2 + 3[1] 510 / 4[1] 2.5Taller 1: Primeros pasos en R
1 R como calculadora
Lo más sencillo que R puede hacer es calcular.
getwd()[1] "D:/universidad/geomatica_R/taller1_geomatica/Taller1_geomatica.qmd"2 Parte A
2.1 R como calculadora
2+3[1] 510-4[1] 66*7[1] 4210/4[1] 2.52^3 # potencia: 2 elevado a 3[1] 8sqrt(16) # raíz cuadrada[1] 42+3*4 # primero multplica[1] 14(2+3)*4 # primero suma[1] 20150*80 # área de lote en metros cuadrados 150 m largo y 80 m ancho[1] 12000(150*80)/10000 # área de lote en hectáreas[1] 1.22.2 Variables:guardar valores con un nombre
largo=150
ancho=80
largo[1] 150area_m2=largo*ancho
area_ha=area_m2/10000
area_ha[1] 1.2El orden importa
largo=200
area_ha #area_ha continua igual tendrias que actualizarla para que cambie[1] 1.2area_m2=largo*ancho
area_m2[1] 16000rendimiento=22 # toneladas por hectarea
rendimiento[1] 22produccion_t=rendimiento*area_ha
produccion_t #produccion total del lote con 1.6 hectareas[1] 26.42.3 Tipos de datos
cultivo="papa"
class(cultivo)[1] "character"class(area_ha)[1] "numeric"class(TRUE)[1] "logical"Comparaciones producen valores logicos
area_ha>1 #¿El lote tiene más de 1 ha?[1] TRUEcultivo=="papa" #¿El cultivo es papa? (Los 2 signos igual con para comparar)[1] TRUEcultivo!="maiz" #¿El cultivo es distinto de maíz?[1] TRUE2.4 Vectores: muchos valores juntos
rendimiento=c(18.5, 22.1, 15.3, 25.0, 19.8) # Vector de Rendimiento de papa (t/ha) en cinco lotes de una finca
rendimiento[1] 18.5 22.1 15.3 25.0 19.8length(rendimiento) # Cuantos valores hay en el vector[1] 5mean(rendimiento) # promedio[1] 20.14max(rendimiento) # Máximo[1] 25min(rendimiento) # Mínimo[1] 15.3sum(rendimiento) # Suma[1] 100.7rendimiento*1000 # Pasar de t/ha a kg/ha (estos se aplica a todos los lotes)[1] 18500 22100 15300 25000 19800Sacar elementos de un vector
rendimiento[2] # Los [] indican la posición del elemento (en este caso el segundo)[1] 22.1rendimiento[c(1,3)] # El primero y el tercero[1] 18.5 15.3Filtrar con condiciones
rendimiento>20[1] FALSE TRUE FALSE TRUE FALSErendimiento[rendimiento>20] #Entre corchetes R solo da los TRUE[1] 22.1 25.0#Vector lluvia_mm con precipitacion de 6 meses
lluvia_mm=c(120, 85, 210, 160, 45, 98)
length(lluvia_mm)[1] 6mean(lluvia_mm)[1] 119.6667lluvia_mm<100[1] FALSE TRUE FALSE FALSE TRUE TRUElluvia_mm[lluvia_mm<100][1] 85 45 98sum(lluvia_mm<100)[1] 32.5 Funciones: usar y crear
promedio <- mean(rendimiento)
promedio[1] 20.14round(promedio, digits = 1) # redondear a 1 decimal[1] 20.1Pedir ayuda
# El signo "?" + nombre le indica en el panel Help le indica su función Crear sus propias funciones
m2_a_ha=function(m2){
m2/10000
}
m2_a_ha(12000)[1] 1.2m2_a_ha(c(5000, 25000, 80000)) # ¡también funciona con vectores![1] 0.5 2.5 8.0Ejercicio
produccion=function(area_ha, rendimiento_t_ha){
resultado=area_ha*rendimiento_t_ha
return(resultado)
}
produccion(3.5, 20)[1] 702.6 Tablas de datos (data frames)
lotes <- data.frame(
lote = c("A", "B", "C", "D", "E", "F"),
cultivo = c("papa", "papa", "maiz", "cafe", "maiz", "papa"),
area_ha = c(2.5, 1.8, 4.0, 3.2, 2.0, 1.2),
rendimiento = c(18.5, 22.1, 5.3, 1.9, 6.1, 25.0) # t/ha
)
lotes lote cultivo area_ha rendimiento
1 A papa 2.5 18.5
2 B papa 1.8 22.1
3 C maiz 4.0 5.3
4 D cafe 3.2 1.9
5 E maiz 2.0 6.1
6 F papa 1.2 25.0Explorar la tabla
nrow(lotes) # Número de filas[1] 6ncol(lotes) # Numero de columnas[1] 4names(lotes) # Nombres de las columnas[1] "lote" "cultivo" "area_ha" "rendimiento"str(lotes) # Estructura:tipo de cada columna'data.frame': 6 obs. of 4 variables:
$ lote : chr "A" "B" "C" "D" ...
$ cultivo : chr "papa" "papa" "maiz" "cafe" ...
$ area_ha : num 2.5 1.8 4 3.2 2 1.2
$ rendimiento: num 18.5 22.1 5.3 1.9 6.1 25Trabajar con una columna: el signo $
lotes$area_ha[1] 2.5 1.8 4.0 3.2 2.0 1.2sum(lotes$area_ha) # área total de la finca[1] 14.7lotes$produccion_t <- lotes$area_ha * lotes$rendimiento # Crear una columna nueva es asignarle un valor
lotes lote cultivo area_ha rendimiento produccion_t
1 A papa 2.5 18.5 46.25
2 B papa 1.8 22.1 39.78
3 C maiz 4.0 5.3 21.20
4 D cafe 3.2 1.9 6.08
5 E maiz 2.0 6.1 12.20
6 F papa 1.2 25.0 30.00Flitrar fila
lotes[lotes$cultivo == "papa", ] # En la tabla los corchetes van en dos partes [filas, columnas], si se deja vacio despues de la coma R lo toma como todad las columnas. lote cultivo area_ha rendimiento produccion_t
1 A papa 2.5 18.5 46.25
2 B papa 1.8 22.1 39.78
6 F papa 1.2 25.0 30.00Paquete dplyr
library(dplyr)Warning: package 'dplyr' was built under R version 4.6.1
Adjuntando el paquete: 'dplyr'The following objects are masked from 'package:stats':
filter, lagThe following objects are masked from 'package:base':
intersect, setdiff, setequal, unionlotes|>filter(cultivo == "papa") #|> se llama pipe (tubería). Léalo como “y luego”: “tome lotes y luego filtre los de papa”. Atajo: Ctrl + Shift + M. Permite encadenar pasos: lote cultivo area_ha rendimiento produccion_t
1 A papa 2.5 18.5 46.25
2 B papa 1.8 22.1 39.78
3 F papa 1.2 25.0 30.00lotes |>
filter(cultivo == "papa") |>
arrange(desc(produccion_t)) # ordenar de mayor a menor producción lote cultivo area_ha rendimiento produccion_t
1 A papa 2.5 18.5 46.25
2 B papa 1.8 22.1 39.78
3 F papa 1.2 25.0 30.00Ejercicio
lotes |>
filter(area_ha > 2) lote cultivo area_ha rendimiento produccion_t
1 A papa 2.5 18.5 46.25
2 C maiz 4.0 5.3 21.20
3 D cafe 3.2 1.9 6.08lotes|>
filter(cultivo == "maiz",) |>
select(lote,
produccion_t) lote produccion_t
1 C 21.2
2 E 12.2lotes |>
group_by(cultivo) |>
summarise(produccion_total = sum(produccion_t)) |>
arrange(desc(produccion_total))# A tibble: 3 × 2
cultivo produccion_total
<chr> <dbl>
1 papa 116.
2 maiz 33.4
3 cafe 6.08cultivo con mayor producción total en la finca es papa (116.03)
2.7 Leer los errores (y no asustarse)
chunks con errores
rendimeintoError:
! objeto 'rendimeinto' no encontradosolución : mala escritura
rendimiento[1] 18.5 22.1 15.3 25.0 19.8Mean(rendimiento)Error in `Mean()`:
! no se pudo encontrar la función "Mean"mal comando
mean(rendimiento)[1] 20.14c(1, 2 3) Error in parse(text = input): <text>:1:8: unexpected numeric constant
1: c(1, 2 3
^falta una coma
c(1, 2,3) [1] 1 2 3"papa" * 2 Error in `"papa" * 2`:
! argumento no-numérico para operador binarioNota: “papa” con es un operador numerico por lo cual no se pueden realizar operaciones con el
paquetes <- c("sf", "dplyr")
faltan <- setdiff(paquetes, rownames(installed.packages()))
if (length(faltan) > 0) install.packages(faltan)Parte B Apliccación: datos espaciales con sf # Leer una capa de municipios sf (simple features) permite trabajar con datos vectoriales (puntos, líneas, polígonos), igual que en QGIS.
library(sf)Warning: package 'sf' was built under R version 4.6.2Linking to GEOS 3.14.1, GDAL 3.12.1, PROJ 9.7.1; sf_use_s2() is TRUElibrary(dplyr)ruta_shp <- "D:/universidad/geomatica_R/taller1_geomatica/datos/mun_santander_boyaca.shp"
municipios <- st_read(ruta_shp)Reading layer `mun_santander_boyaca' from data source
`D:\universidad\geomatica_R\taller1_geomatica\datos\mun_santander_boyaca.shp'
using driver `ESRI Shapefile'
Simple feature collection with 210 features and 90 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: -74.66496 ymin: 4.655196 xmax: -71.94885 ymax: 8.14501
Geodetic CRS: MAGNA-SIRGASmunicipios: 210 atributos: 90 geometria: poligonos CRS: MAGNA-SIRGAS Un objeto sf es una tabla con mapa
class(municipios)[1] "sf" "data.frame"municipios es a la vez sf y data.frame. Es decir: es una tabla como lotes, con una columna especial llamada geometry donde está la forma de cada municipio. Por eso todo lo que aprendió en la Parte A funciona aquí:
nrow(municipios)[1] 210names(municipios) # Nombres de los municipios [1] "DPTO_CCDGO" "MPIO_CCDGO" "MPIO_CNMBR" "MPIO_CDPMP" "VERSION"
[6] "AREA" "LATITUD" "LONGITUD" "STCTNENCUE" "STP3_1_SI"
[11] "STP3_2_NO" "STP3A_RI" "STP3B_TCN" "STP4_1_SI" "STP4_2_NO"
[16] "STP9_1_USO" "STP9_2_USO" "STP9_3_USO" "STP9_4_USO" "STP9_2_1_M"
[21] "STP9_2_2_M" "STP9_2_3_M" "STP9_2_4_M" "STP9_2_9_M" "STP9_3_1_N"
[26] "STP9_3_2_N" "STP9_3_3_N" "STP9_3_4_N" "STP9_3_5_N" "STP9_3_6_N"
[31] "STP9_3_7_N" "STP9_3_8_N" "STP9_3_9_N" "STP9_3_10" "STP9_3_99"
[36] "STVIVIENDA" "STP14_1_TI" "STP14_2_TI" "STP14_3_TI" "STP14_4_TI"
[41] "STP14_5_TI" "STP14_6_TI" "STP15_1_OC" "STP15_2_OC" "STP15_3_OC"
[46] "STP15_4_OC" "TSP16_HOG" "STP19_EC_1" "STP19_ES_2" "STP19_EE_1"
[51] "STP19_EE_2" "STP19_EE_3" "STP19_EE_4" "STP19_EE_5" "STP19_EE_6"
[56] "STP19_EE_9" "STP19_ACU1" "STP19_ACU2" "STP19_ALC1" "STP19_ALC2"
[61] "STP19_GAS1" "STP19_GAS2" "STP19_GAS9" "STP19_REC1" "STP19_REC2"
[66] "STP19_INT1" "STP19_INT2" "STP19_INT9" "STP27_PERS" "STPERSON_L"
[71] "STPERSON_S" "STP32_1_SE" "STP32_2_SE" "STP34_1_ED" "STP34_2_ED"
[76] "STP34_3_ED" "STP34_4_ED" "STP34_5_ED" "STP34_6_ED" "STP34_7_ED"
[81] "STP34_8_ED" "STP34_9_ED" "STP51_PRIM" "STP51_SECU" "STP51_SUPE"
[86] "STP51_POST" "STP51_13_E" "STP51_99_E" "Shape_Leng" "Shape_Area"
[91] "geometry" Tabla sin geometría
municipios |>
st_drop_geometry() |>
select(DPTO_CCDGO, MPIO_CCDGO, MPIO_CNMBR, STP27_PERS) |>
head() DPTO_CCDGO MPIO_CCDGO MPIO_CNMBR STP27_PERS
1 15 001 TUNJA 167991
2 15 022 ALMEIDA 1582
3 15 047 AQUITANIA 13860
4 15 051 ARCABUCO 5465
5 15 087 BELÉN 7322
6 15 090 BERBEO 1453Nota:Las columnas que empiezan por STP vienen del Censo Nacional de Población y Vivienda 2018 del DANE. Por ejemplo, STP27_PERS es el total de personas del municipio. Consulte el diccionario de datos del DANE para el significado de las demás. Su primer mapa
plot(st_geometry(municipios)) # Plot dibuja la capa y st_geometry dibuja los contornos
plot(municipios["DPTO_CCDGO"]) #los corchetes colorea el mapa segun el valor 
plot(municipios["STP27_PERS"], main = "Población total (Censo 2018)")
Ejercicio Haga un mapa con otra columna de la tabla y póngale un título con main = “…”.
plot(municipios["MPIO_CCDGO"], main = "...")
2.8 Sistema de coordenada y reproyección
st_crs(municipios)$epsg # Para mira el CRS de los datos [1] 4686st_bbox(municipios) xmin ymin xmax ymax
-74.664960 4.655196 -71.948854 8.145010 Datos MAGNA-SIRGAS geográficas (EPSG 4686) las coordenada son en grados para reproyectar
municipios_9377 <- st_transform(municipios, 9377)
st_crs(municipios_9377)$epsg[1] 9377st_bbox(municipios_9377) xmin ymin xmax ymax
4815712 2072396 5116057 2458100 st_crs(municipios_9377)Coordinate Reference System:
User input: EPSG:9377
wkt:
PROJCRS["MAGNA-SIRGAS 2018 / Origen-Nacional",
BASEGEOGCRS["MAGNA-SIRGAS 2018",
DATUM["Marco Geocentrico Nacional de Referencia 2018",
ELLIPSOID["GRS 1980",6378137,298.257222101,
LENGTHUNIT["metre",1]]],
PRIMEM["Greenwich",0,
ANGLEUNIT["degree",0.0174532925199433]],
ID["EPSG",20046]],
CONVERSION["Colombia Transverse Mercator",
METHOD["Transverse Mercator",
ID["EPSG",9807]],
PARAMETER["Latitude of natural origin",4,
ANGLEUNIT["degree",0.0174532925199433],
ID["EPSG",8801]],
PARAMETER["Longitude of natural origin",-73,
ANGLEUNIT["degree",0.0174532925199433],
ID["EPSG",8802]],
PARAMETER["Scale factor at natural origin",0.9992,
SCALEUNIT["unity",1],
ID["EPSG",8805]],
PARAMETER["False easting",5000000,
LENGTHUNIT["metre",1],
ID["EPSG",8806]],
PARAMETER["False northing",2000000,
LENGTHUNIT["metre",1],
ID["EPSG",8807]]],
CS[Cartesian,2],
AXIS["northing (N)",north,
ORDER[1],
LENGTHUNIT["metre",1]],
AXIS["easting (E)",east,
ORDER[2],
LENGTHUNIT["metre",1]],
USAGE[
SCOPE["Cadastre, topographic mapping."],
AREA["Colombia - onshore and offshore. Includes San Andres y Providencia, Malpelo Islands, Roncador Bank, Serrana Bank and Serranilla Bank."],
BBOX[-4.23,-84.77,15.51,-66.87]],
ID["EPSG",9377]]se reproyecto el CRS a 9377 y este muestra las coordenada en metros ## Calcular nuevos atributos
municipios_9377$area_km2 = as.numeric(st_area(municipios_9377)) / 1000000se creo una columna nueva a partir de otras como en lotes$producción_t Densidad de población
municipios_9377$densidad = municipios_9377$STP27_PERS / municipios_9377$area_km2
municipios_9377 |>
st_drop_geometry() |>
select(MPIO_CNMBR, STP27_PERS, area_km2, densidad) |>
arrange(desc(densidad)) |>
head(5) MPIO_CNMBR STP27_PERS area_km2 densidad
1 BUCARAMANGA 528855 152.62869 3464.9776
2 FLORIDABLANCA 275109 100.13660 2747.3373
3 TUNJA 167991 119.48492 1405.9599
4 BARBOSA 28769 46.59283 617.4555
5 SOGAMOSO 120462 207.88393 579.4676plot(municipios_9377["densidad"],
breaks = "quantile",
main = "Densidad de población (hab/km²)")
2.9 Seleccionar municipios
Por departamento
class(municipios_9377$DPTO_CCDGO)[1] "character"unique(municipios_9377$DPTO_CCDGO)[1] "15" "68"en esta c pa solo hay 2 departamentos y los codigos son tipo texto
boyaca = municipios_9377 |>
filter(DPTO_CCDGO == "15")
nrow(boyaca)[1] 123plot(st_geometry(boyaca), main = "Municipios de Boyacá")
Ejercicio ¿Qué pasaría si filtrara con un código que no está en la capa, por ejemplo “18”? Pruébelo y mire con nrow() cuántas filas quedan. ¿Le daría R un error, o algo más difícil de detectar?
municipios_9377 |>
filter(DPTO_CCDGO == "18")Simple feature collection with 0 features and 92 fields
Geometry type: POLYGON
Bounding box: xmin: NA ymin: NA xmax: NA ymax: NA
Projected CRS: MAGNA-SIRGAS 2018 / Origen-Nacional
[1] DPTO_CCDGO MPIO_CCDGO MPIO_CNMBR MPIO_CDPMP VERSION AREA
[7] LATITUD LONGITUD STCTNENCUE STP3_1_SI STP3_2_NO STP3A_RI
[13] STP3B_TCN STP4_1_SI STP4_2_NO STP9_1_USO STP9_2_USO STP9_3_USO
[19] STP9_4_USO STP9_2_1_M STP9_2_2_M STP9_2_3_M STP9_2_4_M STP9_2_9_M
[25] STP9_3_1_N STP9_3_2_N STP9_3_3_N STP9_3_4_N STP9_3_5_N STP9_3_6_N
[31] STP9_3_7_N STP9_3_8_N STP9_3_9_N STP9_3_10 STP9_3_99 STVIVIENDA
[37] STP14_1_TI STP14_2_TI STP14_3_TI STP14_4_TI STP14_5_TI STP14_6_TI
[43] STP15_1_OC STP15_2_OC STP15_3_OC STP15_4_OC TSP16_HOG STP19_EC_1
[49] STP19_ES_2 STP19_EE_1 STP19_EE_2 STP19_EE_3 STP19_EE_4 STP19_EE_5
[55] STP19_EE_6 STP19_EE_9 STP19_ACU1 STP19_ACU2 STP19_ALC1 STP19_ALC2
[61] STP19_GAS1 STP19_GAS2 STP19_GAS9 STP19_REC1 STP19_REC2 STP19_INT1
[67] STP19_INT2 STP19_INT9 STP27_PERS STPERSON_L STPERSON_S STP32_1_SE
[73] STP32_2_SE STP34_1_ED STP34_2_ED STP34_3_ED STP34_4_ED STP34_5_ED
[79] STP34_6_ED STP34_7_ED STP34_8_ED STP34_9_ED STP51_PRIM STP51_SECU
[85] STP51_SUPE STP51_POST STP51_13_E STP51_99_E Shape_Leng Shape_Area
[91] geometry area_km2 densidad
<0 rows> (o 0- extensión row.names)nrow(18)NULLno hay municipios con ese codigo y las filas que quedan no hay NULL Por condición
grandes <- municipios_9377 |>
filter(area_km2 > 1000)
grandes |> st_drop_geometry() |> select(MPIO_CNMBR, area_km2) MPIO_CNMBR area_km2
1 PUERTO BOYACÁ 1512.084
2 CUBARÁ 1174.692
3 BARRANCABERMEJA 1324.926
4 CIMITARRA 3170.518
5 RIONEGRO 1166.437
6 SABANA DE TORRES 1400.656
7 SAN VICENTE DE CHUCURÍ 1114.575
8 PUERTO WILCHES 1505.814
9 BOLÍVAR 1008.889Ejercicio Cree un objeto santander con solo los municipios de Santander y dibújelo. ¿Cuántos municipios de Santander tienen más de 50 000 habitantes? Muestre sus nombres. Dibuje el mapa de densidad solo para Santander.
santander = municipios_9377 |>
filter(DPTO_CCDGO == "68")plot(st_geometry(santander))
names(municipios_9377) [1] "DPTO_CCDGO" "MPIO_CCDGO" "MPIO_CNMBR" "MPIO_CDPMP" "VERSION"
[6] "AREA" "LATITUD" "LONGITUD" "STCTNENCUE" "STP3_1_SI"
[11] "STP3_2_NO" "STP3A_RI" "STP3B_TCN" "STP4_1_SI" "STP4_2_NO"
[16] "STP9_1_USO" "STP9_2_USO" "STP9_3_USO" "STP9_4_USO" "STP9_2_1_M"
[21] "STP9_2_2_M" "STP9_2_3_M" "STP9_2_4_M" "STP9_2_9_M" "STP9_3_1_N"
[26] "STP9_3_2_N" "STP9_3_3_N" "STP9_3_4_N" "STP9_3_5_N" "STP9_3_6_N"
[31] "STP9_3_7_N" "STP9_3_8_N" "STP9_3_9_N" "STP9_3_10" "STP9_3_99"
[36] "STVIVIENDA" "STP14_1_TI" "STP14_2_TI" "STP14_3_TI" "STP14_4_TI"
[41] "STP14_5_TI" "STP14_6_TI" "STP15_1_OC" "STP15_2_OC" "STP15_3_OC"
[46] "STP15_4_OC" "TSP16_HOG" "STP19_EC_1" "STP19_ES_2" "STP19_EE_1"
[51] "STP19_EE_2" "STP19_EE_3" "STP19_EE_4" "STP19_EE_5" "STP19_EE_6"
[56] "STP19_EE_9" "STP19_ACU1" "STP19_ACU2" "STP19_ALC1" "STP19_ALC2"
[61] "STP19_GAS1" "STP19_GAS2" "STP19_GAS9" "STP19_REC1" "STP19_REC2"
[66] "STP19_INT1" "STP19_INT2" "STP19_INT9" "STP27_PERS" "STPERSON_L"
[71] "STPERSON_S" "STP32_1_SE" "STP32_2_SE" "STP34_1_ED" "STP34_2_ED"
[76] "STP34_3_ED" "STP34_4_ED" "STP34_5_ED" "STP34_6_ED" "STP34_7_ED"
[81] "STP34_8_ED" "STP34_9_ED" "STP51_PRIM" "STP51_SECU" "STP51_SUPE"
[86] "STP51_POST" "STP51_13_E" "STP51_99_E" "Shape_Leng" "Shape_Area"
[91] "geometry" "area_km2" "densidad" mayores_50000 <- santander |>
filter(densidad > 50000)
nrow(mayores_50000)[1] 0mayores_50000 |>
st_drop_geometry() |>
select(MPIO_CNMBR, densidad)[1] MPIO_CNMBR densidad
<0 rows> (o 0- extensión row.names)santander <- santander |>
mutate(densidad = densidad / area_km2)library(ggplot2)
ggplot(santander) +
geom_sf(aes(fill = densidad)) +
scale_fill_viridis_c(name = "Habitantes por km²") +
labs(title = "Densidad poblacional de Santander") +
theme_minimal()
2.10 Guardad resultados
dir.create("salidas", showWarnings = FALSE) # crea la carpeta si no existe
st_write(municipios_9377, "salidas/municipios_9377.gpkg", delete_dsn = TRUE)Deleting source `salidas/municipios_9377.gpkg' using driver `GPKG'
Writing layer `municipios_9377' to data source
`salidas/municipios_9377.gpkg' using driver `GPKG'
Writing 210 features with 92 fields and geometry type Polygon.st_write(boyaca, "salidas/boyaca_9377.gpkg", delete_dsn = TRUE)Deleting source `salidas/boyaca_9377.gpkg' using driver `GPKG'
Writing layer `boyaca_9377' to data source
`salidas/boyaca_9377.gpkg' using driver `GPKG'
Writing 123 features with 92 fields and geometry type Polygon.para verificar que aparescan
list.files("salidas")[1] "boyaca_9377.gpkg" "municipios_9377.gpkg" "reto_boyaca.gpkg"
[4] "santander_9377.gpkg" Si aparecen ahora verificar que abren
test <- st_read("salidas/municipios_9377.gpkg")Reading layer `municipios_9377' from data source
`D:\universidad\geomatica_R\taller1_geomatica\Taller1_geomatica.qmd\salidas\municipios_9377.gpkg'
using driver `GPKG'
Simple feature collection with 210 features and 92 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 4815712 ymin: 2072396 xmax: 5116057 ymax: 2458100
Projected CRS: MAGNA-SIRGAS 2018 / Origen-NacionalAhora para santander
st_write(santander, "salidas/santander_9377.gpkg", delete_dsn = TRUE)Deleting source `salidas/santander_9377.gpkg' using driver `GPKG'
Writing layer `santander_9377' to data source
`salidas/santander_9377.gpkg' using driver `GPKG'
Writing 87 features with 92 fields and geometry type Polygon.2.11 Verificar en Qgis
al abris el shp en Qgis se suben las capas con los CRS correctos y en la tabla de atributos aparecen las columnas añadidas en R ## Reto final
boyaca <- municipios_9377 |>
filter(as.character(DPTO_CCDGO) == "15")boyaca |>
st_drop_geometry() |>
select(MPIO_CNMBR, DPTO_CCDGO) MPIO_CNMBR DPTO_CCDGO
1 TUNJA 15
2 ALMEIDA 15
3 AQUITANIA 15
4 ARCABUCO 15
5 BELÉN 15
6 BERBEO 15
7 BETÉITIVA 15
8 BOAVITA 15
9 BOYACÁ 15
10 BRICEÑO 15
11 BUENAVISTA 15
12 BUSBANZÁ 15
13 CALDAS 15
14 CAMPOHERMOSO 15
15 CERINZA 15
16 CHINAVITA 15
17 CHIQUINQUIRÁ 15
18 CHITA 15
19 CHITARAQUE 15
20 CHIVATÁ 15
21 CIÉNEGA 15
22 CÓMBITA 15
23 COPER 15
24 CORRALES 15
25 LABRANZAGRANDE 15
26 LA CAPILLA 15
27 LA VICTORIA 15
28 LA UVITA 15
29 PESCA 15
30 PISBA 15
31 PUERTO BOYACÁ 15
32 QUÍPAMA 15
33 SOCOTÁ 15
34 SOCHA 15
35 SOGAMOSO 15
36 SOMONDOCO 15
37 ÚMBITA 15
38 VENTAQUEMADA 15
39 VIRACACHÁ 15
40 ZETAQUIRA 15
41 COVARACHÍA 15
42 CUCAITA 15
43 CUÍTIVA 15
44 CHÍQUIZA 15
45 CHIVOR 15
46 DUITAMA 15
47 EL COCUY 15
48 EL ESPINO 15
49 FIRAVITOBA 15
50 FLORESTA 15
51 GACHANTIVÁ 15
52 GÁMEZA 15
53 GARAGOA 15
54 GUACAMAYAS 15
55 GUATEQUE 15
56 GUAYATÁ 15
57 IZA 15
58 JENESANO 15
59 JERICÓ 15
60 VILLA DE LEYVA 15
61 MACANAL 15
62 MARIPÍ 15
63 MIRAFLORES 15
64 MONGUA 15
65 MONGUÍ 15
66 MONIQUIRÁ 15
67 MOTAVITA 15
68 MUZO 15
69 NOBSA 15
70 NUEVO COLÓN 15
71 OICATÁ 15
72 OTANCHE 15
73 PACHAVITA 15
74 PÁEZ 15
75 PAIPA 15
76 PAJARITO 15
77 PANQUEBA 15
78 PAUNA 15
79 PAYA 15
80 PAZ DE RÍO 15
81 RAMIRIQUÍ 15
82 RÁQUIRA 15
83 RONDÓN 15
84 SABOYÁ 15
85 SÁCHICA 15
86 SAMACÁ 15
87 SAN EDUARDO 15
88 SAN JOSÉ DE PARE 15
89 SAN LUIS DE GACENO 15
90 SAN MATEO 15
91 SAN MIGUEL DE SEMA 15
92 SAN PABLO DE BORBUR 15
93 SANTANA 15
94 SANTA MARÍA 15
95 SANTA ROSA DE VITERBO 15
96 SANTA SOFÍA 15
97 SATIVANORTE 15
98 SATIVASUR 15
99 SIACHOQUE 15
100 SOATÁ 15
101 SORA 15
102 SOTAQUIRÁ 15
103 SORACÁ 15
104 SUSACÓN 15
105 SUTAMARCHÁN 15
106 SUTATENZA 15
107 TASCO 15
108 TENZA 15
109 TIBANÁ 15
110 TIBASOSA 15
111 TINJACÁ 15
112 TIPACOQUE 15
113 TOCA 15
114 TOGÜÍ 15
115 TÓPAGA 15
116 TOTA 15
117 TUNUNGUÁ 15
118 TURMEQUÉ 15
119 TUTA 15
120 TUTAZÁ 15
121 CHISCAS 15
122 CUBARÁ 15
123 GÜICÁN DE LA SIERRA 15km2_a_ha = function(km2) {
km2 * 100
}km2_a_ha(10)[1] 1000boyaca =boyaca |>
mutate(area_ha = km2_a_ha(area_km2)) # mutate para crear una nueva columnakm2_a_ha = function(km2) {
km2 * 100
}boyaca = boyaca |>
mutate(area_ha = km2_a_ha(area_km2))top5_boyaca = boyaca |>
arrange(desc(area_km2)) |>
slice_head(n = 5)top5_boyaca |>
st_drop_geometry() |>
select(MPIO_CNMBR, area_km2, area_ha) MPIO_CNMBR area_km2 area_ha
1 PUERTO BOYACÁ 1512.0837 151208.37
2 CUBARÁ 1174.6921 117469.21
3 GÜICÁN DE LA SIERRA 949.8998 94989.98
4 AQUITANIA 940.2288 94022.88
5 CHITA 675.8078 67580.78library(ggplot2)
ggplot(boyaca) +
geom_sf(aes(fill = STP27_PERS)) +
scale_fill_viridis_c(name = "Población") +
labs(title = "Población de los municipios de Boyacá") +
theme_minimal()
st_write(
boyaca,
"salidas/reto_boyaca.gpkg",
delete_dsn = TRUE
)Deleting source `salidas/reto_boyaca.gpkg' using driver `GPKG'
Writing layer `reto_boyaca' to data source
`salidas/reto_boyaca.gpkg' using driver `GPKG'
Writing 123 features with 93 fields and geometry type Polygon.