Tarea Clase 4
nerinarossi
23/8/2019
Realizar 2 gráficos que les permitan analizar la temporalidad de los datos.¿Detectan algún patrón temporal? ¿A qué puede deberse?
Analizar la distribución espacial de los datos a partir de:
- Un mapa de densidad que muestre donde se concentran la mayor cantidad de observaciones.
- Un facetado del mapa del punto III.a. que permita discenir patrones espaciales dentro de las categorías de una variable. ¿El patrón espacial de los datos elegidos se mantiene o varía según las categorías?
- Comparar la densidad de los datos en el tiempo (facetar). ¿Los patrones espaciales de los datos elegidos se mantienen o varían en el tiempo?
library(tidyverse)## Registered S3 method overwritten by 'rvest':
## method from
## read_xml.response xml2## -- Attaching packages --------------------------------------- tidyverse 1.2.1 --## v ggplot2 3.2.0 v purrr 0.3.2
## v tibble 2.1.1 v dplyr 0.8.0.1
## v tidyr 0.8.3 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.4.0## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(lubridate)## Warning: package 'lubridate' was built under R version 3.6.1##
## Attaching package: 'lubridate'## The following object is masked from 'package:base':
##
## dateTrabajamos con patrones de tiempo y espacio. Data elegida: Operativos Defensa Civil BA, año 2018
operativos.2018 <- read.csv("~/MEU/MU115 - CIencia de Datos II/operativos-2018.csv")names(operativos.2018)## [1] "long" "lat"
## [3] "fecha" "suceso"
## [5] "calle_nombre" "calle_altura"
## [7] "barrio" "comuna"
## [9] "observacion" "movil"
## [11] "a_cargo" "turno"
## [13] "emergencia" "prevencion"
## [15] "amenaza" "mes"
## [17] "codigo_postal" "codigo_postal_argentino"summary(operativos.2018)## long lat fecha
## Min. :-58.53 Min. :-34.70 2018-12-13: 119
## 1st Qu.:-58.47 1st Qu.:-34.64 2018-12-30: 115
## Median :-58.43 Median :-34.63 2018-12-14: 79
## Mean :-58.43 Mean :-34.63 2018-05-10: 70
## 3rd Qu.:-58.39 3rd Qu.:-34.61 2018-05-02: 69
## Max. :-58.34 Max. :-34.53 2018-08-09: 69
## (Other) :9384
## suceso
## ARBOLES / RAMAS :1830
## PELIGRO DE CAIDA COLUMNA / POSTE / CARTEL / LUMINARIA:1268
## CABLES EXPUESTOS / CAIDOS :1164
## ESCAPE DE GAS :1067
## RIESGO ELECTRICO : 661
## INCENDIO : 548
## (Other) :3367
## calle_nombre calle_altura barrio
## RIVADAVIA : 185 Min. : 0 BALVANERA : 674
## ALBERDI JUAN BAUTISTA AV: 65 1st Qu.: 0 FLORES : 673
## INDEPENDENCIA AV : 63 Median : 1038 BARRACAS : 595
## SAN JUAN : 53 Mean : 1683 VILLA LUGANO: 579
## CORRIENTES : 50 3rd Qu.: 2671 CABALLITO : 547
## FALCON RAMON L.CNEL. : 48 Max. :16100 MATADEROS : 425
## (Other) :9441 (Other) :6412
## comuna observacion movil
## COMUNA 4:1645 :3764 Min. : 0
## COMUNA 1:1324 S/NOVEDAD : 596 1st Qu.: 140
## COMUNA 9:1000 SIN NOVEDAD : 511 Median : 303
## COMUNA 7: 997 SE SEÑALIZA SE PASA AL CUCC: 210 Mean : 393
## COMUNA 8: 985 SE PASA AL CUCC : 142 3rd Qu.: 797
## COMUNA 3: 928 S/ NOVEDAD : 135 Max. :8550
## (Other) :3026 (Other) :4547
## a_cargo turno emergencia prevencion
## ALARCON: 431 : 112 no: 413 no:9492
## BERARDI: 316 F/S:2060 si:9492 si: 413
## CASCO : 301 TM :2842
## SANZ : 264 TN :2178
## LIO : 257 TT :2713
## ENRIQUE: 249
## (Other):8087
## amenaza mes
## OTROS :5902 DICIEMBRE:1167
## 13) INTERRUPCION DE SERVICIOS BASICOS :1528 AGOSTO : 959
## 7) FUGA DE GAS : 671 ENERO : 944
## 14) INTOXICACIONES Y CONTAMINACIONES : 541 NOVIEMBRE: 865
## 1) LLUVIAS TORRENCIALES Y FUERTES VIENTOS: 419 MAYO : 853
## 3) INCENDIOS : 414 ABRIL : 770
## (Other) : 430 (Other) :4347
## codigo_postal codigo_postal_argentino
## Min. :1001 :2889
## 1st Qu.:1199 C1405CVH: 20
## Median :1406 C1160ACD: 14
## Mean :1311 C1272ADF: 12
## 3rd Qu.:1425 C1416DGM: 12
## Max. :1440 C1282AFF: 10
## NA's :2883 (Other) :6948Cambiamos la fecha
operativos.2018 <- operativos.2018 %>%
mutate(fecha=ymd(fecha))Tomamos una muestra al azar de cinco fechas
set.seed("99")
muestra_de_fechas <- operativos.2018 %>%
sample_n(5) %>%
pull(fecha)
muestra_de_fechas## [1] "2018-08-03" "2018-10-13" "2018-03-26" "2018-04-21" "2018-09-30"Hago un histograma con cantidad de operativos por mes, ya que le dataset es del año 2018
operativos.2018 %>%
filter(year(fecha) == 2018) %>%
ggplot() +
geom_bar(aes(x = month(fecha, label = TRUE)))
Lo graficamos por tipo de operativo:
operativos.2018 %>%
count(suceso) %>%
top_n(5) %>%
arrange(desc(n))## Selecting by n## # A tibble: 5 x 2
## suceso n
## <fct> <int>
## 1 ARBOLES / RAMAS 1830
## 2 PELIGRO DE CAIDA COLUMNA / POSTE / CARTEL / LUMINARIA 1268
## 3 CABLES EXPUESTOS / CAIDOS 1164
## 4 ESCAPE DE GAS 1067
## 5 RIESGO ELECTRICO 661operativos_frecuentes <- operativos.2018 %>%
count(suceso) %>%
top_n(5) %>%
pull(suceso)## Selecting by noperativos.2018 %>%
filter(year(fecha) == 2018,
suceso %in% operativos_frecuentes) %>%
ggplot() +
geom_bar(aes(x = month(fecha, label = TRUE), fill = suceso))
En grafico de barras
operativos.2018 %>%
filter(year(fecha) == 2018,
suceso %in% operativos_frecuentes) %>%
ggplot() +
geom_bar(aes(x = month(fecha, label = TRUE), fill = suceso),
position = "dodge")
El suceso mas comun es la caida de ramas y arboles, en los meses de Enero, Noviembre y la mayoria se produjo en Diciembre. Supongo que el patron temporal de dicah distribucion tendra que ver con las lluvias que cayeron en la ciudad, seguramente han sido mas copiosas en esos meses de verano. La mayor cantidad de operativos en relacion a escapes de gas se dieron en el mes de Agosto, epoca invernal.
Quiero saber que agente estuvo a cargo en los operativos
operativos.2018 %>%
count(a_cargo) %>%
top_n(5) %>%
arrange(desc(n))## Selecting by n## # A tibble: 5 x 2
## a_cargo n
## <fct> <int>
## 1 ALARCON 431
## 2 BERARDI 316
## 3 CASCO 301
## 4 SANZ 264
## 5 LIO 257Creo otro dataset con los agentes a cargo
operativos_agentes <- operativos.2018 %>%
count(a_cargo) %>%
top_n(5) %>%
pull(a_cargo)## Selecting by noperativos.2018 %>%
filter(year(fecha) == 2018,
a_cargo %in% operativos_agentes) %>%
ggplot() +
geom_bar(aes(x = month(fecha, label = TRUE), fill = a_cargo))
operativos.2018 %>%
filter(year(fecha) == 2018,
a_cargo %in% operativos_agentes) %>%
ggplot() +
geom_bar(aes(x = month(fecha, label = TRUE), fill = a_cargo),
position = "dodge")
Un patron temporal para los agentes a cargo, puede estar relacionado con muchas variables, el agente Alarcon estuvo a cargo de mas cantidad de operativos en los meses de mayo y noviembre, el agente Casco su mayor participacion fue en el mes de enero, y el agente Lio tuvo participacion minima en el mes de noviembre (Cuando Alarcon tuvo su mayor participacion) ESte ultima situacion podria pensarse como un reemplazo por enfermedad o vacaciones, o licencia de algun otro tipo del agente Lio, que fue reemplazado por el Agente Alarcon.
GRafico de lineas por tipo de operativo:
conteo_operativos <- operativos.2018 %>%
filter(year(fecha) == 2018,
suceso %in% operativos_frecuentes) %>%
count(suceso, mes = month(fecha, label = TRUE))ggplot(conteo_operativos) +
geom_line(aes(x = mes, y = n, group = suceso, color = suceso))+
geom_point(aes(x = mes, y = n, group = suceso, color = suceso, size = 0.05))+
scale_color_brewer(palette = "set1")+
labs(title="Top 5 de operativos 2018",
color="tipo de operativo",
x="meses",
y = "Cantidad")+
theme_minimal()## Warning in pal_name(palette, type): Unknown palette set1
Armo un mapa con el tipo de operativos para distribuir geograficamente
library(ggmap)## Warning: package 'ggmap' was built under R version 3.6.1## Google's Terms of Service: https://cloud.google.com/maps-platform/terms/.## Please cite ggmap if you use it! See citation("ggmap") for details.operativos.2018 <- operativos.2018 %>%
filter(lat <0, long <0)
bbox <- c(min(operativos.2018$long, na.rm = TRUE),
min(operativos.2018$lat, na.rm = TRUE),
max(operativos.2018$long, na.rm = TRUE),
max(operativos.2018$lat, na.rm = TRUE))library(osmdata)## Warning: package 'osmdata' was built under R version 3.6.1## Data (c) OpenStreetMap contributors, ODbL 1.0. http://www.openstreetmap.org/copyrightbbox <- getbb("Ciudad Autonoma de Buenos Aires")
bbox## min max
## x -58.53146 -58.33512
## y -34.70564 -34.52655CABA <- get_stamenmap(bbox = bbox,
maptype="toner-lite",
zoom=13)## Source : http://tile.stamen.com/toner-lite/13/2764/4934.png## Source : http://tile.stamen.com/toner-lite/13/2765/4934.png## Source : http://tile.stamen.com/toner-lite/13/2766/4934.png## Source : http://tile.stamen.com/toner-lite/13/2767/4934.png## Source : http://tile.stamen.com/toner-lite/13/2768/4934.png## Source : http://tile.stamen.com/toner-lite/13/2764/4935.png## Source : http://tile.stamen.com/toner-lite/13/2765/4935.png## Source : http://tile.stamen.com/toner-lite/13/2766/4935.png## Source : http://tile.stamen.com/toner-lite/13/2767/4935.png## Source : http://tile.stamen.com/toner-lite/13/2768/4935.png## Source : http://tile.stamen.com/toner-lite/13/2764/4936.png## Source : http://tile.stamen.com/toner-lite/13/2765/4936.png## Source : http://tile.stamen.com/toner-lite/13/2766/4936.png## Source : http://tile.stamen.com/toner-lite/13/2767/4936.png## Source : http://tile.stamen.com/toner-lite/13/2768/4936.png## Source : http://tile.stamen.com/toner-lite/13/2764/4937.png## Source : http://tile.stamen.com/toner-lite/13/2765/4937.png## Source : http://tile.stamen.com/toner-lite/13/2766/4937.png## Source : http://tile.stamen.com/toner-lite/13/2767/4937.png## Source : http://tile.stamen.com/toner-lite/13/2768/4937.png## Source : http://tile.stamen.com/toner-lite/13/2764/4938.png## Source : http://tile.stamen.com/toner-lite/13/2765/4938.png## Source : http://tile.stamen.com/toner-lite/13/2766/4938.png## Source : http://tile.stamen.com/toner-lite/13/2767/4938.png## Source : http://tile.stamen.com/toner-lite/13/2768/4938.png## Source : http://tile.stamen.com/toner-lite/13/2764/4939.png## Source : http://tile.stamen.com/toner-lite/13/2765/4939.png## Source : http://tile.stamen.com/toner-lite/13/2766/4939.png## Source : http://tile.stamen.com/toner-lite/13/2767/4939.png## Source : http://tile.stamen.com/toner-lite/13/2768/4939.pngggmap(CABA)
Puntos por cantidad de operativos
ggmap(CABA) +
geom_point(data = operativos.2018, aes(x = long, y = lat),
color = "green", size = 0.5, alpha = 0.1)
Mapa de calor x cantidad de operativos
ggmap(CABA) +
geom_bin2d(data = operativos.2018,
aes(x = long, y = lat), bins=75)+
scale_fill_viridis_c()
Isolineas cantidad de operativos
ggmap(CABA) +
geom_density2d(data = operativos.2018, aes(x = long, y = lat, color = stat(level))) +
scale_color_viridis_c()
Mapeo por tipo de operativo
ggmap(CABA) +
geom_point(data = filter(operativos.2018, suceso %in% operativos_frecuentes),
aes(x = long, y = lat, color = suceso),
size = 0.5, alpha = 0.1) +
guides(color = guide_legend(override.aes = list(size=2, alpha = 1))) +
scale_color_brewer(palette = "Set1")
La primera conclusion de haber puesto la cantidad y tipo de operativo en un mapa de la ciudad, queda demosatrado que los operativos se concentran en el area sur de la ciudad, de la avenida Rivadavia hacia el sur. Supongo que tendra que ver con que se denuncian mas sucesos en los cuales defensa civil de la ciudad debe actuar en esa zonas.
Mapeo facetado por tipo de operativo en la ciudad
ggmap(CABA) +
geom_point(data = filter(operativos.2018, suceso %in% operativos_frecuentes),
aes(x = long, y = lat, color = suceso),
size = 0.5, alpha = 0.1) +
guides(color = guide_legend(override.aes = list(size=2, alpha = 1))) +
scale_color_brewer(palette = "Set1") +
facet_wrap(~suceso)
Facetado con densidad por tipo de operativo
ggmap(CABA) +
geom_density2d(data = filter(operativos.2018, suceso %in% operativos_frecuentes), aes(x = long, y = lat, color = stat(level))) +
scale_color_viridis_c() +
facet_wrap(~suceso)
El suceso que se distribuye un poco mas uniformemente en la ciudad es el “escape de Gas”. El suceso “riesgo electrico” es bastante mas tenue en intensidad, que el resto de los sucesos.
operativos.2018 <- operativos.2018 %>%
mutate(dia=wday(fecha, label=TRUE))ggmap(CABA) +
geom_density2d(data = filter(operativos.2018, suceso %in% operativos_frecuentes), aes(x = long, y = lat, color = stat(level))) +
scale_color_viridis_c() +
facet_wrap(~dia, nrow=2)