install.packages("tidyverse")

library(tidyverse)

mpg |> select(manufacturer)

# Requería indexación compleja y gestión de objetos S4 
ciudades_grandes <- ciudades[ciudades$poblacion > 100000, ] 
plot(ciudades_grandes) 

ciudades %>%   
filter(poblacion > 100000) %>%   
ggplot()

#archivo local
datos <- read_csv("data/students.txt")

#desde una URL
datos <- read_csv("https://pos.it/r4ds-students-csv")

datos <- read_csv("data/students.txt", na = c("N/A", ""))

glimpse(datos)

datos |> select(AGE, mealPlan)

datos |> select(Nombre = `Full Name`, edad = AGE)

datos |> filter(AGE == 6)
datos |> filter(AGE == 6 & mealPlan=="Lunch only")
datos |> filter(AGE == 6 | AGE == 4)

datos |> slice(2)
datos |> slice(2:5)
datos |> slice((nrow(datos)-3):nrow(datos))

datos |> arrange(favourite.food)

datos |> slice(1:4) |> arrange(desc(favourite.food))
datos |> slice((nrow(datos)-3):nrow(datos)) |> arrange(favourite.food)

datos |>
  mutate(edad = paste(AGE, "años", sep = " "))

datos |>
  transmute(edad = paste(AGE, "años", sep = " "), 
            `edad cuadrada` = as.numeric(AGE) ^ 2)

datos |>
   summarise(
     rows = n(),
     alimentos = n_distinct(mealPlan))

datos |>
   summarise(
     rows = n(),
     `edad mínima` = min(AGE, na.rm = T))

write_csv(datos, "data/datos-1.csv")

library(geodata)   # Descarga de datos 
library(sf)        # Manejo espacial tidy 
library(tidyverse) # Manipulación y gráficos 
library(tidyterra) # Métodos y gráficos para objetos 'terra'

library(lidR) # Para trabajar con nubes de puntos LiDAR

# Obtenemos la ruta interna del archivo de prueba
ruta_las <- "data/las01_A1.las"

# Leemos el archivo LAS/LAZ
nube_puntos <- readLAS(ruta_las)

# Damos un vistazo rápido a la estructura espacial
print(nube_puntos)

# Revisar el contenido
las_check(nube_puntos)

resumen_clases <- datos_lidar |> 
  group_by(Classification) |> 
  summarise(
    cantidad_puntos = n(),
    altura_maxima = max(Z),
    intensidad_media = mean(Intensity)
  ) |> 
  arrange(desc(cantidad_puntos))

glimpse(resumen_clases)

terreno_limpio <- datos_lidar |> 
  filter(Classification == 2) |> 
  select(X, Y, Z) |> 
  mutate(Z_cm = Z * 100)

head(terreno_limpio)

data_muestra <- datos_lidar |> 
  slice_sample(prop = 0.25) 

# Gráfico Básico (Feo pero funciona)
ggplot(
  data = data_muestra,
  mapping = aes(x = X, y = Y)
) +
  geom_point()

ggplot(
  data = data_muestra,
  mapping = aes(x = X, y = Y)
) +
  geom_point(
    aes(color = Z), # Mapeo DENTRO de aes()
    size = 0.2, # Tamaño FIJO fuera de aes()
    alpha = 0.8 # Transparencia FIJA
  ) +
  labs(title = "Vista en Planta (2.5D) de Nube de Puntos")

# 4. Construimos el gráfico
ggplot(data = data_muestra, aes(x = X, y = Y, color = Z)) +
  # Usamos puntos muy pequeños y algo de transparencia
  geom_point(size = 0.1, alpha = 0.8) +
  # Aplicamos una paleta de colores continua tipo topografía
  scale_color_viridis_c(option = "turbo") + 
  # CRÍTICO: Forzamos la relación de aspecto 1:1. 
  coord_equal() + 
  # Limpiamos el fondo para que parezca un mapa y no un gráfico estadístico
  theme_void() + 
  # Añadimos las etiquetas
  labs(
    title = "Vista en Planta (2.5D) de Nube de Puntos",
    subtitle = "Renderizado nativo con ggplot2 (Muestra del 25%)",
    color = "Elevación (m)"
  )

# 1. Calcular el centro aproximado de nuestra nube de puntos
centro_x <- mean(nube_puntos@data$X)
centro_y <- mean(nube_puntos@data$Y)

# 2. Crear una geometría sf (un punto) y asignarle el CRS correcto
# CRÍTICO: Para intersectar, sf y lidR deben "hablar" en el mismo sistema de coordenadas
crs_nube <- st_crs(nube_puntos)

aoi_punto <- st_point(c(centro_x, centro_y)) |> 
  st_sfc(crs = crs_nube)

# 3. Crear un buffer (área de influencia) de 50 metros alrededor del punto
aoi_poligono <- st_buffer(aoi_punto, dist = 50)

# 3a. Escribir un archivo shapefile para visualizarlo en QGIS o ArcGIS (opcional).
st_write(aoi_poligono, "data/aoi_poligono.shp")

# 4. El momento de la verdad: Recorte espacial (Clipping)
nube_recortada <- clip_roi(nube_puntos, aoi_poligono)

# 5. Preparamos los datos para ggplot2
df_recorte <- as_tibble(nube_recortada@data)

# 6. Visualización integrada: Polígono + Nube de Puntos
ggplot() +
  # Capa base vectorial: Dibujamos nuestro polígono de recorte vacío y con borde rojo
  geom_sf(data = aoi_poligono, fill = NA, color = "red", linewidth = 1) +
  
  # Capa LiDAR: Ploteamos los puntos que sobrevivieron al recorte
  geom_point(data = df_recorte, aes(x = X, y = Y, color = Z), size = 0.8, alpha = 0.9) +
  
  # Estética del mapa
  scale_color_viridis_c(option = "turbo") +
  
  # coord_sf se encarga de mantener la proporción espacial y dibujar la grilla de coordenadas
  coord_sf() + 
  theme_minimal() +
  labs(
    title = "Recorte Espacial (Clipping) de Nube LiDAR",
    subtitle = "Intersección entre geometría sf (buffer de 50m) y objeto LAS",
    color = "Elevación (m)",
    x = "Longitud (X)",
    y = "Latitud (Y)"
  )