Presentación

Primeramente, hacemos una presentación del trabajo. Podemos iniciar poniendo nuestro nombre y el propósito del script.

#################################
# JORGE JUVENAL CAMPOS FERREIRA #
#      CODIGO DEMO NUMERO 1     #
#################################

## PREGUNTA: CUANTAS COLONIAS TIENEN LAS DEMARCACIONES (MPIOS O DELEGACIONES) EN LA CDMX? 

Configurando el entorno de trabajo

Igualmente, configuramos el entorno de trabajo en el cuál correrá el script. Entre las configuraciones más comunes estan las siguientes:

1. Remover la notación científica.

2. Seleccionar el locale, el cual se puede entender como el conjunto de parámetros y caracteres que definen el lenguaje y el país que reconoce la sesión de R. Para este caso utilizaremos el es_ES.UTF-8.

3. Otra configuración consiste en remover todos los objetos del Ambiente Global.

#-------------------------------------------#
# Primero: Configurar el entorno de trabajo #
#-------------------------------------------#

# 1. Removemos notación científica
options(scipen = 999)

# 2. Caracteres usados en el idioma español
Sys.setlocale("LC_ALL", 'es_ES.UTF-8')

## [1] "es_ES.UTF-8/es_ES.UTF-8/es_ES.UTF-8/C/es_ES.UTF-8/en_US.UTF-8"

# 3. Eliminamos los objetos que hay en el Environment
rm(list = ls())

Sección de Bibliotecas/Paquetes

Las Bibliotecas son colecciones de funciones de R, bases de datos y códigos compilados en un formato bien definido. En vez de programar desde cero una función, podemos descargar una biblioteca y utilizar una función predefinida.

Para llamar las bibliotecas, podemos utilizar la función library() o utilizar la función p_load() de la biblioteca pacman como se ve a continuación.

La línea de código if (!require("pacman")) install.packages("pacman") instala la biblioteca pacman si RStudio detecta que no está instalada entre nuestras bibliotecas.

# ------------------------------ #
# Segundo: Sección de librerías. #
# ------------------------------ #

# Checar si esta instalado Pacman
if (!require("pacman")) install.packages("pacman")

## Loading required package: pacman

library(pacman)
p_load("tidyverse", "sf")

Funciones propias.

Muchas veces las librerías no tienen funciones que vamos a ocupar, o necesitamos hacer funciones muy específicas o programar tareas muy repetitivas. Para solucionar esto necesitaremos definir nuestras propias funciones; un ejemplo de eso se muestra en el bloque de código a continuación.

# -------------------------------------- # 
# Tercero: Sección de funciones propias. #
# -------------------------------------- #

# Funcion propia! Para convertir variable texto en variable factor
niveles <- function(x) levels(as.factor(x))

Importar bases de datos.

En esta sección importamos bases de datos. En el bloque siguiente, estamos importando un archivo *.geojson que contiene una base de datos de las colonias de la Ciudad de México. Al igual que la función readr::read_csv(), la función sf::st_read() nos permite leer bases de datos directamente desde internet.

Nota: Para referirnos a una función, usamos la nomenclatura librería::nombre_función. Por lo tanto, sf::st_read() se lee como: La función st_read() de la librería sf.

# ------------------------------------------------- #
# Cuarto. Sección para importar las bases de datos. #
# ------------------------------------------------- #

base_de_datos <- st_read("http://rir.geoint.mx/RIR/archivos/101_coloniasCDMX.geojson")

## Reading layer `OGRGeoJSON' from data source `http://rir.geoint.mx/RIR/archivos/101_coloniasCDMX.geojson' using driver `GeoJSON'
## Simple feature collection with 1556 features and 5 fields
## geometry type:  MULTIPOLYGON
## dimension:      XY
## bbox:           xmin: -99.34657 ymin: 19.13012 xmax: -98.94434 ymax: 19.57996
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs

Exploración, visualización y manejo.

Una vez que importamos la base de datos, revisamos que tiene. En el ejemplo siguiente veremos el numero de filas y columnas de la base, el tipo de variable de cada variable y cuantas y cuales delegaciones tiene la base de datos.

# ------------------------------------------------------------- #
# Quinto: Exploración, Limpieza y manejo de las Bases de Datos. #
# ------------------------------------------------------------- #

###############  
# Exploracion #
############### 

# Cuantas filas y columnas tiene?
dim(base_de_datos) # 1556 renglones x 6 columnas

## [1] 1556    6

# Que tipo de objeto es la base_de_datos? 
class(base_de_datos) # Objeto sf

## [1] "sf"         "data.frame"

# Que delegaciones tenemos en la base?
niveles(base_de_datos$NOM_MUN)

##  [1] "Álvaro Obregón"         "Azcapotzalco"          
##  [3] "Benito Juárez"          "Coyoacán"              
##  [5] "Cuajimalpa de Morelos"  "Cuauhtémoc"            
##  [7] "Gustavo A. Madero"      "Iztacalco"             
##  [9] "Iztapalapa"             "La Magdalena Contreras"
## [11] "Miguel Hidalgo"         "Milpa Alta"            
## [13] "Tláhuac"                "Tlalpan"               
## [15] "Venustiano Carranza"    "Xochimilco"

# Nombres y tipos de datos de las columnas (VARIABLES)
str(base_de_datos) # Todas son factores menos la ultima

## Classes 'sf' and 'data.frame':   1556 obs. of  6 variables:
##  $ TEXT    : Factor w/ 1417 levels "10 DE ABRIL",..: 1290 483 205 235 219 245 977 1014 432 1183 ...
##  $ CLAVE   : Factor w/ 16 levels "09002","09003",..: 10 10 10 10 10 10 10 12 12 12 ...
##  $ NOM_MUN : Factor w/ 16 levels "Álvaro Obregón",..: 13 13 13 13 13 13 13 16 16 16 ...
##  $ ID_COL  : Factor w/ 235 levels "0001","0002",..: 8 13 22 25 35 38 52 5 46 61 ...
##  $ GEOCLAVE: Factor w/ 1555 levels "090020001","090020002",..: 962 966 974 977 987 989 1000 1191 1232 1247 ...
##  $ geometry:sfc_MULTIPOLYGON of length 1556; first list element: List of 1
##   ..$ :List of 1
##   .. ..$ : num [1:470, 1:2] -99 -99 -99 -99 -99 ...
##   ..- attr(*, "class")= chr  "XY" "MULTIPOLYGON" "sfg"
##  - attr(*, "sf_column")= chr "geometry"
##  - attr(*, "agr")= Factor w/ 3 levels "constant","aggregate",..: NA NA NA NA NA
##   ..- attr(*, "names")= chr  "TEXT" "CLAVE" "NOM_MUN" "ID_COL" ...

# Limpieza y manejo 
# Queremos solo 1 columna con la delegacion y 1 con el numero de colonias!
base_tidy <- base_de_datos %>% 
  group_by(NOM_MUN) %>% 
  summarize(`Numero de Colonias` = n()) %>% 
  as_tibble() %>% 
  select(-geometry) %>% 
  arrange(desc(`Numero de Colonias`))

Análisis y estadísticas

Los análisis pueden consistir en estadística exploratoria, pruebas de hipótesis, análisis estadísticos, etc.

En el ejemplo siguiente, mediante visualización exploratoria generaremos una gráfica que nos muestre cual es la demarcación con mayor numero de colonias.

Todo dependiendo de tu pregunta de investigación.

# -------------------------------- #
#   Sexto:  Análisis y estadìsticas. #
# -------------------------------- #

############
# Graficas #
############

# Grafico de Barras #
ggplot(data = base_tidy, aes(x = reorder(NOM_MUN, `Numero de Colonias`),
                             y = `Numero de Colonias`, fill = NOM_MUN)) + 
  geom_bar(stat = "identity") + coord_flip() + labs(y = "Municipio", x = "Numero de colonias", title = "Numero de colonias en la CDMX", caption = "Informacion tomada de la pagina de Centro Geo", subtitle = "Colonias por delegacion en la CDMX") + theme_bw()

# + 
#   theme_bw() +
#   coord_flip() +
#   theme(legend.position = "none") + 
#   labs(title = "Numero de colonias por Delegación de la Ciudad de México", x = NULL)

Declaración de temas personalizados.

Muchas veces vamos a escribir textos o artículos cuyas gráficas deben tener un tema o estilo particular y propio. Para esto, R nos dá la opción de declarar temas propios; configuraciones de la estética de las gráficas que podemos reciclar para múltiples usos a lo largo de nuestros documentos. Para el presente gráfico, declararemos un tema sencillo para modificar la gráfica que tenemos arriba.

Las modificaciones consistirán en cambiar el fondo, el tipo de letra en los textos de los ejes, el color de estas, y en remover la leyenda (la cual, en este caso, no aporta información de valor).

# Le ponemos un nombre bonito al tema y lo declaramos como un objeto: 

tema_juve <- theme_bw() + theme(text = element_text(family = "Asap-Bold", color = "#25636e"), 
                   panel.grid.major = element_blank(),
                   panel.grid.minor = element_blank(), 
                   plot.caption=element_text(hjust=1,size=9,colour="grey30"),
                   plot.subtitle=element_text(face="italic",size=12,colour="grey40"),
                   plot.title=element_text(size=12,face="bold", color = "red"),
                   axis.text.x = element_text(family = "Asap-Bold", color = "grey40"),
                   axis.text.y = element_text(family = "Asap-Bold", color = "grey40"), 
                   legend.position = "none" # Removemos la leyenda. 
                   )

A continuación, lo utilizamos en el gráfico de arriba, al final.

# Grafico de Barras #
plot <- ggplot(data = base_tidy, aes(x = reorder(NOM_MUN, `Numero de Colonias`),
                             y = `Numero de Colonias`, fill = NOM_MUN)) + 
  geom_bar(stat = "identity") + 
  coord_flip() + 
  labs(y = "Municipio", x = "Numero de colonias", title = "Numero de colonias en la CDMX", caption = "Informacion tomada de la pagina de Centro Geo - SECTEI - Sección de datos sociodemográficos (www/rir.geoint.mx)", subtitle = "Colonias por delegacion en la CDMX") + 
  theme_bw() + 
  tema_juve

# Imprimimos el objeto plot 
plot

Haciendo la gráfica interactiva con plotly::ggplotly

La librería plotly nos proveé la función ggplotly(), la cuál toma un objeto creado con la función ggplot y lo transforma a un objeto plotly, dándole ciertas propiedades de interactividad a las gráficas. A continuación un ejemplo rápido:

# Llamamos a la libreria plotly
library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

# Usamos la funcion ggplotly para transformar la grafica de arriba en una grafica plotly
ggplotly(plot)

Impresión de resultados y guardado de información.

Para finalizar, es bueno guardar los resultados. En este caso guardaremos la imágen de la gráfica anterior en un formato de imágen (formato *.png) y la base final en un formato *.csv, dentro de nuestra carpeta de trabajo.

# -------------------------------------------------------------- #
# Séptimo: Impresión de resultados y guardado de la información. #
# -------------------------------------------------------------- #

# Guardamos la grafica 
ggsave(file = "numeroColoniasCDMX.png", height = 20, width = 18, units = "cm")

# Guardamos la base en un archivo *.csv
write.csv(base_tidy, "numeroColoniasCDMX.csv")

Recordemos que lo anterior es sólo una sugerencia (mi sugerencia personal). Al final de cuentas cada quien tiene su estilo de trabajo. Sólo hay que recordar que hay que ser lo más ordenados posible, y esto nos permitirá encontrar errores de forma más rápida y entender bien nuestros códigos en el futuro.

Juvenal Campos

Agosto, 2019.

Mapa en Leaflet.

leaflet es una librería de la familia de los htmlwidgets, las cuales son librerías que nos permiten transformar código de R en html, css y javascript, los cuales son los 3 lenguajes más utilizados en la programación web.

En el caso particular de la librería leaflet, esta nos permite realizar, a partir de bases de datos geográficas, mapas interactivos de polígonos, puntos y líneas. La intereactividad radica en que el usuario tiene la opción de explorar el mapa controlando el zoom, así como desplegando información al pasar el cursor sobre un elemento y/o haciendo click sobre este.

En el bloque que se muestra a continuación, haremos un mapa de polígonos muy básico con los polígonos de las colonias de la CDMX.

library(leaflet)

leaflet(base_de_datos)  %>%  # Creamos un objeto leaflet
   addTiles()  %>%  # Le aniadimos un fondo bonito
   addPolygons() # Le aniadimos los poligonos

Mejorando el mapa.

Podemos mejorar el mapa anterior mediante la adición de alguno de los siguientes elementos:

• Paleta de colores para visualizar alguna categoría o valor asociado a cada uno de los elementos del mapa.

• Ventanas que desplieguen información al hacer click sobre alguno de los elementos del mapa, o al pasar el cursor sobre estos.

• Un fondo, o tile, que de contexto a los elementos que se agreguen al mapa.

• Una leyenda asociada a una paleta de colores, que nos aporte información relativa a los atributos de cada polígono, punto o línea.

A continuación, se muestra como añadir estos elementos de mejora al código.

# 1. Paleta de colores. 
pal_colores <- colorFactor(palette = "viridis", domain = base_de_datos$NOM_MUN)

# 2. Popup 
popup <- paste0("<b>Colonia: </b>", base_de_datos$TEXT, "<br>", 
                "<b>Delegación: </b>", base_de_datos$NOM_MUN, "<br>"
                )

leaflet(base_de_datos) %>%  # Creamos un objeto leaflet
  addProviderTiles("CartoDB.Positron") %>%  # Le aniadimos un fondo bonito
  addPolygons(color = "black", 
              weight = 1,
              fillColor = pal_colores(base_de_datos$NOM_MUN), 
              fillOpacity = 1,
              popup = popup, 
              label = base_de_datos$TEXT
              ) %>% 
  addLegend(position = "bottomleft", pal= pal_colores, 
            values = base_de_datos$NOM_MUN,
            title = "Delegación")

Si se requiere ahondar más en la elaboración de mapas interactivos con leaflet, les recomiendo acudir al siguiente enlace:

http://rpubs.com/Juve_Campos/LeafletTutorial

Ahí podrán ahondar más la información sobre los tipos de paletas o la creación de mapas multicapa.