ggplot ile türkiye haritası nasıl oluşturulur?
Sercan Doğan, @sergiostats
24 Kasım 2017
Başlangıç
Bir haftasonu projesi olarak ortaya çıkan ggplot paketi ile türkiye haritası üzerinde görselleştirme yapmayı anlatacağım. İnternetteki birçok harita görselleştirmesi örnekleri genellikle Amerika üzerine. Ben de Türkiye haritasını nasıl oluşturabilirim diye araştırmaya başladım. Her ne kadar coğrafya ve coğrafik veriye dair bilgim olmasa da, biraz incelemeyle yol katettim.
Bu yolda aşağıdaki aşamaları izleyeceğiz:
- Türkiye’nin
shapefileyani coğrafi verisini indireceğiz. - Veriyi nasıl R’ye aktaracağımızı göreceğiz
- Aktardığımız verinin yapısını inceleyeceğiz.
- TÜİK’ten aldığımız veriyi birleştireceğiz.
- Haritayı oluşturacağız.
İndirme
Öncelikle buradaki http://www.gadm.org/country linkten Türkiye’yi seçip, dosya formatı olarak da R (SpatialPolygonsDataFrame)’i seçiyoruz. Not olarak buradan indireceğiniz veriyi ticari amaçla kullanamazsınız.
İndirme kısmında level 0, level 1 ve level 2 göreceksiniz. Bunların anlamı yukarıda haritadaki çizgilerdir aslında. level 0 il ve ilçelerin olmadığı sadece türkiye’nin şeklini oluştur. level 1 kırmızı çizgileri yani şehirleri temsil eder. level 2 de ilçeleri de gösterir. level 2 yi indirdiğimizde aslında level 1 ve level 0’ında verisine sahip olmuş oluyoruz ancak ihtiyacımız olmadığından level 1’i indiriyoruz.
Veriyi R’ye Aktarmak
Veriyi aktarmadan önce bazı paketleri çağırıyoruz.
library(tidyverse) ## Loading tidyverse: ggplot2
## Loading tidyverse: tibble
## Loading tidyverse: tidyr
## Loading tidyverse: readr
## Loading tidyverse: purrr
## Loading tidyverse: dplyr## Conflicts with tidy packages ----------------------------------------------## filter(): dplyr, stats
## lag(): dplyr, statslibrary(sp) # Konumsal (Spatial) veri içinSpatialPolygonsDataFrame veriyi aktarmak için;
TUR <- readRDS("TUR_adm1.rds")Hızlıca plot fonksiyonuyla haritamıza bakabiliriz ancak biz görselleşmeyi ggplot ile yapacağız.
plot(TUR)
SpatialPolygonsDataFrame
Bu veri türü içinde metadata ve her ilin sınır kordinatlarının olduğu matrixler içeriyor.
Bizim uğraşacağımız kısım aslında SpatialPolygonsDataFrame içinde data kısmı ona da, TUR@data şeklinde ulaşabiliyoruz.
TUR@data %>% as_tibble() %>% head(10)## # A tibble: 10 x 13
## OBJECTID ID_0 ISO NAME_0 ID_1 NAME_1 HASC_1 CCN_1 CCA_1 TYPE_1
## <int> <int> <chr> <chr> <int> <chr> <chr> <int> <chr> <chr>
## 1 1 235 TUR Turkey 1 Çanakkale TR.CK NA Il
## 2 2 235 TUR Turkey 2 Çankiri TR.CI NA Il
## 3 3 235 TUR Turkey 3 Çorum TR.CM NA Il
## 4 4 235 TUR Turkey 4 Adana TR.AA NA Il
## 5 5 235 TUR Turkey 5 Adiyaman TR.AD NA Il
## 6 6 235 TUR Turkey 6 Afyon TR.AF NA Il
## 7 7 235 TUR Turkey 7 Agri TR.AG NA Il
## 8 8 235 TUR Turkey 8 Aksaray TR.AK NA Il
## 9 9 235 TUR Turkey 9 Amasya TR.AM NA Il
## 10 10 235 TUR Turkey 10 Ankara TR.AN NA Il
## # ... with 3 more variables: ENGTYPE_1 <chr>, NL_NAME_1 <chr>,
## # VARNAME_1 <chr>ID_0: Ülke kimlik numarası diyebiliriz.
ID_1: Şehirlerin kimlik numaraları, bu numaraları plaka kodları ile karıştırmayın.
ID_2: Bu veride yok ancak ilçelerin kimlik numaraları
Aynı şekilde,
NAME_0: Ülke ismi
NAME_1: Şehir isimleri
NAME_2: İlçe İsimleri
ggplot(TUR, aes(x = long, y = lat)) +
geom_polygon()## Regions defined for each Polygons
Grafiğin böyle olmasının sebebi ggplot’un verinin ne verisi olduğunu bilmemesinden, biraz düzeltelim.
ggplot(TUR, aes(x = long, y = lat)) +
geom_polygon(aes(group = group)) +
coord_fixed()## Regions defined for each Polygons
Şehirleri ayırmak için de fortify fonksiyonunu kullanacağız.
TUR_for <- fortify(TUR) # Bu fonksiyon 'sp' paketinin içinde.## Regions defined for each Polygonshead(TUR_for)## long lat order hole piece id group
## 1 27.28653 40.47514 1 FALSE 1 1 1.1
## 2 27.28653 40.47486 2 FALSE 1 1 1.1
## 3 27.28681 40.47486 3 FALSE 1 1 1.1
## 4 27.28681 40.47458 4 FALSE 1 1 1.1
## 5 27.28708 40.47458 5 FALSE 1 1 1.1
## 6 27.28708 40.47181 6 FALSE 1 1 1.1Aslında, SpatialPolygonsDataFrame türünü dataframe’e çevirdi diyebiliriz. şehirlerin kordinatlarını order’a göre yerleştiriyor. id yukarıda bahsettiğim şehrin kimlik numarası.
ggplot(TUR_for) +
geom_polygon(aes(x = long, y = lat,
group = group),
color = "white",
fill = "#97ECEA") +
theme_void() +
coord_fixed()
TÜİK Verisi
TÜİK’ten aldığım veriyi aktarmadan önce bahsetmeliyim ki, yukarıda gösterdiğimiz coğrafik verinin ve tüik verisinin doğru birleştirme yapmak için şehir isimlerinin birbiriyle uyuşması gerekiyor. Bu sebeple ben iki veride de bazı düzenlemeler yaptım. Şehir isimlerindeki Türkçe karakterleri İngilizceye çevirdim. Diğer bazı küçük düzenlemeleri aşağıda paylaştığım github linkimdeki map.R dosyasında bulabilirsiniz.
Daha hızlı ilerleyebilmek için map.R dosyasını aktarıyorum.
source("map.R")Üzerinde çalışacağım veri, ülke içindeki şehirlerin göç alma sayıları. TÜİK’ten aldığım veri 2014-2016 yılına ait ancak ben 2016 ait bir görselleştirme yapacağım.
mig <- read_csv("migration/clean_migration.csv")## Parsed with column specification:
## cols(
## yil = col_integer(),
## aldigi_sehir = col_character(),
## sehir = col_character(),
## sayi = col_integer()
## )mig %>% head()## # A tibble: 6 x 4
## yil aldigi_sehir sehir sayi
## <int> <chr> <chr> <int>
## 1 2014 Adana Adıyaman 752
## 2 2014 Adana Afyonkarahisar 294
## 3 2014 Adana Ağrı 276
## 4 2014 Adana Aksaray 500
## 5 2014 Adana Amasya 120
## 6 2014 Adana Ankara 3656Öncelikle verideki şehir isimlerindeki türkçe karakterleri ingilizce karakterlere çevirelim.
mig$aldigi_sehir <- tr_to_en(mig$aldigi_sehir)
mig$sehir <- tr_to_en(mig$sehir)İstanbul’un 2016’yılında aldığı göçü gösterelim. Bunun için de veriyi özelleştirelim.
mig_ist_2016 <- mig %>%
filter(yil == 2016, sehir == "Istanbul") %>%
select(-c(yil,sehir))
mig_ist_2016 %>% head()## # A tibble: 6 x 2
## aldigi_sehir sayi
## <chr> <int>
## 1 Adana 6933
## 2 Adiyaman 4033
## 3 Afyonkarahisar 1863
## 4 Agri 6709
## 5 Aksaray 1314
## 6 Amasya 2460TUR verisindeki ID_1 kimlik numaralarını TÜİK verisine dahil etmemiz gerekiyor. Bu sebeple, left_join ile NAME_1 ve aldigi_sehire göre birleştiriyoruz.
id_and_cities_ist <- data_frame(id = rownames(TUR@data),
aldigi_sehir = TUR@data$NAME_1) %>%
left_join(mig_ist_2016, by = "aldigi_sehir")
id_and_cities_ist %>% head()## # A tibble: 6 x 3
## id aldigi_sehir sayi
## <chr> <chr> <int>
## 1 1 Canakkale 4563
## 2 2 Cankiri 2868
## 3 3 Corum 2419
## 4 4 Adana 6933
## 5 5 Adiyaman 4033
## 6 6 Afyonkarahisar 1863Son haritayı oluşturmak için yukarıdaki oluşturduğumuz TUR_for ile id_and_cities_ist verisini birleştiriyoruz.
final_ist_map <- left_join(TUR_for, id_and_cities_ist, by = "id")
final_ist_map %>% head()## long lat order hole piece id group aldigi_sehir sayi
## 1 27.28653 40.47514 1 FALSE 1 1 1.1 Canakkale 4563
## 2 27.28653 40.47486 2 FALSE 1 1 1.1 Canakkale 4563
## 3 27.28681 40.47486 3 FALSE 1 1 1.1 Canakkale 4563
## 4 27.28681 40.47458 4 FALSE 1 1 1.1 Canakkale 4563
## 5 27.28708 40.47458 5 FALSE 1 1 1.1 Canakkale 4563
## 6 27.28708 40.47181 6 FALSE 1 1 1.1 Canakkale 4563Haritayı oluşturmadan hemen önce 2016 yılında kaç kişi istanbul’a gelmiş diye bakalım.
sum(mig_ist_2016$sayi)## [1] 369582Haritamız:
ggplot(final_ist_map) +
geom_polygon( aes(x = long, y = lat, group = group, fill = sayi),
color = "grey") +
coord_map() +
theme_void() +
labs(title = "2016 Yılındaki İstanbul'un Aldığı Göç Sayısı",
subtitle = paste0("Toplam Sayı: ", sum(mig_ist_2016$sayi)),
caption = "Kaynak: Türkiye İstatistik Kurumu") +
scale_fill_distiller(name = "Göç Sayısı",
palette = "Spectral", limits = c(0,20000), na.value = "black") +
theme(plot.title = element_text(hjust = 0.5),
plot.subtitle = element_text(hjust = 0.5))
Buradaki kodlara github adresinden ulaşabilirsiniz. Bir problem halinde bana da ulaşabilirsiniz, birlikte çözmeye çalışabiliriz.