_blank(),
                axis.ticks = element_blank(),
                legend.key.size = unit(0.5, "cm"),
                legend.text = element_text(size = 10, family = "Montserrat"), 
                legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                legend.position = c(0.8, 0.7)) + 
           scale_fill_manual(values = rev(usecol(pal = pal_petrol, n = 5))) + 
            scale_color_manual(values = c("#BDBDBD")) +  
             guides(color = guide_legend(override.aes = list(fill = usecol(pal = pal_petrol, n = 5)))) +
       labs(title = "Índice de marginación a nivel estatal, 2020",
            subtitle = "Utilizando geom_polygon()",
             fill = stringr::str_wrap("Grado de marginación", 10),
              caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IME_2020_geom_polygon.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

tmap

Con el paquete tmap se pueden generar mapas temáticos con gran flexibilidad. La sintaxis para crear gráficos es similar a la de ggplot2, pero adaptada a los mapas. Además, ofrece un sistema de trazado coherente para mapas temáticos que se basan en la estructura de las capas en los gráficos. Los mapas temáticos se crean apilando capas, donde cada capa y cada dato se pueden asignar a una o más aes (). También es posible escalarlos y agregando posibles atributos del mapa, como una barra de escala o una brújula.

Una de las ventajas a diferencia de ggplot(), es más rápido de generar los gráficos y permite trabajar con múltiples capas a la vez. Además, permite hacerlo de manera interactiva como un widget HTML.

La función tm_shape, crea un elemento que especifica un objeto de SpatialPolygonsDataFrame, sin la necesidad de convertir los datos a un data.frame. GitHub: r-tmap/tmap

# Paquetes 
require(tmap)
require(tmaptools)

p <- tm_shape(layer_estados) + 
      tm_polygons("GM_2020", 
                  title = "Grado de \n marginación",
                  palette = "BuPu", 
                  na.show = FALSE,
                  ) + 
       tm_borders(col = "grey", lwd = 0.5) + 
        tm_layout(title = "Índice de marginación a nivel estatal, 2020",
                    title.fontfamily = "Montserrat",
                    title.fontface = "bold",
                    title.size = 2,
                    title.position = c("center", "top"), 
                    main.title.fontface = "bold",
                    main.title.position = c("center", "top"),
                    main.title.size = 7, 
                    main.title.fontfamily = "Montserrat",
                    legend.outside = TRUE,
                    legend.outside.position = c("center", "right"),
                    legend.title.fontfamily = "Montserrat",
                    legend.na.show = FALSE,
                    legend.title.fontface = "bold", 
                    legend.text.fontfamily = "Montserrat",
                    legend.title.size = 1, 
                    legend.text.size = 0.8, 
                    legend.frame = FALSE,
                    fontfamily = "Montserrat",
                    frame = FALSE) + 
          tm_credits(expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")),
                      position=c("left", "bottom"), 
                       size = 1.1)
     
#path = "Images/IME_2020_tmap.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

ggspatial

Cualquier capa espacial se puede agregar a un ggplot() usando la función layer_spatial() del paquete ggspatial (bueno, cualquier objeto de los paquetes sf, sp o raster…). Estas capas entrenarán las escalas y a diferencia de las funciones geom_ o stat_, layer_spatial() siempre toma sus datos primero sin necesidad de especificar los límites de las escalas. Estructura ggspatial.

# Paquete 
require(ggspatial)

paleta <- colorRampPalette(pals::kovesi.linear_bmy_10_95_c78(10))(5)

p <- ggplot() + 
      layer_spatial(layer_estados, aes(fill = GM_2020)) + 
       theme_transparent() + 
        theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
              plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
              plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
              axis.text = element_blank(),
              axis.title = element_blank(),
              axis.ticks = element_blank(),
              legend.key.size = unit(0.5, "cm"),
              legend.text = element_text(size = 10, family = "Montserrat"), 
              legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
              legend.position = c(0.8, 0.7)) + 
         scale_fill_manual(values = paleta) +
          scale_color_manual(values = c("#BDBDBD")) + 
           guides(color = guide_legend(override.aes = list(fill = usecol(pal = pal_petrol, n = 5)))) +
     labs(title = "Índice de marginación a nivel estatal, 2020",
           subtitle = "Utilizando ggspatial()",
            fill = stringr::str_wrap("Grado de marginación", 10), 
             caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IME_2020_ggspatial.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

geom_sf

Conversión de datos: st_as_sf, convierte un objeto externo en un spatial object.

Los objetos espaciales creados por el paquete sp (que hasta hace poco era la forma estándar de manejar datos espaciales en R) se pueden formatear en un formato de características simples usando la función st_as_sf():

#Paquetes
require(sf)
estados_sf <- st_as_sf(capas_estados, 
                        coords = c("long","lat"),
                         crs = "+proj=lcc +lat_0=12 +lon_0=-102 +lat_1=17.5 +lat_2=29.5 +x_0=2500000 +y_0=0 +ellps=GRS80 +units=m +no_defs") 

A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

# Paquetes 
require(ggplot2)
require(tibble)
require(sf)

paleta <- rev(colorRampPalette(pals::brewer.seqseq1(10))(5))

p <- ggplot(data = tbl_estados) +  
      geom_sf(mapping = aes(geometry = geometry, 
                             fill = fct_relevel(GM_2020,"Muy alto","Alto","Medio","Bajo","Muy bajo")),
               color = "#BDBDBD", 
                size = 0.1)  + 
       theme_transparent() + 
        theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
              plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
              plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
              axis.text = element_blank(),
              axis.title = element_blank(),
              axis.ticks = element_blank(),
              legend.key.size = unit(0.5, "cm"),
              legend.text = element_text(size = 10, family = "Montserrat"), 
              legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
              legend.position = c(0.8, 0.7)) + 
          scale_fill_manual(values = paleta) + 
           scale_color_manual(values = paleta) + 
            guides(color = guide_legend(override.aes = list(fill = rev(usecol(pal = pal_petrol, n = 5))))) +
      labs(title = "Índice de marginación a nivel estatal, 2020",
           subtitle = "Utilizando geom_sf()",
            fill = stringr::str_wrap("Grado de marginación", 10),
             caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IME_2020_geom_sf.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)

p

Municipio

geom_map

La función ggmap() devuelve un objeto ggplot. Puede usar este objeto ggplot resultante como lo haría con cualquier otro objeto ggplot (ejemplo, agregar geoms, cambiar tema). GitHub: fresques/ggmap

Una de las bondades del paquete ggmap, permite hacer mediante el uso de herramientas de Google Maps directamente desde R. Este paquete permite extraer un mapa base de Google Maps y algunos otros servidores de mapas, para que luego se puedan trazar y agregar puntos, polígonos, líneas y otros elementos usando funciones ggplot2. Este paquete usa la API de Google Maps. Otras funciones en el paquete ggmap, necesita una clave API de Google Maps para que funcione.

p <- IMM_2020 %>% 
      mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")) %>%
       ggplot() + 
        geom_map(map = capas_municipios, 
                  aes(map_id = CVE_GEO, fill = GM_2020), 
                   color = 'transparent')  +
         geom_polygon(capas_estados,
                       mapping = aes(x = long, 
                                     y = lat, 
                                     group = group),
                       color = "dark grey",
                       fill = "transparent",
                       size = 0.6) +
           expand_limits(x = capas_municipios$long, y = capas_municipios$lat) + 
            theme_transparent() + 
             theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                   plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                   plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                   axis.text = element_blank(),
                   axis.title = element_blank(),
                   axis.ticks = element_blank(),
                   legend.key.size = unit(0.5, "cm"),
                   legend.text = element_text(size = 10, family = "Montserrat"), 
                   legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                   legend.position = c(0.8, 0.7)) + 
              scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
               scale_color_manual(values = c("#BDBDBD")) +  
                guides(color = 'none') +
          labs(title = "Índice de marginación a nivel municipal, 2020",
                subtitle = "Utilizando ggmap()",
                 fill = stringr::str_wrap("Grado de marginación", 10),
                  caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IMM_2020_gmap.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

geom_polygon

La función geom_polygon() de la paquetería ggplot2, devuelve un objeto ggplot en el cual dibuja líneas entre puntos y los cierra ( es decir, dibuja una línea desde el último punto hasta el primer punto). En el cual es importante tener en cuenta que el data.frame incluye columnas con la ubicación de las áreas geográficas y se agregan como argumentos en la función aes(x = long, y = lat). También se incluye una columna que describe el orden en que se deben conectar estos puntos para formar un polígono (order), el nombre del municipio (id) y una columna de grupo que separa los puntos en polígonos únicos que se deben trazar aes (group = group).

# Paleta de colores
require(unikn) 

p <- ggplot() + 
      geom_polygon(capas_municipios,
                    mapping = aes(x = long, 
                                  y = lat, 
                                  group = group, 
                                  fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                     color = "transparent",  
                      size = .15,
                       alpha = 0.9) +
      geom_polygon(capas_estados,
                    mapping = aes(x = long, 
                                  y = lat, 
                                  group = group),
                     color = "dark grey",
                      fill = "transparent",
                       size = 0.6) +
       coord_equal() +
        theme_transparent() + 
             theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                   plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                   plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                   axis.text = element_blank(),
                   axis.title = element_blank(),
                   axis.ticks = element_blank(),
                   legend.key.size = unit(0.5, "cm"),
                   legend.text = element_text(size = 10, family = "Montserrat"), 
                   legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                   legend.position = c(0.8, 0.7)) + 
              scale_fill_manual(values = rev(usecol(pal = pal_petrol, n = 5))) + 
               scale_color_manual(values = c("#BDBDBD")) +  
                guides(color = 'none') +
          labs(title = "Índice de marginación a nivel municipal, 2020",
                subtitle = "Utilizando geom_polygon()",
                 fill = stringr::str_wrap("Grado de marginación", 10),
                  caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IMM_2020_geom_polygon.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

tmap

Con el paquete tmap se pueden generar mapas temáticos con gran flexibilidad. La sintaxis para crear gráficos es similar a la de ggplot2, pero adaptada a los mapas. Además, ofrece un sistema de trazado coherente para mapas temáticos que se basan en la estructura de las capas en los gráficos. Los mapas temáticos se crean apilando capas, donde cada capa y cada dato se pueden asignar a una o más aes (). También es posible escalarlos y agregando posibles atributos del mapa, como una barra de escala o una brújula.

Una de las ventajas a diferencia de ggplot(), es más rápido de generar los gráficos y permite trabajar con múltiples capas a la vez. Además, permite hacerlo de manera interactiva como un widget HTML.

La función tm_shape, crea un elemento que especifica un objeto de SpatialPolygonsDataFrame, sin la necesidad de convertir los datos a un data.frame. GitHub: r-tmap/tmap

# Paquetes
require(tmap)
require(tmaptools)
require(sf)

paleta <- rev(colorRampPalette(pals::brewer.bupu(10))(6))
paleta <- c("#4D004B", "#832C8E", "#8B73B4", "#9CB1D4", "#CBDCEB")

p <- tm_shape(layer_municipios, id = "CVE_GEO") +
      tm_polygons("GM_2020",
                   title = stringr::str_wrap("Grado de marginación", 10),
                    palette = paleta,
                     border.col = NA
                  ) + 
       tm_shape(st_as_sf(layer_estados), is.master = TRUE) +
        tm_borders(col = "grey", lwd = 1) +
          tm_layout(title = "Índice de marginación a nivel municipal, 2020",
                    title.fontfamily = "Montserrat",
                    title.fontface = "bold",
                    title.size = 2,
                    title.position = c("center", "top"), 
                    main.title.fontface = "bold",
                    main.title.position = c("center", "top"),
                    main.title.size = 7, 
                    main.title.fontfamily = "Montserrat",
                    legend.outside = TRUE,
                    legend.outside.position = c("center", "right"),
                    legend.title.fontfamily = "Montserrat",
                    legend.na.show = FALSE,
                    legend.title.fontface = "bold", 
                    legend.text.fontfamily = "Montserrat",
                    legend.title.size = 1, 
                    legend.text.size = 0.8, 
                    legend.frame = FALSE,
                    fontfamily = "Montserrat",
                    frame = FALSE) + 
            tm_credits(expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")),
                        position = c("left", "bottom"), 
                         size = 1.1) 
     
#path = "Images/IMM_2020_tmap.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

geom_sf

A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

# Paquetes
require(ggplot2)
require(tibble)
require(sf) 

# Paleta  
paleta <- rev(colorRampPalette(pals::brewer.seqseq1(20))(5))

p <- ggplot() +
      geom_sf(data = tbl_municipios,
               mapping = aes(geometry = geometry, 
                             fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"),
                             color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo","Muy bajo")),
                  size = 0.1) + 
       geom_sf(data = tbl_estados,
                mapping = aes(geometry = geometry), 
                 fill = 'transparent',
                  color = "black") +
        coord_sf() +
         theme_transparent() + 
          theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                axis.text = element_blank(),
                axis.title = element_blank(),
                axis.ticks = element_blank(),
                legend.key.size = unit(0.5, "cm"),
                legend.text = element_text(size = 10, family = "Montserrat"), 
                legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                legend.position = c(0.8, 0.7)) + 
          scale_fill_manual(values = paleta) + 
           scale_color_manual(values = paleta) +  
            guides(color = 'none') +
          labs(title = "Índice de marginación a nivel municipal, 2020",
                subtitle = "Utilizando geom_sf()",
                 fill = stringr::str_wrap("Grado de marginación", 10),
                  caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
#path = "Images/IMM_2020_geom_sf.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

Localidad

geom_map

La función ggmap() devuelve un objeto ggplot. Puede usar este objeto ggplot resultante como lo haría con cualquier otro objeto ggplot (ejemplo, agregar geoms, cambiar tema). GitHub: fresques/ggmap

Una de las bondades del paquete ggmap, permite hacer mediante el uso de herramientas de Google Maps directamente desde R. Este paquete permite extraer un mapa base de Google Maps y algunos otros servidores de mapas, para que luego se puedan trazar y agregar puntos, polígonos, líneas y otros elementos usando funciones ggplot2. Este paquete usa la API de Google Maps. Otras funciones en el paquete ggmap, necesita una clave API de Google Maps para que funcione.

p <- IML_2020 %>% 
      mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")) %>%
       ggplot() + 
        geom_map(map = capas_localidad, 
                  aes(map_id = CVE_GEO, fill = GM_2020), 
                   color = 'transparent')  +
         geom_point(capas_localidad_p, 
                      mapping = aes(x = lon, 
                                    y = lat, 
                                    color = GM_2020),
                     size = 0.001)  +
         geom_polygon(capas_estados,
                       mapping = aes(x = long, 
                                     y = lat, 
                                     group = group),
                       color = "dark grey",
                       fill = "transparent",
                       size = 0.6) +
           expand_limits(x = capas_localidad$long, y = capas_localidad$lat) + 
            theme_transparent() + 
             theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                   plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                   plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                   axis.text = element_blank(),
                   axis.title = element_blank(),
                   axis.ticks = element_blank(),
                   legend.key.size = unit(0.5, "cm"),
                   legend.text = element_text(size = 10, family = "Montserrat"), 
                   legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                   legend.position = c(0.8, 0.7)) + 
              scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
               scale_color_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
                guides(color = 'none') +
          labs(title = "Índice de marginación a nivel localidad, 2020",
                subtitle = "Utilizando ggmap()",
                 fill = stringr::str_wrap("Grado de marginación", 10),
                  caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IML_2020_gmap.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

geom_polygon

La función geom_polygon() de la paquetería ggplot2, devuelve un objeto ggplot en el cual dibuja líneas entre puntos y los cierra ( es decir, dibuja una línea desde el último punto hasta el primer punto). En el cual es importante tener en cuenta que el data.frame incluye columnas con la ubicación de las áreas geográficas y se agregan como argumentos en la función aes(x = long, y = lat). También se incluye una columna que describe el orden en que se deben conectar estos puntos para formar un polígono (order), el nombre de la localidad (id) y una columna de grupo que separa los puntos en polígonos únicos que se deben trazar aes (group = group).

p <- ggplot() + 
      geom_polygon(capas_localidad,
                    mapping = aes(x = long, 
                                  y = lat, 
                                  group = group, 
                                  fill = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"), 
                                  color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                     size = .15) +
       geom_point(capas_localidad_p,
                   mapping = aes(x = lon, 
                                 y = lat, 
                                 color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                    size = .01,
                     alpha = 0.9) +
        geom_polygon(capas_estados,
                      mapping = aes(x = long, 
                                    y = lat,  
                                    group = group), 
                       fill = 'transparent',
                        color = "grey", 
                         size = 1) +
         coord_equal()  + 
          theme_transparent() + 
           theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                 plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                 plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                 axis.text = element_blank(),
                 axis.title = element_blank(),
                 axis.ticks = element_blank(),
                 legend.key.size = unit(0.5, "cm"),
                 legend.text = element_text(size = 10, family = "Montserrat"), 
                 legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                 legend.position = c(0.8, 0.7)) + 
            scale_fill_manual(values = rev(usecol(pal = pal_petrol, n = 5))) + 
             scale_color_manual(values = rev(usecol(pal = pal_petrol, n = 5))) + 
             guides(color = 'none') +
      labs(title = "Índice de marginación a nivel localidad, 2020",
            subtitle = "Utilizando geom_polygon()",
            fill = stringr::str_wrap("Grado de marginación", 10),
             caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IML_2020_geom_polygon.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)

p

Por estados

Se implementa una función para visualizar la distribución geográfica de las localidades, tanto a nivel estatal como municipal, lo que permite un análisis detallado de su distribución territorial en todo el país. Para efectos demostrativos, se utiliza como ejemplo el estado de Querétaro, específicamente el municipio de San Juan del Río.

# Clave única de estados 
estados <- unique(IML_2020$ENT)
nom_ent <- unique(IML_2020$NOM_ENT)

p <- NULL 
q <- NULL
#for(i in 1:32){
for(i in 22){
  
municipio <- IML_2020 %>% 
              mutate(CVE_MUN = paste0(ENT, MUN)) %>%
               filter(ENT == estados[i]) %>% 
                dplyr::select(CVE_MUN) %>%
                 unique()

nom_mun <- IML_2020 %>% 
            filter(ENT == estados[i]) %>% 
             dplyr::select(NOM_MUN) %>%
               unique()

p[[i]] <- ggplot() + 
           geom_polygon(capas_estados %>% filter(id == estados[i]),
                         mapping = aes(x = long, 
                                       y = lat, 
                                       group = group), 
                          fill = 'transparent',
                           color = "black", 
                            size = .5,
                             alpha = 1) +
           geom_polygon(capas_municipios %>% filter(CVE_ENT == estados[i]),
                         mapping = aes(x = long, 
                                       y = lat, 
                                       group = group), 
                          fill = 'transparent',
                           color = "#7A7A7A", 
                            size = .2,
                             alpha = 0.9) +
           geom_polygon(capas_localidad %>% filter(ENT == estados[[i]]),
                         mapping = aes(x = long, 
                                       y = lat, 
                                       group = group, 
                                       fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"),
                                       color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                         size = 0.5,
                         alpha = 0.6) +
           geom_point(capas_localidad_p %>% filter(ENT == estados[[i]]),
                       mapping = aes(x = lon, 
                                     y = lat, 
                                     fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"),
                                     color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                        size = 0.01,
                        alpha = 0.8) +
             coord_equal() +
              theme_transparent() + 
               theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                     plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                     plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                     axis.text = element_blank(),
                     axis.title = element_blank(),
                     axis.ticks = element_blank(),
                     legend.key.size = unit(0.5, "cm"),
                     legend.text = element_text(size = 10, family = "Montserrat"), 
                     legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                     legend.position = "bottom") + 
                scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
                 scale_color_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
                  guides(color = 'none', 
                         fill = guide_legend(override.aes = list(alpha = 1))) +
          labs(title = stringr::str_wrap(paste(nom_ent[i], ": índice de marginación a nivel localidad, 2020"), 80),
                fill = stringr::str_wrap("Grado de marginación", 10),
                 #caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020"))
               )

for(j in 1:nrow(municipio)){
  
q[[j]] <- ggplot() + 
           geom_polygon(data = capas_municipios %>% filter(id == municipio$CVE_MUN[j]), 
                         mapping = aes(x = long, 
                                       y = lat, 
                                       group = group), 
                          fill = 'transparent',
                           color="black", 
                            size = .5,
                             alpha = 0.9) +
           geom_polygon(data = capas_localidad %>% 
                                 mutate(CVE_MUN = paste0(ENT, MUN)) %>% 
                                  filter(CVE_MUN == municipio$CVE_MUN[j]),
                         mapping = aes(x = long, 
                                       y = lat, 
                                       group = group, 
                                       fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"),
                                       color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                          size = 0.8,
                          alpha = 1) +
           geom_point(capas_localidad_p %>% 
                       mutate(CVE_MUN = paste0(ENT, MUN)) %>% 
                        filter(CVE_MUN == municipio$CVE_MUN[j]),
                         mapping = aes(x = lon, 
                                       y = lat, 
                                       fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"),
                                       color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                         size = 0.8,
                         alpha = 0.5) +
             coord_equal() +
             theme_transparent() + 
              theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                    plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                    plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                    axis.text = element_blank(),
                    axis.title = element_blank(),
                    axis.ticks = element_blank(),
                    legend.key.size = unit(0.5, "cm"),
                    legend.text = element_text(size = 10, family = "Montserrat"), 
                    legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                    legend.position = "right") + 
                scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
                 scale_color_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
                  guides(color = 'none', fill = "none") + 
           labs(title = str_wrap(paste(nom_mun$NOM_MUN[j]),50),
                 fill = stringr::str_wrap("Grado de marginación", 10))
  }
}

# Se genera un gráfico con su estado y municipio 

### Se extrae la estructura de  la legenda del gráfico de entidad 

legend <- get_legend(p[[22]] + theme(legend.key.size = unit(0.5, "cm"),
                                      legend.text = element_text(size = 14, family = "Montserrat"), 
                                       legend.title = element_text(size = 16, hjust = 0.5, family = "Montserrat", face = "bold"),                                legend.position = "right"))

tabla <- lapply(1:nrow(municipio), function(x){
                                      ggarrange(p[[22]] + guides(fill = 'none') + labs(title = ""),
                                                 q[[x]], 
                                                  legend , 
                                                    ncol = 3, nrow = 1,
                                                     widths = c(1, 1, 0.5),
                                                      heights = c(1, 0.3, 1))
})

### Se generan los títulos y los pie de página del gráfico 

tabla <- lapply(1:nrow(municipio), function(x){
                                     annotate_figure(tabla[[x]], 
                                                     top = text_grob(stringr::str_wrap(paste(nom_ent[22], ": índice de marginación a nivel localidad, 2020"), 50),
                                                                     family = "Montserrat", 
                                                                     face = "bold", 
                                                                     size = 22), 
                                                     bottom = text_grob(expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")),
                                                                     family = "Montserrat", 
                                                                     face = "plain", 
                                                                     size = 12,
                                                                     hjust = 0.5))
})

#path = "Images/IML_2020_por estado_geom_polygon.pdf"
#ggexport(list = tabla, width = 8, height = 5, res = 400, filename = path)

tabla[[16]]

tmap

Con el paquete tmap se pueden generar mapas temáticos con gran flexibilidad. La sintaxis para crear gráficos es similar a la de ggplot2, pero adaptada a los mapas. Además, ofrece un sistema de trazado coherente para mapas temáticos que se basan en la estructura de las capas en los gráficos. Los mapas temáticos se crean apilando capas, donde cada capa y cada dato se pueden asignar a una o más aes (). También es posible escalarlos y agregando posibles atributos del mapa, como una barra de escala o una brújula.

Una de las ventajas a diferencia de ggplot(), es más rápido de generar los gráficos y permite trabajar con múltiples capas a la vez. Además, permite hacerlo de manera interactiva como un widget HTML.

La función tm_shape, crea un elemento que especifica un objeto de SpatialPolygonsDataFrame, sin la necesidad de convertir los datos a un data.frame. GitHub: r-tmap/tmap.

# Paquetes
require(tmap)
require(tmaptools)
require(sf)

paleta <- rev(colorRampPalette(pals::brewer.bupu(10))(6))
paleta <- c("#4D004B", "#832C8E", "#8B73B4", "#9CB1D4", "#CBDCEB")

p <- tm_shape(layer_localidad, id = "CVE_GEO") +
      tm_polygons(fill = "GM_2020",
                  fill.legend = tm_legend(title = str_wrap("Grado de marginación", 10)),
                  fill.scale = tm_scale(values = paleta),
                  col = NA  # sin borde
                  ) + 
       tm_shape(st_as_sf(layer_localidad_p), id = "CVE_GEO") +
        tm_dots(fill = "GM_2020",
                fill.legend = tm_legend(title = str_wrap("Grado de marginación", 10)),
                fill.scale = tm_scale(values = paleta),
                legend.show = FALSE,
                size = 0.03
                  ) + 
       tm_shape(st_as_sf(layer_estados), is.master = TRUE) +
        tm_borders(col = "grey", lwd = 1.3) +
          tm_layout(title = "Índice de marginación a nivel localidad, 2020",
                    title.fontfamily = "Montserrat",
                    title.fontface = "bold",
                    title.size = 2,
                    title.position = c("center", "top"), 
                    main.title.fontface = "bold",
                    main.title.position = c("center", "top"),
                    main.title.size = 7, 
                    main.title.fontfamily = "Montserrat",
                    legend.outside = TRUE,
                    legend.outside.position = c("center", "right"),
                    legend.title.fontfamily = "Montserrat",
                    legend.na.show = FALSE,
                    legend.title.fontface = "bold", 
                    legend.text.fontfamily = "Montserrat",
                    legend.title.size = 1, 
                    legend.text.size = 0.8, 
                    legend.frame = FALSE,
                    fontfamily = "Montserrat",
                    frame = FALSE) + 
            tm_credits(expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")),
                        position = c("left", "bottom"), 
                         size = 1.1) 
     
#path = "Images/IML_2020_tmap.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

geom_sf

A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

require(ggplot2)
require(tibble)
require(sf) 

# Paleta  
paleta <- rev(colorRampPalette(pals::brewer.seqseq1(20))(5))

p <- list()
#for(i in 1:32){
for(i in 7){
  limites <- capas_estados %>%
               filter(id == estados[i]) %>%
                 summarise(min.x = min(.$long),
                           max.x = max(.$long),
                           min.y = min(.$lat),
                           max.y = max(.$lat))

p[[i]] <-  ggplot() + 
            geom_sf(data = tbl_localidad,
                     mapping = aes(geometry = geometry, 
                                   fill = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"),
                                   color = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"))) +
             geom_sf(data = tbl_localidad_p,
                     mapping = aes(geometry = geometry, 
                                   fill = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"),
                                   color = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo")),
                     size = 0.05) +
              geom_sf(data = tbl_municipios,
                       mapping = aes(geometry = geometry), 
                        fill = 'transparent',
                         color = "#D4D4D4",
                          size = 0.3) + 
               geom_sf(data = tbl_estados,
                        mapping = aes(geometry = geometry), 
                         fill = 'transparent',
                          color = "black") +
                coord_sf(xlim = c(limites$min.x,limites$max.x),
                         ylim = c(limites$min.y,limites$max.y)) +
                 theme_transparent() + 
                  theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                        plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                        plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                        axis.text = element_blank(),
                        axis.title = element_blank(),
                        axis.ticks = element_blank(),
                        legend.key.size = unit(0.5, "cm"),
                        legend.text = element_text(size = 10, family = "Montserrat"), 
                        legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                        legend.position = "right") + 
                   scale_fill_manual(values = paleta) + 
                    scale_color_manual(values = paleta) + 
                 labs(title = paste("Estado:", paste(nom_ent[i])),
                      subtitle = "Utilizando geom_sf()",
                      fill = stringr::str_wrap("Grado de marginación", 10),
                      color = stringr::str_wrap("Grado de marginación", 10),
                      caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
}

#path = "Images/IML_2020_geom_sf.pdf"
#ggexport(list = p, width = 8, height = 5, res = 400, filename = path)

p[[7]]

Mapa con filtro

require(ggplot2)
require(tibble)
require(sf)

# Paleta  
paleta <- rev(colorRampPalette(pals::brewer.seqseq1(9))(5))

p <- list()
#for(i in 1:32){
for(i in 7){
  limites <- capas_estados %>%
               filter(id == estados[i]) %>%
                 summarise(min.x = min(.$long),
                           max.x = max(.$long),
                           min.y = min(.$lat),
                           max.y = max(.$lat))

p[[i]] <-  ggplot() + 
            geom_sf(data = tbl_localidad %>% filter(CVE_ENT == estados[i]),
                     mapping = aes(geometry = geometry, 
                                   fill = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"),
                                   color = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"))) + 
             geom_sf(data = tbl_localidad_p %>% filter(CVE_ENT == estados[i]),
                      mapping = aes(geometry = geometry, 
                                    fill = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"),
                                    color = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo")),
                       size = 0.05) +
              geom_sf(data = tbl_municipios %>% filter(CVE_ENT == estados[i]),
                       mapping = aes(geometry = geometry), 
                        fill = 'transparent',
                         color = "#D4D4D4",
                          size = 0.3) + 
               geom_sf(data = tbl_estados %>% filter(CVE_ENT == estados[i]),
                        mapping = aes(geometry = geometry), 
                         fill = 'transparent',
                          color = "black") +
                coord_sf(xlim = c(limites$min.x,limites$max.x),
                         ylim = c(limites$min.y,limites$max.y)) +
                 theme_transparent() + 
                  theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                        plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                        plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                        axis.text = element_blank(),
                        axis.title = element_blank(),
                        axis.ticks = element_blank(),
                        legend.key.size = unit(0.5, "cm"),
                        legend.text = element_text(size = 10, family = "Montserrat"), 
                        legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                        legend.position = "right") + 
                   scale_fill_manual(values = paleta) + 
                    scale_color_manual(values = paleta) + 
                 labs(title = paste("Estado:", paste(nom_ent[i])),
                      subtitle = "Utilizando geom_sf()",
                      fill = stringr::str_wrap("Grado de marginación", 10),
                      color = stringr::str_wrap("Grado de marginación", 10),
                      caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
}

#path = "Images/IML_2020_geom_sf.pdf"
#ggexport (list = p, width = 8, height = 5, res = 400, filename = path)

p[[7]]

AGEB

geom_map

La función ggmap() devuelve un objeto ggplot. Puede usar este objeto ggplot resultante como lo haría con cualquier otro objeto ggplot (ejemplo, agregar geoms, cambiar tema). GitHub: fresques/ggmap

Una de las bondades del paquete ggmap, permite hacer mediante el uso de herramientas de Google Maps directamente desde R. Este paquete permite extraer un mapa base de Google Maps y algunos otros servidores de mapas, para que luego se puedan trazar y agregar puntos, polígonos, líneas y otros elementos usando funciones ggplot2. Este paquete usa la API de Google Maps. Otras funciones en el paquete ggmap, necesita una clave API de Google Maps para que funcione.

p <- IMU_2020 %>% 
      mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")) %>%
       ggplot() + 
        geom_map(map = capas_ageb, 
                  aes(map_id = CVE_GEO,
                      fill = GM_2020,
                      color = GM_2020), 
                   size = 1)  +
         geom_polygon(capas_estados,
                       mapping = aes(x = long, 
                                     y = lat, 
                                     group = group),
                       color = "dark grey",
                       fill = "transparent",
                       size = 0.6) +
           expand_limits(x = capas_localidad$long, y = capas_localidad$lat) + 
            theme_transparent() + 
             theme(plot.title = element_text(size = 21, hjust = 0.15, family = "Montserrat", face = "bold"),
                   plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                   plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                   axis.text = element_blank(),
                   axis.title = element_blank(),
                   axis.ticks = element_blank(),
                   legend.key.size = unit(0.5, "cm"),
                   legend.text = element_text(size = 10, family = "Montserrat"), 
                   legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                   legend.position = c(0.8, 0.7)) + 
              scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
               scale_color_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
                guides(color = 'none') +
          labs(title = "Índice de marginación a nivel AGEB, 2020",
                subtitle = "Utilizando ggmap()",
                 fill = stringr::str_wrap("Grado de marginación", 10),
                  caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IMU_2020_gmap.pdf"
#ggexport(p, width = 8, height = 5, res = 400, filename = path)

p

geom_polygon

La función geom_polygon() de la paquetería ggplot2, devuelve un objeto ggplot en el cual dibuja líneas entre puntos y los cierra ( es decir, dibuja una línea desde el último punto hasta el primer punto). En el cual es importante tener en cuenta que el data.frame incluye columnas con la ubicación de las áreas geográficas y se agregan como argumentos en la función aes(x = long, y = lat). También se incluye una columna que describe el orden en que se deben conectar estos puntos para formar un polígono (order), el nombre de la ageb (id) y una columna de grupo que separa los puntos en polígonos únicos que se deben trazar aes (group = group).

p <- ggplot() + 
      geom_polygon(capas_estados,
                    mapping = aes(x = long, 
                                  y = lat, 
                                  group = group), 
                     fill = 'transparent',
                      color="black", 
                       size = .15,
                        alpha = 0.9) +
       geom_polygon(capas_ageb,
                     mapping = aes(x = long, 
                                   y = lat, 
                                   group = group, 
                                   fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"), 
                                   color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                      size = .15,
                       alpha = 0.9) +
        coord_equal()  +
         theme_transparent() + 
          theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                axis.text = element_blank(),
                axis.title = element_blank(),
                axis.ticks = element_blank(),
                legend.key.size = unit(0.5, "cm"),
                legend.text = element_text(size = 10, family = "Montserrat"), 
                legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
               legend.position = c(0.8, 0.7)) + 
           scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
            scale_color_viridis_d(option = "A", begin = 0.3, end = 0.8) +  
             guides(color = 'none', 
                    fill = guide_legend(override.aes = list(alpha = 1))) +
              labs(title = "Índice de marginación a nivel AGEB, 2020",
                   subtitle = "Utilizando geom_polygon()",
                   fill = stringr::str_wrap("Grado de marginación", 10),
                   caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))


#path = "Images/IMU_2020_geom_polygon.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)

p

Zona Metropolitana del Valle de México (ZMVM)

tabla <- ZM_2020 %>%
          filter(CVE_ZM == "09.01")

p <-  ggplot() + 
       geom_polygon(capas_estados %>% filter(id %in% c("09", "13", "15")),
                     mapping = aes(x = long, 
                                   y = lat, 
                                   group = group), 
                      fill = 'transparent',
                       color = "black", 
                        size = 1,
                         linewidth = 1.2,
                          alpha = 0.9) +
       geom_polygon(capas_municipios %>% filter(CVE_ENT %in% c("09", "13", "15")),
                     mapping = aes(x = long, 
                                   y = lat, 
                                   group = group), 
                      fill = 'transparent',
                       color = "#C7C7C7", 
                        size = .1,
                         alpha = 0.7) +
       geom_polygon(capas_zm %>% filter(CVE_ZM %in% "09.01"),
                     mapping = aes(x = long, 
                                   y = lat, 
                                   group = group, 
                                   fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"),
                                   color = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                      size = .15,
                       alpha = 0.7) +
        coord_equal() +
         theme_transparent() + 
          theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                axis.text = element_blank(),
                axis.title = element_blank(),
                axis.ticks = element_blank(),
                legend.key.size = unit(0.5, "cm"),
                legend.text = element_text(size = 10, family = "Montserrat"), 
                legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
               legend.position = "right") + 
           scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) + 
            scale_color_viridis_d(option = "A", begin = 0.3, end = 0.8) +  
             guides(color = 'none', 
                    fill = guide_legend(override.aes = list(alpha = 1))) +
              guides(color = 'none', 
                      fill = guide_legend(override.aes = list(alpha = 1))) +
       labs(title = "ZMVM: Índice de marginación a nivel AGEB, 2020",
             subtitle = "Utilizando geom_polygon()",
              fill = stringr::str_wrap("Grado de marginación", 10),
               caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IMU_2020_ZMVM_geom_polygon.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)

p

geom_sf

A continuación, se muestra un ejemplo de cómo visualizar objetos sf. Este tipo de función es un poco más amigable de usar.

La función as_tibble de la paquetería tibble, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un data.frame.

# Paquetes
require(ggplot2)
require(tibble)
require(sf)

# Paleta  
paleta <- rev(colorRampPalette(pals::brewer.seqseq1(20))(5))

# Entidades Federativas
estados <- unique(IME_2020$CVE_ENT)
nom_ent <- unique(IME_2020$NOM_ENT)

q <- NULL
p <- list()
#for(i in 1:32){
for(i in 6){
  limites <- capas_estados %>%
               filter(id == estados[i]) %>%
                 summarise(min.x = min(.$long),
                           max.x = max(.$long),
                           min.y = min(.$lat),
                           max.y = max(.$lat))
q[[i]] <-  ggplot() + 
            geom_sf(data = tbl_ageb %>% filter(CVE_ENT == estados[i]),
                     mapping = aes(geometry = geometry, 
                                   fill = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"),
                                   color = fct_relevel(GM_2020, "Muy alto","Alto","Medio","Bajo","Muy bajo"),
                                   linetype = "Line1"),
                      size = 0.7) +
            geom_sf(data = tbl_localidad %>% filter(CVE_ENT == estados[i]),
                     mapping = aes(geometry = geometry, linetype = "Line2"), 
                     fill = 'transparent',
                     color = "#C70E8E", 
                      size = 0.03) + 
            geom_sf(data = tbl_localidad_p %>% filter(CVE_ENT == estados[i]),
                     mapping = aes(geometry = geometry, linetype = "Line2"), 
                      fill = 'transparent',
                       color = "#C70E8E", 
                        size = 0.03) + 
            geom_sf(data = tbl_municipios %>% filter(CVE_ENT == estados[i]),
                     mapping = aes(geometry = geometry), 
                     fill = 'transparent',
                     color = "#D4D4D4",
                     size = 0.3) + 
            geom_sf(data = tbl_estados %>% filter(CVE_ENT == estados[i]),
                     mapping = aes(geometry = geometry), 
                      fill = 'transparent',
                       color = "black") +
             coord_sf(xlim = c(limites$min.x,limites$max.x),
                      ylim = c(limites$min.y,limites$max.y)) +
              theme_transparent() + 
               theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                     plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                     plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                     axis.text = element_blank(),
                     axis.title = element_blank(),
                     axis.ticks = element_blank(),
                     legend.key.size = unit(0.5, "cm"),
                     legend.text = element_text(size = 10, family = "Montserrat"), 
                     legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                     legend.position = "right") + 
                 scale_fill_manual(values = paleta) + 
                  scale_color_manual(values = paleta) +  
                   scale_linetype_manual("Nivel", labels = c("AGEB", "Localidad"), values = c("Line1" = "solid", "Line2" = "solid")) +
                    guides(linetype = guide_legend(override.aes = list(linetype = "solid", 
                                                                       fill = 'transparent', 
                                                                       color = c("#771434", "#C70E8E"), 
                                                                       size = c(0.7, 0.03)))) +
             labs(title = paste("Estados:", nom_ent[i]),
                  subtitle = "Utilizando geom_sf()",
                   fill = stringr::str_wrap("Grado de marginación", 10),
                    color = stringr::str_wrap("Grado de marginación", 10),
                    caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
if(i == 6){
  p[[i]] <- q[[i]] + 
             coord_sf(xlim = c(limites$min.x + 1060000,limites$max.x),
                      ylim = c(limites$min.y,limites$max.y)) 
} else {
  p[[i]] <- q[[i]]
}
}

#path = "Images/IMU_2020_geom_sf.pdf"
#ggexport (list = p, width = 8, height = 5, res = 400, filename = path)

p[[6]]

Complementos

Entidad

Etiquetas

Se utiliza la función coordinates() del paquete sp que permite localizar los centroides de cada estado. Permitiendo de esta manera encontrar la localización para las etiquetas de cada área geográfica y utilizando la función geom_label_repel() mediante los atributos mapping = aes(x = Longitude, y = Latitude) y de esta manera no permitir que las etiquetas del mapa se sobrelapen entre sí y se alejen de los puntos de datos generados por la función coordinates().

#Paquete
require(ggrepel)
#https://github.com/EmilHvitfeldt/paletteer
#devtools::install_github("BlakeRMills/MoMAColors")
require(MoMAColors)

# "coordinates()" extrae los centroides de los polígonos, en el orden indicado en shape@data
centroids.df <- as.data.frame(coordinates(shape_estados)) %>%
                  rename("Longitude" = "V1","Latitude" = "V2")

p <- IME_2020 %>% 
      cbind(., centroids.df) %>%
       ggplot() + 
        geom_polygon(data = capas_estados,
                      mapping = aes(x = long, 
                                    y = lat, 
                                    group = group,
                                    fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                       color = "dark grey",
                        size = 0.5) +
         geom_label_repel(aes(label = stringr::str_wrap(NOM_ENT, 15),
                               x = Longitude,
                                y = Latitude),
                           color = "#06156e",
                            force = 0.6,
                             box.padding = 0.25,
                              min.segment.length = 0.5,
                               size = 3.5, 
                                fill = "transparent",
                                 point.padding = 0.5,
                                  segment.size = 0.7,
                                   segment.colour = "dark grey",
                                    label.size = 0,
                                     alpha = 0.8) +
           expand_limits(x = capas_estados$long,  
                         y = capas_estados$lat) + 
            theme_transparent() + 
             theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                   plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                   plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                   axis.text = element_blank(),
                   axis.title = element_blank(),
                   axis.ticks = element_blank(),
                   legend.key.size = unit(0.5, "cm"),
                   legend.text = element_text(size = 10, family = "Montserrat"), 
                   legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                   legend.position = c(0.9, 0.7)) + 
              scale_fill_moma_d("Ernst", direction = -1) +
               scale_color_moma_d("Ernst", direction = -1) +
                guides(fill = guide_legend(override.aes = list(color = paleta)),
                       color = 'none') +
         labs(title = "Índice de marginación a nivel estatal, 2020",
               fill = stringr::str_wrap("Grado de marginación", 10),
                caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IME_2020_geom_polygon_etiquetas.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)

p

Annotation_scale

Usando las funciones annotation_scale() y annotation_north_arrow() del paquete ggspatial se puede agregar una barra de escala o bien una flecha de norte. El sistema de posicionamiento de estas características está controlado por el argumento de ubicación (ejemplo, location = “tl” ~ topleft). Usando los argumentos pad_x y pad_y se pueden hacer ajustes menores al posicionamiento de los iconos.

#Paquetes
require(ggspatial)

#Ejemplos
#style = north_arrow_orienteering
#style = north_arrow_fancy_orienteering
#style = north_arrow_minimal
#style = north_arrow_nautical

p <- IME_2020 %>% 
      ggplot() + 
       geom_polygon(data = capas_estados,
                     mapping = aes(x = long, 
                                   y = lat, 
                                   group = group,
                                   fill = fct_relevel(GM_2020, "Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
                      color = "dark grey",
                       size = 0.5) +
        annotation_north_arrow(location = "tl", 
                               style = north_arrow_fancy_orienteering, 
                               pad_x = unit(0, "cm"), 
                               height = unit(1, "cm"),
                               width = unit(1, "cm")) +
        annotation_scale(location = "bl", 
                         plot_unit = "m" , 
                         pad_y = unit(0, "cm"), 
                         text_family = "Montserrat") +
         expand_limits(x = capas_estados$long,  
                       y = capas_estados$lat) + 
          theme_transparent() + 
           theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                 plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                 plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                 axis.text = element_blank(),
                 axis.title = element_blank(),
                 axis.ticks = element_blank(),
                 legend.key.size = unit(0.5, "cm"),
                 legend.text = element_text(size = 10, family = "Montserrat"), 
                 legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                 legend.position = c(0.9, 0.7)) + 
            scale_fill_moma_d("Kippenberger", direction = -1) +
             scale_color_moma_d("Kippenberger", direction = -1) + 
                labs(title = "Índice de marginación a nivel estatal, 2020",
                     fill = stringr::str_wrap("Grado de marginación", 10),
                     caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

#path = "Images/IME_2020_annotation.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)

p

Municipios

Etiquetas

Se utiliza la función coordinates() del paquete sp que permite localizar los centroides de cada muncipio. Permitiendo de esta manera encontrar la localización para las etiquetas de cada área geográfica y utilizando la función geom_label_repel() mediante los atributos mapping = aes(x = Longitude, y = Latitude) y de esta manera no permitir que las etiquetas del mapa se sobrelapen entre sí y se alejen de los puntos de datos generados por la función coordinates().

Zona Metropolitana del Valle de México (ZMVM)

capas_zm <- left_join(capas_municipios, 
                       ZM_2020 %>% dplyr::select(-NOM_ENT, -NOM_MUN, -CVE_ENT), 
                        by = c("id" = "CVE_MUN")) %>%
             filter(CVE_ZM %in% "09.01") 
              
# Paleta  
paleta <- rev(colorRampPalette(pals::brewer.seqseq1(20))(5))

# "coordinates()" extrae los centroides de los polígonos, en el orden indicado en shape@data
centroids.df <- as.data.frame(coordinates(shape_estados)) %>%
                  rename("Longitude" = "V1","Latitude" = "V2")

tabla <- ZM_2020 %>%
          filter(CVE_ZM == "09.01") %>%
           dplyr::select(CVE_MUN) %>%
            unique() %>% 
             as.vector()

p <- ggplot() + 
      geom_polygon(data = capas_zm,
                    mapping = aes(x = long, 
                                  y = lat, 
                                  group = group,
                                  fill = fct_relevel(GM_2020, c("Muy alto","Alto","Medio","Bajo","Muy bajo")),
                                  color = fct_relevel(GM_2020, c("Muy alto","Alto","Medio","Bajo","Muy bajo"))),
                     size = 0.3) +
       geom_polygon(capas_municipios %>% filter(CVE_ENT %in% c("09", "13", "15")),
                     mapping = aes(x = long, 
                                   y = lat, 
                                   group = group), 
                      fill = NA,
                       color = "#C7C7C7", 
                        size = .1,
                         alpha = 0.7) + 
        geom_polygon(capas_estados %>% filter(id %in% c("09", "13", "15")),
                      mapping = aes(x = long, 
                                    y = lat, 
                                    group = group), 
                       fill = NA,
                        color = "black", 
                         size = 1,
                          linewidth = 1.2,
                           alpha = 0.9) +
         geom_label_repel(data = data.frame(IME_2020, centroids.df) %>%
                                  filter(CVE_ENT %in% c("09","13","15")),
                           mapping = aes(label = stringr::str_wrap(NOM_ENT, 15),
                                         x = Longitude,
                                         y = Latitude), 
                            box.padding = 0.25,
                             point.padding = 3,
                              size = 5, 
                               fill = "#EDEDED",
                                color = "#000036",
                                 segment.colour= "dark grey",
                                  alpha = 0.8) +
           coord_equal() + 
            theme_transparent() + 
             theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                   plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                   plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                   axis.text = element_blank(),
                   axis.title = element_blank(),
                   axis.ticks = element_blank(),
                   legend.key.size = unit(0.5, "cm"),
                   legend.text = element_text(size = 10, family = "Montserrat"), 
                   legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                   legend.position = "right") + 
               scale_fill_manual(values = paleta) + 
                scale_color_manual(values = paleta) + 
                guides(color = 'none') +
         labs(title = "ZMVM: Zona Metropolitana del Valle de México, 2020",
               fill = stringr::str_wrap("Grado de marginación", 10),
                caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
 
#path = "Images/IMM_2020_geom_polygon_etiquetas.pdf"
#ggexport (p, width = 6, height = 5, res = 400, filename = path)

p

Por estados

# "coordinates()" extrae los centroides de los polígonos, en el orden indicado en shape@data
centroids.df <- as.data.frame(coordinates(shape_municipios)) %>%
                 rename("Longitude" = "V1","Latitude" = "V2") %>%
                  mutate(CVE_ENT = shape_municipios@data$CVE_ENT,
                         CVE_MUN = shape_municipios@data$CVE_GEO,
                         NOM_MUN = shape_municipios@data$NOMGEO
                         #NOM_MUN = iconv(shape_municipios@data$NOMGEO, from = "utf8", to = "latin9")
                         )
p <- NULL
#for(i in 1:32){
for(i in 7){
# Se generan los límites de cada estados, en caso de que se requiera modificar alguno
limites <- capas_municipios %>%
            subset(CVE_ENT == estados[i]) %>%
             summarise(min.x = min(.$long),
                       max.x = max(.$long),
                       min.y = min(.$lat),
                       max.y = max(.$lat))

# Se genera una muestra aleatoria   
sample <- centroids.df %>%
            filter(CVE_ENT == estados[i]) %>%
             sample_n(., min(30, nrow(.)))

q <- ggplot() + 
      geom_polygon(data = capas_municipios %>% filter(CVE_ENT == estados[i]),
                    mapping = aes(x = long, 
                                  y = lat, 
                                  group = group,
                                  fill = fct_relevel(GM_2020, c("Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"))),
                     color = "dark grey",
                      size = 0.3) +
       geom_polygon(data = capas_estados %>% filter(id == estados[i]),
                     mapping = aes(x = long, 
                                   y = lat, 
                                   group = group),
                      fill = 'transparent',
                       color = "black",
                        size = 0.8) +
        geom_label_repel(data = sample,
                          mapping = aes(label = stringr::str_wrap(NOM_MUN, 15),
                                        x = Longitude,
                                        y = Latitude), 
                           size = 3.5, 
                            fill = "#EDEDED",
                             color = "#000036",
                              alpha = 0.8,
                               force = 0.2,
                                force_pull = 0.5,
                                 direction = c("both"),
                                  box.padding = 0.25,
                                   point.padding = 0,
                                    segment.colour= "dark grey",
                                     segment.size = 1,
                                      min.segment.length = 0.5) +
           coord_equal() + 
            theme_transparent() + 
             theme(plot.title = element_text(size = 21, hjust = 0, family = "Montserrat", face = "bold"),
                   plot.subtitle = element_text(size = 18, hjust = 0, family = "Montserrat Medium"),
                   plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "Montserrat"), 
                   axis.text = element_blank(),
                   axis.title = element_blank(),
                   axis.ticks = element_blank(),
                   legend.key.size = unit(0.5, "cm"),
                   legend.text = element_text(size = 10, family = "Montserrat"), 
                   legend.title = element_text(size = 12, hjust = 0.5, family = "Montserrat", face = "bold"),
                   legend.position = "right") + 
             scale_fill_manual(values = brewer.pal(n = 9, name = "Spectral"),
                               na.translate = T) + 
              guides(color = 'none') +
        labs(title = paste("Estado:", nom_ent [i]),
              fill = stringr::str_wrap("Grado de marginación", 10),
               caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))

if(i %in% c(1:5, 7:32)){
  p[[i]] <- q  
} else {
  p[[i]] <- q + coord_cartesian(xlim = c(limites$min.x + 1060000, limites$max.x),
                                ylim = c(limites$min.y, limites$max.y)) 
  }
}

#path = "Images/IMM_2020_etiquetas por estado.pdf"
#ggexport (list = p, width = 8, height = 5, res = 400, filename = path)

p[[7]]

2010 - 2020

Son nueve indicadores simples, los que conforman el índice de marginación a nivel municipal. De los cuales se enfocan en cuatro dimensiones de exclusión social.

Indicadores <- c('Porcentaje de población de 15 años o más analfabeta', 
                 'Porcentaje de población de 15 años o más sin educación básica',
                 'Porcentaje de ocupantes en viviendas sin drenaje ni excusado',
                 'Porcentaje de ocupantes en viviendas sin energía eléctrica', 
                 'Porcentaje de ocupantes en viviendas sin agua entubada', 
                 'Porcentaje de ocupantes en viviendas con piso de tierra',
                 'Porcentaje de población en localidades con menos de 5 000 habitantes', 
                 'Porcentaje de viviendas con algún nivel de hacinamiento',
                 'Porcentaje de población ocupada con ingresos de hasta 2 salarios mínimos')

Se cargan las bases de datos de los indicadores simples del índice de marginación 2010-2020

tablas <- c("2010", "2015", "2020")  

for(i in tablas){
  assign(paste0("Ind_", i), read_xlsx(paste0(here::here(), "/Data/Indicadores_", i, ".xlsx"), sheet = "Indicadores") %>% 
                              rename("ANIO" = "AÑO"))
}

### Se crea un data.frame (se incluyen todo los años)
Ind <- do.call(dplyr::bind_rows, list(Ind_2010, Ind_2015, Ind_2020))

Utilizando la función cut() y quantile se dividen en cuantiles cada una de las variables simples de todos los años y de esta manera poder visualizar la evolución de los indicadores de rezago.

Ind <-  Ind %>%
         mutate_at(vars(7:15), 
                   .funs = funs(cut(., breaks = quantile(unique(.), probs = seq(0, 1, 0.2)), include.lowest = TRUE, dig.lab = 2)),
                    .names = "Q_{col}")

Para poder visualizar el mapa a nivel municipal dentro de conjunto de datos del Marco Geoestadístico Nacional [MGN], donde este conjunto abarca varias capas de datos vectoriales.
Se toma como referencia el Marco Geoestadístico, 2010 Versión 4.3, Marco Geoestadístico, junio 2016 y Marco Geoestadístico, 2020, que es producto de la actualización de censos, conteos, encuestas y registros administrativos.

Shape de municipios 2010

shape_estados_2010 <- readOGR(dsn = paste0(here::here(), "/MGN 2010/32_Entidades_Federativas"),
                               layer = "ESTADOS",
                              )

shape_municipios_2010 <- readOGR(dsn = paste0(here::here(), "/MGN 2010/32_Entidades_Federativas"),
                                 layer = "MUNICIPIOS",
                                )

# Se crea un ID único o una Clave Geoestadística 
shape_municipios_2010@data <- shape_municipios_2010@data %>%
                                mutate(CVE_GEO = paste0(CVE_ENT, CVE_MUN))

Shape municipio 2015

shape_estados_2015 <- readOGR(dsn = paste0(here::here(), "/MGN Junio 2016/conjunto_de_datos"),
                               layer = "areas_geoestadisticas_estatales"
                              )

shape_municipios_2015 <- readOGR(dsn = paste0(here::here(), "/MGN Junio 2016/conjunto_de_datos"),
                                  layer = "areas_geoestadisticas_municipales"
                                )

shape_municipios_2015@data <- shape_municipios_2015@data %>%
                                mutate(CVE_GEO = paste0(CVE_ENT, CVE_MUN))

Se elimina al municipio 23011 Puerto Morelos del estado de Quintana Roo, debido a que no tiene calculado el IM 2015.

require(spdplyr)
shape_municipios_2015 <- shape_municipios_2015 %>%
                           spdplyr:::filter.Spatial(CVE_GEO != 23011)

Se unen las bases de los indicadores simples a los shapes

capas_estados_2010 <- fortify(shape_estados_2010, id = "CVE_ENT") 
capas_municipios_2010 <- dplyr::right_join(fortify(shape_municipios_2010, id = "CVE_GEO"), 
                                            Ind %>% dplyr::select(-CVE_ENT, -NOM_ENT, -NOM_MUN) %>%
                                             filter(ANIO == "2010") %>%
                                              arrange(.$CVE_MUN) %>%
                                               mutate(id = as.character(seq(0, to = (nrow(.) - 1)))),
                                                by =  c("id")) 

capas_estados_2015 <- fortify(shape_estados_2015, id = "CVE_ENT") 
capas_municipios_2015 <- dplyr::right_join(fortify(shape_municipios_2015, id = "CVE_GEO"), 
                                            Ind %>% dplyr::select(-CVE_ENT, -NOM_ENT, -NOM_MUN) %>%
                                             filter(ANIO == "2015") %>%
                                              arrange(.$CVE_MUN) %>%
                                               mutate(id = as.character(seq(0, to = (nrow(.) - 1)))),
                                                by =  c("id")) 

capas_estados_2020 <- fortify(shape_estados, id = "CVE_ENT") 
tabla <- fortify(shape_municipios, id = "CVE_GEO")
capas_municipios_2020 <- dplyr::right_join(fortify(shape_municipios, id = "CVE_GEO"), 
                                            Ind %>% dplyr::select(-CVE_ENT, -NOM_ENT, -NOM_MUN) %>%
                                                     filter(ANIO == "2020") %>%
                                                      arrange(.$CVE_MUN) %>%
                                                       mutate(id = as.character(seq(0, to = (nrow(.) - 1)))),
                                                by =  c("id" = "CVE_MUN")) 

Utilizando dos capas

En este tipo de gráficos se utiliza la capa de municipios y la capa de estados. Para cada caso se usa la función geom_polygon() del paquete ggplot2:: y así poder encontrar las delimitaciones de los municipios en su respectiva entidad.

Variables <- colnames(capas_municipios_2010)

p <- NULL
for(i in tablas){
#p[[i]] <- lapply(c(11:19), function(x){ 
p[[i]] <- lapply(c(11), function(x){ 
            ggplot() + 
              geom_polygon(get(paste0("capas_municipios_", i)) ,
                            mapping=aes(x = long, y = lat, group = group, fill = get(Variables[x])),
                             color = "transparent", 
                              size = 0.5,
                               alpha = 0.9) +
               geom_polygon(get(paste0("capas_estados_", i)),
                             mapping = aes(x = long, y = lat, group = group),
                              color = "dark grey",
                               fill = "transparent",
                                size = 0.5) +
                  expand_limits(x = get(paste0("capas_estados_", i))$long, 
                                  y = get(paste0("capas_estados_", i))$lat) + 
                    coord_equal() +
                     theme_void() + 
                      theme(plot.title = element_text(size = 15, family = "Montserrat"),
                            plot.subtitle = element_text(size = 15, hjust = 0.08 , family = "Montserrat"),
                            plot.margin = margin(1, 1, 1, 1, "cm"),
                            plot.caption = element_text(size = 10, hjust = 0.1, vjust = -1.5, family = "Montserrat"), 
                            axis.title.x = element_text(size = 8, family = "Montserrat"),
                            axis.text.x = element_blank(),
                            axis.text.y = element_blank(), 
                            legend.text = element_text(size = 10, family = "Montserrat"),
                            legend.key.size = unit(0.6, "cm"),
                            legend.position = c(0.8, 0.7)) + 
                       scale_fill_manual(values = usecol(pal_petrol, n = 5)) +
                        guides(color = FALSE) +
                      labs(subtitle = paste(i),
                            x = "",
                             y = "",
                              fill = paste(Variables[x-9]))
    }
  )   
}
p

Mapas de los indicadores simples 2010-2020

# Titulo de los gráficos
#for(i in 1:9){
for(i in 1){
legend <- get_legend(p[["2010"]][[i]] + theme(legend.position = c(0.5, 0.5),
                                               legend.key.size = unit(0.8, "cm"),
                                                legend.title = element_blank()))

q <- ggarrange(p[["2010"]][[i]] + theme(plot.margin = margin(0.5, -1, -1, 0, "cm"),
                                         legend.position = 'none'), 
               p[["2015"]][[i]] + theme(plot.margin = margin(0.5, 0, -1, -1, "cm"),
                                        legend.position = 'none'), 
               p[["2020"]][[i]] + theme(plot.margin = margin(0, 0, 0, 0, "cm"),
                                        legend.position = 'none'), 
               legend, 
               ncol = 2, nrow = 2, widths = c(0.5, 0.5, 0.5, 0.3), heights = c(0.5, 0.5, 0.5, 0.3))
        
#path = paste0("Images/Mapa_", colnames(Ind)[6 + i], ".pdf")
#ggexport (annotate_figure(q, bottom =  text_grob(paste(stringr::str_wrap(Indicadores[i], 25, indent = 1, exdent = 1),"\n"),
 #                                                family = "Montserrat", 
  #                                               face = "plain", 
   #                                              size = 18
    #                                             #hjust = 0,
     #                                            #vjust = 0
      #                                           )),
       #   width = 10, height = 8, res = 400, filename = path)
}

img <- annotate_figure(q, bottom =  text_grob(paste(stringr::str_wrap(Indicadores[i], 25, indent = 1, exdent = 1),"\n"),
                                              family = "Montserrat", 
                                              face = "plain", 
                                              size = 20))

Referencias

Datos Abiertos de México - Índice de marginación (carencias poblacionales) por localidad, municipio y entidad. (2021). Retrieved February 13, 2022, from https://datos.gob.mx/busca/dataset/indice-de-marginacion-carencias-poblacionales-por-localidad-municipio-y-entidad

Wickham, H. (2022). A Grammar of Data Manipulation • dplyr. Retrieved February 12, 2022, from https://dplyr.tidyverse.org/

Garnett, R. (2018). cheatsheets/sf.pdf at main · rstudio/cheatsheets · GitHub. Retrieved February 12, 2022, from https://github.com/rstudio/cheatsheets/blob/main/sf.pdf

Lovelace, R., Nowosad, J., & Muenchow, J. (2019). Geocomputation with R. CRC Press. https://geocompr.robinlovelace.net/

Librerías

Librerías que se usaron en el trabajo

package	loadedversion	source
doMC	1.3.5	R-Forge (R 4.3.1)
dplyr	1.1.3	CRAN (R 4.3.2)
forcats	1.0.0	CRAN (R 4.3.1)
foreach	1.5.2	CRAN (R 4.3.1)
ggmap	3.0.2	CRAN (R 4.3.1)
ggplot2	3.4.3	CRAN (R 4.3.1)
ggpubr	0.6.0	CRAN (R 4.3.1)
ggthemes	4.2.4	CRAN (R 4.3.1)
iterators	1.0.14	CRAN (R 4.3.1)
kableExtra	1.3.4	CRAN (R 4.3.1)
knitr	1.45	CRAN (R 4.3.2)
lubridate	1.9.3	CRAN (R 4.3.2)
openxlsx	4.2.5.2	CRAN (R 4.3.1)
purrr	1.0.1	CRAN (R 4.3.1)
RColorBrewer	1.1-3	CRAN (R 4.3.0)
readr	2.1.4	CRAN (R 4.3.1)
readxl	1.4.3	CRAN (R 4.3.1)
rgdal	1.6-7	CRAN (R 4.3.1)
sp	2.2-0	CRAN (R 4.3.3)
spdplyr	0.4.0	Github (mdsumner/spdplyr@e14dec9017a96c309065ab319da96c839cac6f58)
stringr	1.5.0	CRAN (R 4.3.1)
tibble	3.2.1	CRAN (R 4.3.1)
tidyr	1.3.1	CRAN (R 4.3.3)
tidyverse	2.0.0	CRAN (R 4.3.1)
tinytex	0.54	CRAN (R 4.3.3)
tmap	3.99.9001	Github (r-tmap/tmap@b1b2dc292f619c9dd04a63b3f4881f451aeaa41c)
tmaptools	3.1-1	CRAN (R 4.3.2)
unikn	0.9.0	CRAN (R 4.3.1)
viridisLite	0.4.2	CRAN (R 4.3.1)

This work by Diana Villasana Ocampo is licensed under a Creative Commons Attribution 4.0 International License.