R Notebook

Erika Aparicio

22 de abril del 2020

Estadisticas municipales de la agricultura en Meta

1. Introducción

Meta es el departmento ubicado en el centro del país, comprende el área desde los Andes al oeste, hasta las llanuras de Los Llanos. su economía se basa en buena parte en la ganadería, la agricultura y la minería; entre los cultivos principales se encuentra el del maíz, arroz, plátano, entre otros, no obstante, este departamento es una de las regiones de Colombia que cuenta con mayor potencial para el desarrollo agrícola. Por tanto, este cuaderno R Markdown ilustra algunas de las estadísticas agricolas para el departamento de Meta en Colombia.

2.Funcionalidades SIG

Primero, es importane saber que comprender lo que sucede en los territorios es esencial la exploración de estadísticas no espaciales, es por ello que es crucial conocer varias de las bibliotecas R,las cuales son muy útiles para explorar y resumir estadísticas, entre estas se encuentran particularmente las biblioteca dplyr y tidyverse.

Asimismo, las operaciones geoespaciales pueden mejorar la comprensión de varios problemas que afectan a las regiones geográficas. Por ejemplo, averiguar la ubicación de municipios cuyos rendimientos de cosecha son sobresalientes (o, alternativamente, más bajos que el promedio), para realizar dicha exploración, es necesario unir datos no espaciales con datos espaciales.

De este modo, si se desea explorar uniones espaciales, hay que entender que estas operaciones se basan en la intersección entre dos objetos espaciales, a menudo puntos y los polígonos y que hay muchas formas en que se puede unir objetos, que pueden incluir opciones específicas como cruces, cerca, dentro, toques, etc.

Ya entendiendo lo anterio,lo primero que se hara será eliminar el contenido de la memoria

rm(list=ls())

Ahora, es propio instalar las bibliotecas que se necesitan. Tenga en cuenta que, en el siguiente fragmento, cualquier paquete se instala solo si no se ha instalado previamente.

list.of.packages <- c("here", "tidyverse", "rgeos", "maptools", "raster", "sf",  "viridis", "rnaturalearth", "GSODR", "ggrepel", "cowplot")
new.packages <- list.of.packages[!(list.of.packages %in% installed.packages()[,"Package"])]
if(length(new.packages)) install.packages(new.packages)

Ahora, se carga las bibliotecas

library(here)

## here() starts at C:/Users/oaparicio15/Desktop/Rstudio

library(tidyverse)

## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --

## v ggplot2 3.3.0     v purrr   0.3.3
## v tibble  2.1.3     v dplyr   0.8.5
## v tidyr   1.0.2     v stringr 1.4.0
## v readr   1.3.1     v forcats 0.5.0

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(rgeos)

## Loading required package: sp

## rgeos version: 0.5-2, (SVN revision 621)
##  GEOS runtime version: 3.6.1-CAPI-1.10.1 
##  Linking to sp version: 1.4-1 
##  Polygon checking: TRUE

library(maptools)

## Checking rgeos availability: TRUE

library(raster)

## 
## Attaching package: 'raster'

## The following object is masked from 'package:dplyr':
## 
##     select

## The following object is masked from 'package:tidyr':
## 
##     extract

library(sf)

## Linking to GEOS 3.6.1, GDAL 2.2.3, PROJ 4.9.3

library(viridis)

## Loading required package: viridisLite

library(rnaturalearth)
library(GSODR)
library(ggrepel)
library(cowplot)

## 
## ********************************************************

## Note: As of version 1.0.0, cowplot does not change the

##   default ggplot2 theme anymore. To recover the previous

##   behavior, execute:
##   theme_set(theme_cowplot())

## ********************************************************

3. Explorando las estadísticas agrícolas en Meta

Anteriormente, se habia descargado los datos estadísticos (en formato csv) en Estadisticas Municipales Agropecuaria a la computadora, estos datos se editaron usando Excel con el fin de Obtener solo los datos de los munipios del departamento del Meta. El archivo se guardo como un archivo local con el nombre Meta_EVA.csv en la computadora, para luego cargarse en RStudio.

Ahora se debe leer el archivo csv con “estadisticas municipales agropecuarias” para Meta.

datos <- read_csv2("C:/Users/oaparicio15/Desktop/QGIS/ColombiaDatos/Meta_EVA.csv")

## Using ',' as decimal and '.' as grouping mark. Use read_delim() for more control.

## Parsed with column specification:
## cols(
##   COD_DEP = col_double(),
##   DEPARTAMENTO = col_character(),
##   COD_MUN = col_double(),
##   MUNICIPIO = col_character(),
##   GRUPO = col_character(),
##   SUBGRUPO = col_character(),
##   CULTIVO = col_character(),
##   YEAR = col_double(),
##   PERIODO = col_character(),
##   Area_Siembra = col_double(),
##   Area_Cosecha = col_double(),
##   Produccion = col_double(),
##   Rendimiento = col_double(),
##   CICLO = col_character()
## )

Si quiere mirar cuáles son los atributos de los datos, se debe hacer lo siguiente:

head(datos)

tail(datos)

Hay que tener en cuenta que cada municipio tiene estadísticas sobre el área sembrada, área cosechada, y rendimiento para diferentes cultivos en diferentes años. Los atributos SUBGRUPO y CULTIVO parecen referirse a la misma cosa (es decir, un cultivo). Los cultivos se clasifican además en un GRUPO dado.

De este modo, se utilizará la biblioteca dplyr para explorar el contenido de los datos del objeto.

Cabe destacar que aunque la tabla no presenta unidades, si se verifica el archivo csv original, las unidades de área son hectáreas y las unidades de rendimiento son Ton / ha

Dicho esto, lo primero que se realizará sera un resumen del rendimiento (es decir, el rendimiento promedio durante varios años) por grupo y municipio:

datos %>%
  group_by(MUNICIPIO, GRUPO) %>%
  summarise(rend_prom = mean(Rendimiento, na.rm = TRUE)) -> rend_resumen
head(rend_resumen)

También, se puede calcular el rendimiento promedio por GRUPO en los municipios de Meta:

datos %>%
  group_by(GRUPO) %>%
  summarise(rend_dep = mean(Rendimiento, na.rm = TRUE)) -> rend_meta

rend_meta

Tenga en cuenta que los rendimientos más altos corresponden a CEREALES, OLEAGINOSAS, FIBRAS Y PLANTAS AROMATICAS, CONDIMENTARIAS Y MEDICINALES.

Sin embargo, si lo que desea conocer los municipios con mayor rendimiento para cada grupo de cultivos en 2018, puede realizar lo siguiente:

datos %>% 
  filter(YEAR==2018) %>% 
  group_by(GRUPO, MUNICIPIO) %>%
  summarize(max_rend = max(Rendimiento, na.rm = TRUE)) %>%
    slice(which.max(max_rend)) -> rend_max_18

rend_max_18

Ahora, si se desea saber cuáles son los municipios con mayor área cosechada para cada grupo de cultivos en 2018, puede ejecutar lo siguiente:

datos %>% 
  filter(YEAR==2018) %>% 
  group_by(GRUPO, MUNICIPIO) %>%
  summarize(max_area_cosecha = max(Area_Cosecha, na.rm = TRUE)) %>%
    slice(which.max(max_area_cosecha)) -> area_cosecha_max

area_cosecha_max

De este modo, se evidencia que el área más grande cosechada en 2018 correspondió a CEREALES y LEGUMINOSAS, ambos en PUERTO GAITAN, municipio que se destaca por actividades económicas como la ganadería, la agricultura (en mediana escala), el comercio y la pesca. Destacandose principalmente en agricultura los cultivos de maíz, arroz y palma africana.

Sabiendo esto, observemos la producción de maiz (en Toneladas) en Puerto Gaitán para cada año:

datos %>% 
  filter(MUNICIPIO=="PUERTO GAITAN" & SUBGRUPO=="MAIZ") %>% 
  group_by(YEAR, CULTIVO) ->  pgaitan_maiz

pgaitan_maiz

Pero, Si se quiere hacer una exploración gráfica básica, puede usar la biblioteca ggplot 2

g <- ggplot(aes(x=YEAR, y=Produccion/1000), data = pgaitan_maiz) + geom_bar(stat='identity') + labs(y='Producción de maíz  [Ton x 1000]')

g + ggtitle("Evolución de la producción de maíz en Puerto Gaitán del 2007 al 2018") + labs(caption= "Based on EMA data (DANE, 2018)")

De esto, se observa que aunque el cultivo de maíz tuvo su pico en el 2015 su producción esta descendiendo en los últimos años

Por tanto, es bueno investigar qué cultivos tuvieron la mayor área cosechada en 2018

datos %>% 
  filter(YEAR==2018) %>% 
  group_by(GRUPO) %>%
  summarize(sum_area_cosecha = sum(Area_Cosecha, na.rm = TRUE)) %>%
     arrange(desc(sum_area_cosecha)) -> total_area_cosecha

total_area_cosecha

De esto, se pude observar que para Meta las oleaginosass tuvieron la mayor parte del área cosechada en 2018. Dentro de este grupo se encuentra los cultivos de plantas de cuya semilla o fruto puede extraerse aceite, por lo general las oleaginosas más sembradas son la soja, la palma, el maní, el girasol, el maíz y el lino.

Sin embargo, dentro de los datos tambien se encuentra esta información:

datos %>%
  filter(GRUPO=="OLEAGINOSAS" & YEAR==2018) %>%
  group_by(CULTIVO) %>%
  summarize(sum_cosecha = sum(Area_Cosecha, na.rm = TRUE)) %>%
     arrange(desc(sum_cosecha)) -> total_cosecha


total_cosecha

De esta manera, se evidencia que aunque la mayor área cosechada pertenece al grupo de las oleaginosas, esta área pertenece unicamente al cultivo de palma de aceite.

Entonces, veamos cuáles son los municipios con mayor área cosechada para este cultivo en 2018

datos %>% 
  filter(YEAR==2018 & GRUPO=="OLEAGINOSAS") %>% 
  group_by(CULTIVO, MUNICIPIO) %>%
  summarize(max_area2 = max(Area_Cosecha, na.rm = TRUE)) %>%
    slice(which.max(max_area2)) -> area_cosecha2

area_cosecha2

Observandose que efectivamente, Puerto Gaitan es un gran generador de este producto, ahora, volvamos a los datos de cultivos oleaginosas. Antes de trazar, se necesita agregar, al objeto total_area_cosecha, un nuevo campo con abreviaturas para cada GRUPO de cultivos. De lo contrario, la trama se verá desordenada.

total_area_cosecha$CROP <- abbreviate(total_area_cosecha$GRUPO, 3)

Ahora, está tramando el tiempo:

g <- ggplot(aes(x=CROP, y=sum_area_cosecha), data = total_area_cosecha) + geom_bar(stat='identity') + labs(y='Área total cosechada [Ha]')

g+ ggtitle("Superficie total cosechada por grupos de cultivos en 2018 para Meta") + theme(plot.title = element_text(hjust = 0.5)) +
   labs(caption= "Based on EMA data (DANE, 2018)")

Entonces, dado que se observa una fuerte producción de oleaginosas en 2018, a continuacion se quiso ilustra la evolución de este cultivos a través de los años con el fin de compararla con la evolución de otroscultivos importantes para la canasta familia como el arroz y la soya (en Puerto Gaitán)

datos %>% 
  filter(MUNICIPIO=="PUERTO GAITAN" & SUBGRUPO=="PALMA DE ACEITE") %>% 
  group_by(YEAR, CULTIVO) ->  pgaitan_palma

pgaitan_palma 

g <- ggplot(aes(x=YEAR, y=Produccion/1000), data = pgaitan_palma) + geom_bar(stat='identity') + labs(y='Producción de palma de aceite  [Ton x 1000]')

g + ggtitle("Evolución de la producción de palma de aceite en Puerto Gaitán del 2007 al 2018") + labs(caption= "Based on EMA data (DANE, 2018)")

datos %>% 
  filter(MUNICIPIO=="PUERTO GAITAN" & SUBGRUPO=="ARROZ") %>% 
  group_by(YEAR, CULTIVO) ->  pgaitan_arroz

pgaitan_arroz

g <- ggplot(aes(x=YEAR, y=Produccion/1000), data = pgaitan_arroz) + geom_bar(stat='identity') + labs(y='Producción de arroz  [Ton x 1000]')

g + ggtitle("Evolución de la producción de arroz en Puerto Gaitán del 2007 al 2018") + labs(caption= "Based on EMA data (DANE, 2018)")

datos %>% 
  filter(MUNICIPIO=="PUERTO GAITAN" & SUBGRUPO=="SOYA") %>% 
  group_by(YEAR, CULTIVO) ->  pgaitan_soya

pgaitan_soya

g <- ggplot(aes(x=YEAR, y=Produccion/1000), data = pgaitan_soya) + geom_bar(stat='identity') + labs(y='Producción de soya [Ton x 1000]')

g + ggtitle("Evolución de la producción de soya en Puerto Gaitán del 2007 al 2018") + labs(caption= "Based on EMA data (DANE, 2018)")

De esta manera, se observa que la producción en Puerto Gaitan de productos importantes en la canasta familiar como el arroz, la soya y el maiz y (posiblemente muchos más productos) ha tenido un declive, mientras que la producción de palma de aceite va en ascenso, lo cuál, más adelante, si no se toma en cuenta este tipo de datos, podria poner en riesgo la seguridad alimentarias de las personas.

4. Unir las estadísticas agrícolas a los municipios.

Hay que tener en cunta que ya se ha subido a RStudio los datos administrativos del departamento de Meta. Es una buena idea usar el archivo de forma correspondiente a Marco Geoestadistico Departamental que está disponible en DANE Geoportal

Primero se debe leer los datos usando la biblioteca sf:

ant_munic <- sf::st_read("C:/Users/oaparicio15/Desktop/QGIS/ColombiaDatos/50_META/ADMINISTRATIVO/MGN_MPIO_POLITICO.shp")

## Reading layer `MGN_MPIO_POLITICO' from data source `C:\Users\oaparicio15\Desktop\QGIS\ColombiaDatos\50_META\ADMINISTRATIVO\MGN_MPIO_POLITICO.shp' using driver `ESRI Shapefile'
## Simple feature collection with 29 features and 9 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -74.89921 ymin: 1.604238 xmax: -71.07753 ymax: 4.899101
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs

¿Pero qué es ant_munic?

Hay que tener presente que ant_munic es una colección de características simple, estas se refieren a un estándar formal (ISO 19125-1: 2004) que describe cómo los objetos en el mundo real se pueden representar en las computadoras, con énfasis en la geometría espacial de estos objetos. También describe cómo dichos objetos pueden almacenarse y recuperarse de las bases de datos, y qué operaciones geométricas deben definirse para ellos.

ant_munic

Además, no se debe olvidar que los datos utilizan el sistema de referencia de coordenadas geográficas WGS1984 (es decir, código 4326 epsg).

Ahora, se puede usar la función left_join para unir los municipios y las estadísticas agrícolas seleccionadas.

Para hacer la unión se necesita un atributo común (o variable compartida) para basar la unión, el mejor atributo es una identificación. En este caso en ant_munic, el atributo MPIO_CCDGO parece estar bien (se lee 50001 para Villavicencio) y en datos, el atributo correspondiente que corresponde a COD_MUN también lee 50001 para Villavicencio).

Verifiquemos la última declaración:

datos %>% filter (MUNICIPIO =="VILLAVICENCIO") ->  med_datos

med_datos

class(med_datos$`COD_MUN`)

## [1] "numeric"

Para poder hacer la unión, se necesita cambiar el tipo de datos, para esta tarea, es una buena idea crear una copia de los datos estadísticos originales. Con este enfoque, cualquier movimiento falso no estropeará los datos originales.

Avancemos paso a paso:

datos2 <- datos

datos2$TEMP <-  as.character(datos2$`COD_MUN`)

datos2$MPIO_CCDGO <- as.factor(datos2$TEMP)

head(datos2)

Se debe verificar en el objeto datos2, las características del nuevo atributo MPIO_CCDGO.

Ahora, se puede filtrar y seleccionar solo dos atributos relevantes, en este caso, miremos del cultivo de maiz:

datos2 %>% filter(CULTIVO == "MAIZ")  -> datos3

head(datos3)

class(datos3)

## [1] "spec_tbl_df" "tbl_df"      "tbl"         "data.frame"

datos4 <- datos3 %>% dplyr::select(MUNICIPIO, MPIO_CCDGO, YEAR, Produccion, Rendimiento) 

datos4

datos4 %>% 
  gather("YEAR", "Produccion", "Rendimiento" , key = variable, value = number)

head(datos4)

Esta es una tarea clave. Implica varios pasos para poder convertir la tabla de atributos de formato largo a formato ancho.

datos4 %>% 
  group_by(MPIO_CCDGO) %>% 
  mutate(Visit = 1:n()) %>% 
  gather("YEAR", "Produccion", "Rendimiento", key = variable, value = number) %>% 
  unite(combi, variable, Visit) %>%
  spread(combi, number) -> datos5

head(datos5)

tail(datos5)

También se realizará una copia de la colección de características simples (de nuevo, solo en caso de un movimiento falso):

ant_munic2 <- ant_munic

Ahora es hora de unirse:

ant_munic_stat = left_join(ant_munic2, datos5, by="MPIO_CCDGO")

Desde aqui no se ha corrido el código

summary(ant_munic_stat)

##  DPTO_CCDGO   MPIO_CCDGO             MPIO_CNMBR
##  50:29      50001  : 1   ACACÍAS          : 1  
##             50006  : 1   BARRANCA DE UPIA : 1  
##             50110  : 1   CABUYARO         : 1  
##             50124  : 1   CASTILLA LA NUEVA: 1  
##             50150  : 1   CUBARRAL         : 1  
##             50223  : 1   CUMARAL          : 1  
##             (Other):23   (Other)          :23  
##                           MPIO_CRSLC   MPIO_NAREA        MPIO_NANO   
##  Decreto 2543 de 1955          : 3   Min.   :  117.3   Min.   :2017  
##  1840                          : 1   1st Qu.:  568.2   1st Qu.:2017  
##  1955                          : 1   Median : 1123.7   Median :2017  
##  1956                          : 1   Mean   : 2949.1   Mean   :2017  
##  1958                          : 1   3rd Qu.: 3428.1   3rd Qu.:2017  
##  Decreto 182 de Junio 2 de 1955: 1   Max.   :17247.7   Max.   :2017  
##  (Other)                       :21                                   
##  DPTO_CNMBR   Shape_Leng       Shape_Area        MUNICIPIO        
##  META:29    Min.   :0.4364   Min.   :0.009552   Length:29         
##             1st Qu.:1.4422   1st Qu.:0.046252   Class :character  
##             Median :2.0398   Median :0.091507   Mode  :character  
##             Mean   :2.9820   Mean   :0.239841                     
##             3rd Qu.:3.6313   3rd Qu.:0.278743                     
##             Max.   :8.6332   Max.   :1.402166                     
##                                                                   
##   Produccion_1   Produccion_10   Produccion_11   Produccion_12  
##  Min.   :   67   Min.   :    8   Min.   :    6   Min.   :    8  
##  1st Qu.:  420   1st Qu.:  207   1st Qu.:  165   1st Qu.:  480  
##  Median :  720   Median :  738   Median :  675   Median : 1100  
##  Mean   : 1526   Mean   : 1724   Mean   : 2038   Mean   : 2961  
##  3rd Qu.: 1980   3rd Qu.: 1180   3rd Qu.: 1200   3rd Qu.: 3575  
##  Max.   :13450   Max.   :16000   Max.   :12600   Max.   :19498  
##                  NA's   :3       NA's   :4       NA's   :4      
##  Produccion_13     Produccion_14     Produccion_15   Produccion_16    
##  Min.   :    7.0   Min.   :   16.0   Min.   :   11   Min.   :    2.0  
##  1st Qu.:  198.0   1st Qu.:  176.5   1st Qu.:  122   1st Qu.:  373.2  
##  Median :  637.5   Median :  900.0   Median :  576   Median :  958.5  
##  Mean   : 3364.3   Mean   : 3927.5   Mean   : 3347   Mean   : 4017.0  
##  3rd Qu.: 3390.0   3rd Qu.: 4222.5   3rd Qu.: 3434   3rd Qu.: 4068.8  
##  Max.   :17600.0   Max.   :21518.0   Max.   :19250   Max.   :23400.0  
##  NA's   :5         NA's   :6         NA's   :6       NA's   :7        
##  Produccion_17     Produccion_18     Produccion_19    Produccion_2 
##  Min.   :   10.0   Min.   :    5.0   Min.   :    6   Min.   :  28  
##  1st Qu.:  189.5   1st Qu.:  228.5   1st Qu.:  132   1st Qu.: 190  
##  Median :  883.5   Median :  989.5   Median : 1188   Median : 532  
##  Mean   : 4338.6   Mean   : 5135.4   Mean   : 5312   Mean   :1764  
##  3rd Qu.: 3469.5   3rd Qu.: 5085.0   3rd Qu.: 3369   3rd Qu.:2819  
##  Max.   :28236.0   Max.   :33953.0   Max.   :36750   Max.   :7431  
##  NA's   :7         NA's   :7         NA's   :7                     
##  Produccion_20    Produccion_21      Produccion_22    Produccion_23     
##  Min.   :    15   Min.   :     8.0   Min.   :     5   Min.   :     3.0  
##  1st Qu.:   375   1st Qu.:   155.0   1st Qu.:   130   1st Qu.:   121.5  
##  Median :  1600   Median :   883.5   Median :   542   Median :   440.5  
##  Mean   : 14864   Mean   :  9947.6   Mean   : 13748   Mean   : 10139.9  
##  3rd Qu.:  3559   3rd Qu.:  1750.0   3rd Qu.:  2987   3rd Qu.:  1915.0  
##  Max.   :210000   Max.   :130000.0   Max.   :189831   Max.   :118432.0  
##  NA's   :8        NA's   :9          NA's   :9        NA's   :9         
##  Produccion_24       Produccion_25    Produccion_26    Produccion_27   
##  Min.   :     2.00   Min.   :  15.0   Min.   :  11.0   Min.   :  16.0  
##  1st Qu.:    96.75   1st Qu.:  44.0   1st Qu.:  45.0   1st Qu.:  57.5  
##  Median :   324.00   Median : 137.0   Median : 104.0   Median :  73.5  
##  Mean   : 10391.20   Mean   : 820.4   Mean   : 461.2   Mean   : 470.8  
##  3rd Qu.:  1161.75   3rd Qu.:1292.8   3rd Qu.: 875.0   3rd Qu.: 897.0  
##  Max.   :184534.00   Max.   :4550.0   Max.   :2000.0   Max.   :2000.0  
##  NA's   :9           NA's   :11       NA's   :12       NA's   :13      
##  Produccion_28    Produccion_29     Produccion_3   Produccion_30    
##  Min.   :  15.0   Min.   :  25.0   Min.   :   17   Min.   :  18.00  
##  1st Qu.:  47.5   1st Qu.:  58.5   1st Qu.:  119   1st Qu.:  59.75  
##  Median :  85.0   Median : 125.0   Median :  525   Median : 134.00  
##  Mean   : 400.2   Mean   : 360.6   Mean   : 1343   Mean   : 401.57  
##  3rd Qu.: 708.5   3rd Qu.: 833.2   3rd Qu.: 1800   3rd Qu.: 931.50  
##  Max.   :2000.0   Max.   :1100.0   Max.   :10475   Max.   :1100.00  
##  NA's   :13       NA's   :13                       NA's   :15       
##  Produccion_31    Produccion_32     Produccion_33    Produccion_34   
##  Min.   :  16.0   Min.   :  20.00   Min.   : 19.00   Min.   :  18.0  
##  1st Qu.:  50.0   1st Qu.:  50.75   1st Qu.: 65.25   1st Qu.:  45.5  
##  Median :  68.0   Median :  74.50   Median : 87.00   Median :  86.0  
##  Mean   : 292.9   Mean   : 260.92   Mean   :253.25   Mean   : 288.2  
##  3rd Qu.: 168.0   3rd Qu.: 329.25   3rd Qu.:337.50   3rd Qu.: 360.0  
##  Max.   :1144.0   Max.   :1000.00   Max.   :825.00   Max.   :1125.0  
##  NA's   :16       NA's   :17        NA's   :17       NA's   :17      
##  Produccion_35  Produccion_36   Produccion_37   Produccion_38   
##  Min.   :   8   Min.   : 20.0   Min.   :   11   Min.   :  13.0  
##  1st Qu.:  67   1st Qu.: 30.0   1st Qu.:  113   1st Qu.:  39.0  
##  Median : 125   Median :100.0   Median :  122   Median : 100.0  
##  Mean   :1116   Mean   :254.2   Mean   : 2274   Mean   : 327.7  
##  3rd Qu.: 475   3rd Qu.:475.0   3rd Qu.:  180   3rd Qu.: 489.0  
##  Max.   :9555   Max.   :750.0   Max.   :18983   Max.   :1125.0  
##  NA's   :18     NA's   :20      NA's   :20      NA's   :22      
##  Produccion_39     Produccion_4    Produccion_40     Produccion_41  
##  Min.   :  23.0   Min.   :  17.0   Min.   :  30.00   Min.   : 38.0  
##  1st Qu.: 107.5   1st Qu.: 130.5   1st Qu.:  60.75   1st Qu.: 60.0  
##  Median : 149.0   Median : 676.0   Median : 120.50   Median : 84.0  
##  Mean   : 319.2   Mean   :1599.8   Mean   : 377.67   Mean   :131.6  
##  3rd Qu.: 225.0   3rd Qu.:1665.0   3rd Qu.: 745.75   3rd Qu.:209.0  
##  Max.   :1250.0   Max.   :8800.0   Max.   :1000.00   Max.   :267.0  
##  NA's   :23       NA's   :1        NA's   :23        NA's   :24     
##  Produccion_42    Produccion_43    Produccion_44    Produccion_45 Produccion_46
##  Min.   : 45.00   Min.   : 50.00   Min.   : 50.00   Min.   : 70   Min.   :46   
##  1st Qu.: 48.75   1st Qu.: 52.25   1st Qu.: 72.50   1st Qu.:100   1st Qu.:46   
##  Median : 51.50   Median : 70.00   Median : 95.00   Median :130   Median :46   
##  Mean   : 89.25   Mean   :118.75   Mean   : 98.33   Mean   :130   Mean   :46   
##  3rd Qu.: 92.00   3rd Qu.:136.50   3rd Qu.:122.50   3rd Qu.:160   3rd Qu.:46   
##  Max.   :209.00   Max.   :285.00   Max.   :150.00   Max.   :190   Max.   :46   
##  NA's   :25       NA's   :25       NA's   :26       NA's   :27    NA's   :28   
##  Produccion_47  Produccion_5    Produccion_6   Produccion_7    Produccion_8    
##  Min.   :170   Min.   :   39   Min.   :  10   Min.   :   13   Min.   :   13.0  
##  1st Qu.:170   1st Qu.:  132   1st Qu.: 114   1st Qu.:  141   1st Qu.:  149.2  
##  Median :170   Median :  825   Median : 573   Median :  795   Median :  451.5  
##  Mean   :170   Mean   : 1465   Mean   :1347   Mean   : 1885   Mean   : 1208.7  
##  3rd Qu.:170   3rd Qu.: 1610   3rd Qu.:2119   3rd Qu.: 2040   3rd Qu.: 1200.0  
##  Max.   :170   Max.   :12005   Max.   :5905   Max.   :14850   Max.   :10800.0  
##  NA's   :28    NA's   :1       NA's   :1      NA's   :1       NA's   :1        
##   Produccion_9     Rendimiento_1 Rendimiento_10   Rendimiento_11  
##  Min.   :   13.0   Min.   :  5   Min.   :  2.00   Min.   :  2.00  
##  1st Qu.:  131.2   1st Qu.: 36   1st Qu.:  5.00   1st Qu.:  6.00  
##  Median :  637.5   Median : 55   Median : 16.50   Median : 18.00  
##  Mean   : 1638.8   Mean   :154   Mean   : 48.69   Mean   : 47.76  
##  3rd Qu.: 1650.0   3rd Qu.:191   3rd Qu.: 45.00   3rd Qu.: 45.00  
##  Max.   :11880.0   Max.   :543   Max.   :433.00   Max.   :508.00  
##  NA's   :1                       NA's   :3        NA's   :4       
##  Rendimiento_12   Rendimiento_13   Rendimiento_14   Rendimiento_15  
##  Min.   :  2.00   Min.   :  2.00   Min.   :  2.00   Min.   :  2.00  
##  1st Qu.: 15.00   1st Qu.:  7.00   1st Qu.:  6.00   1st Qu.:  6.00  
##  Median : 55.00   Median : 17.50   Median : 15.00   Median : 18.00  
##  Mean   : 99.92   Mean   : 72.17   Mean   : 75.91   Mean   : 52.61  
##  3rd Qu.: 55.00   3rd Qu.: 55.00   3rd Qu.: 40.50   3rd Qu.: 51.50  
##  Max.   :508.00   Max.   :518.00   Max.   :663.00   Max.   :593.00  
##  NA's   :4        NA's   :5        NA's   :6        NA's   :6       
##  Rendimiento_16   Rendimiento_17   Rendimiento_18  Rendimiento_19  
##  Min.   :  2.00   Min.   :  1.00   Min.   :  2.0   Min.   :  2.00  
##  1st Qu.:  6.00   1st Qu.:  6.25   1st Qu.:  6.0   1st Qu.:  7.00  
##  Median : 16.00   Median : 16.50   Median : 15.0   Median : 15.50  
##  Mean   : 77.23   Mean   :102.18   Mean   :112.7   Mean   : 70.82  
##  3rd Qu.: 55.00   3rd Qu.: 55.00   3rd Qu.: 25.0   3rd Qu.: 25.00  
##  Max.   :593.00   Max.   :675.00   Max.   :675.0   Max.   :492.00  
##  NA's   :7        NA's   :7        NA's   :7       NA's   :7       
##  Rendimiento_2   Rendimiento_20  Rendimiento_21   Rendimiento_22  
##  Min.   :  2.0   Min.   :  1.0   Min.   :  1.00   Min.   :  1.00  
##  1st Qu.:  7.0   1st Qu.: 15.0   1st Qu.: 11.75   1st Qu.: 15.75  
##  Median : 45.0   Median : 17.0   Median : 23.00   Median :119.50  
##  Mean   :152.1   Mean   :110.9   Mean   :128.60   Mean   :210.35  
##  3rd Qu.:353.0   3rd Qu.: 62.0   3rd Qu.: 78.25   3rd Qu.:508.00  
##  Max.   :574.0   Max.   :508.0   Max.   :593.00   Max.   :593.00  
##                  NA's   :8       NA's   :9        NA's   :9       
##  Rendimiento_23  Rendimiento_24  Rendimiento_25   Rendimiento_26
##  Min.   :  1.0   Min.   :  1.0   Min.   :  2.00   Min.   :  2   
##  1st Qu.: 15.0   1st Qu.: 15.0   1st Qu.: 15.25   1st Qu.: 15   
##  Median : 24.5   Median : 23.5   Median : 23.50   Median : 24   
##  Mean   :158.8   Mean   : 82.6   Mean   : 46.00   Mean   : 41   
##  3rd Qu.:244.0   3rd Qu.: 25.0   3rd Qu.: 25.00   3rd Qu.: 25   
##  Max.   :594.0   Max.   :551.0   Max.   :221.00   Max.   :182   
##  NA's   :9       NA's   :9       NA's   :11       NA's   :12    
##  Rendimiento_27  Rendimiento_28  Rendimiento_29   Rendimiento_3   
##  Min.   : 1.00   Min.   : 1.00   Min.   :  2.00   Min.   :  2.00  
##  1st Qu.:15.00   1st Qu.: 2.00   1st Qu.:  2.00   1st Qu.:  6.00  
##  Median :16.00   Median :15.00   Median : 15.50   Median : 35.00  
##  Mean   :15.81   Mean   :13.25   Mean   : 30.25   Mean   : 54.21  
##  3rd Qu.:22.25   3rd Qu.:22.75   3rd Qu.: 25.00   3rd Qu.: 45.00  
##  Max.   :25.00   Max.   :25.00   Max.   :206.00   Max.   :474.00  
##  NA's   :13      NA's   :13      NA's   :13                       
##  Rendimiento_30  Rendimiento_31 Rendimiento_32  Rendimiento_33  Rendimiento_34 
##  Min.   : 2.00   Min.   :  2    Min.   :  2.0   Min.   : 2.00   Min.   : 2.00  
##  1st Qu.: 2.00   1st Qu.:  2    1st Qu.: 15.0   1st Qu.:15.00   1st Qu.:14.75  
##  Median :15.50   Median : 16    Median : 16.5   Median :15.50   Median :18.00  
##  Mean   :13.07   Mean   : 21    Mean   : 28.5   Mean   :17.17   Mean   :17.33  
##  3rd Qu.:24.25   3rd Qu.: 25    3rd Qu.: 25.0   3rd Qu.:22.00   3rd Qu.:25.00  
##  Max.   :25.00   Max.   :132    Max.   :164.0   Max.   :25.00   Max.   :25.00  
##  NA's   :15      NA's   :16     NA's   :17      NA's   :17      NA's   :17     
##  Rendimiento_35  Rendimiento_36   Rendimiento_37   Rendimiento_38 
##  Min.   : 2.00   Min.   : 15.00   Min.   :  2.00   Min.   : 2.00  
##  1st Qu.:15.00   1st Qu.: 15.00   1st Qu.: 15.00   1st Qu.:18.00  
##  Median :15.00   Median : 18.00   Median : 18.00   Median :21.00  
##  Mean   :23.45   Mean   : 40.78   Mean   : 55.67   Mean   :19.14  
##  3rd Qu.:24.00   3rd Qu.: 25.00   3rd Qu.:119.00   3rd Qu.:25.00  
##  Max.   :91.00   Max.   :122.00   Max.   :163.00   Max.   :25.00  
##  NA's   :18      NA's   :20       NA's   :20       NA's   :22     
##  Rendimiento_39  Rendimiento_4   Rendimiento_40   Rendimiento_41 
##  Min.   :14.00   Min.   : 2.00   Min.   : 15.00   Min.   : 15.0  
##  1st Qu.:15.75   1st Qu.: 4.75   1st Qu.: 15.50   1st Qu.: 19.0  
##  Median :21.50   Median :17.00   Median : 21.00   Median : 25.0  
##  Mean   :20.33   Mean   :22.39   Mean   : 59.17   Mean   : 68.4  
##  3rd Qu.:25.00   3rd Qu.:39.25   3rd Qu.: 85.00   3rd Qu.:105.0  
##  Max.   :25.00   Max.   :55.00   Max.   :178.00   Max.   :178.0  
##  NA's   :23      NA's   :1       NA's   :23       NA's   :24     
##  Rendimiento_42 Rendimiento_43   Rendimiento_44 Rendimiento_45  Rendimiento_46
##  Min.   : 15    Min.   :  2.00   Min.   : 2.0   Min.   : 2.00   Min.   :2     
##  1st Qu.: 18    1st Qu.: 11.75   1st Qu.: 8.5   1st Qu.: 6.25   1st Qu.:2     
##  Median : 22    Median : 17.00   Median :15.0   Median :10.50   Median :2     
##  Mean   : 41    Mean   : 36.00   Mean   :12.0   Mean   :10.50   Mean   :2     
##  3rd Qu.: 45    3rd Qu.: 41.25   3rd Qu.:17.0   3rd Qu.:14.75   3rd Qu.:2     
##  Max.   :105    Max.   :108.00   Max.   :19.0   Max.   :19.00   Max.   :2     
##  NA's   :25     NA's   :25       NA's   :26     NA's   :27      NA's   :28    
##  Rendimiento_47 Rendimiento_5    Rendimiento_6    Rendimiento_7   
##  Min.   :2      Min.   :  2.00   Min.   :  2.00   Min.   :  2.00  
##  1st Qu.:2      1st Qu.:  4.00   1st Qu.:  5.00   1st Qu.:  4.00  
##  Median :2      Median : 35.00   Median : 34.50   Median : 16.00  
##  Mean   :2      Mean   : 53.61   Mean   : 54.75   Mean   : 35.18  
##  3rd Qu.:2      3rd Qu.: 45.00   3rd Qu.: 45.00   3rd Qu.: 38.50  
##  Max.   :2      Max.   :424.00   Max.   :424.00   Max.   :424.00  
##  NA's   :28     NA's   :1        NA's   :1        NA's   :1       
##  Rendimiento_8    Rendimiento_9        YEAR_1        YEAR_10        YEAR_11    
##  Min.   :  2.00   Min.   :  1.00   Min.   :2006   Min.   :2008   Min.   :2006  
##  1st Qu.:  5.75   1st Qu.:  4.75   1st Qu.:2006   1st Qu.:2011   1st Qu.:2011  
##  Median : 22.00   Median : 17.50   Median :2007   Median :2011   Median :2012  
##  Mean   : 72.43   Mean   : 49.93   Mean   :2008   Mean   :2012   Mean   :2012  
##  3rd Qu.: 52.75   3rd Qu.: 52.75   3rd Qu.:2007   3rd Qu.:2014   3rd Qu.:2013  
##  Max.   :406.00   Max.   :332.00   Max.   :2016   Max.   :2018   Max.   :2017  
##  NA's   :1        NA's   :1                       NA's   :3      NA's   :4     
##     YEAR_12        YEAR_13        YEAR_14        YEAR_15        YEAR_16    
##  Min.   :2007   Min.   :2007   Min.   :2006   Min.   :2007   Min.   :2007  
##  1st Qu.:2012   1st Qu.:2012   1st Qu.:2012   1st Qu.:2012   1st Qu.:2012  
##  Median :2012   Median :2013   Median :2013   Median :2013   Median :2014  
##  Mean   :2013   Mean   :2013   Mean   :2013   Mean   :2013   Mean   :2014  
##  3rd Qu.:2015   3rd Qu.:2014   3rd Qu.:2014   3rd Qu.:2014   3rd Qu.:2015  
##  Max.   :2018   Max.   :2018   Max.   :2017   Max.   :2017   Max.   :2018  
##  NA's   :4      NA's   :5      NA's   :6      NA's   :6      NA's   :7     
##     YEAR_17        YEAR_18        YEAR_19         YEAR_2        YEAR_20    
##  Min.   :2006   Min.   :2006   Min.   :2007   Min.   :2007   Min.   :2008  
##  1st Qu.:2011   1st Qu.:2012   1st Qu.:2012   1st Qu.:2007   1st Qu.:2013  
##  Median :2014   Median :2015   Median :2015   Median :2007   Median :2016  
##  Mean   :2013   Mean   :2013   Mean   :2014   Mean   :2009   Mean   :2014  
##  3rd Qu.:2015   3rd Qu.:2015   3rd Qu.:2016   3rd Qu.:2009   3rd Qu.:2016  
##  Max.   :2018   Max.   :2017   Max.   :2018   Max.   :2017   Max.   :2018  
##  NA's   :7      NA's   :7      NA's   :7                     NA's   :8     
##     YEAR_21        YEAR_22        YEAR_23        YEAR_24        YEAR_25    
##  Min.   :2006   Min.   :2007   Min.   :2006   Min.   :2006   Min.   :2006  
##  1st Qu.:2010   1st Qu.:2010   1st Qu.:2009   1st Qu.:2008   1st Qu.:2008  
##  Median :2014   Median :2014   Median :2014   Median :2012   Median :2010  
##  Mean   :2013   Mean   :2013   Mean   :2013   Mean   :2012   Mean   :2011  
##  3rd Qu.:2016   3rd Qu.:2017   3rd Qu.:2017   3rd Qu.:2015   3rd Qu.:2014  
##  Max.   :2017   Max.   :2018   Max.   :2018   Max.   :2018   Max.   :2016  
##  NA's   :9      NA's   :9      NA's   :9      NA's   :9      NA's   :11    
##     YEAR_26        YEAR_27        YEAR_28        YEAR_29         YEAR_3    
##  Min.   :2007   Min.   :2008   Min.   :2008   Min.   :2009   Min.   :2006  
##  1st Qu.:2008   1st Qu.:2009   1st Qu.:2010   1st Qu.:2010   1st Qu.:2007  
##  Median :2011   Median :2010   Median :2011   Median :2011   Median :2008  
##  Mean   :2011   Mean   :2011   Mean   :2012   Mean   :2012   Mean   :2009  
##  3rd Qu.:2014   3rd Qu.:2013   3rd Qu.:2014   3rd Qu.:2014   3rd Qu.:2010  
##  Max.   :2016   Max.   :2017   Max.   :2017   Max.   :2018   Max.   :2018  
##  NA's   :12     NA's   :13     NA's   :13     NA's   :13                   
##     YEAR_30        YEAR_31        YEAR_32        YEAR_33        YEAR_34    
##  Min.   :2009   Min.   :2010   Min.   :2010   Min.   :2011   Min.   :2011  
##  1st Qu.:2010   1st Qu.:2011   1st Qu.:2012   1st Qu.:2012   1st Qu.:2013  
##  Median :2011   Median :2013   Median :2013   Median :2014   Median :2014  
##  Mean   :2012   Mean   :2013   Mean   :2013   Mean   :2014   Mean   :2014  
##  3rd Qu.:2014   3rd Qu.:2014   3rd Qu.:2015   3rd Qu.:2015   3rd Qu.:2016  
##  Max.   :2018   Max.   :2016   Max.   :2017   Max.   :2017   Max.   :2018  
##  NA's   :15     NA's   :16     NA's   :17     NA's   :17     NA's   :17    
##     YEAR_35        YEAR_36        YEAR_37        YEAR_38        YEAR_39    
##  Min.   :2012   Min.   :2012   Min.   :2013   Min.   :2013   Min.   :2014  
##  1st Qu.:2013   1st Qu.:2014   1st Qu.:2014   1st Qu.:2014   1st Qu.:2015  
##  Median :2015   Median :2014   Median :2015   Median :2015   Median :2015  
##  Mean   :2015   Mean   :2015   Mean   :2015   Mean   :2015   Mean   :2015  
##  3rd Qu.:2016   3rd Qu.:2017   3rd Qu.:2017   3rd Qu.:2016   3rd Qu.:2016  
##  Max.   :2017   Max.   :2017   Max.   :2018   Max.   :2018   Max.   :2017  
##  NA's   :18     NA's   :20     NA's   :20     NA's   :22     NA's   :23    
##      YEAR_4        YEAR_40        YEAR_41        YEAR_42        YEAR_43    
##  Min.   :2007   Min.   :2014   Min.   :2015   Min.   :2015   Min.   :2016  
##  1st Qu.:2008   1st Qu.:2015   1st Qu.:2016   1st Qu.:2016   1st Qu.:2017  
##  Median :2008   Median :2016   Median :2016   Median :2016   Median :2017  
##  Mean   :2009   Mean   :2016   Mean   :2016   Mean   :2016   Mean   :2017  
##  3rd Qu.:2010   3rd Qu.:2017   3rd Qu.:2017   3rd Qu.:2017   3rd Qu.:2017  
##  Max.   :2016   Max.   :2017   Max.   :2018   Max.   :2017   Max.   :2018  
##  NA's   :1      NA's   :23     NA's   :24     NA's   :25     NA's   :25    
##     YEAR_44        YEAR_45        YEAR_46        YEAR_47         YEAR_5    
##  Min.   :2016   Min.   :2017   Min.   :2017   Min.   :2018   Min.   :2007  
##  1st Qu.:2016   1st Qu.:2017   1st Qu.:2017   1st Qu.:2018   1st Qu.:2008  
##  Median :2017   Median :2018   Median :2017   Median :2018   Median :2009  
##  Mean   :2017   Mean   :2018   Mean   :2017   Mean   :2018   Mean   :2010  
##  3rd Qu.:2018   3rd Qu.:2018   3rd Qu.:2017   3rd Qu.:2018   3rd Qu.:2011  
##  Max.   :2018   Max.   :2018   Max.   :2017   Max.   :2018   Max.   :2017  
##  NA's   :26     NA's   :27     NA's   :28     NA's   :28     NA's   :1     
##      YEAR_6         YEAR_7         YEAR_8         YEAR_9              geometry 
##  Min.   :2008   Min.   :2006   Min.   :2007   Min.   :2007   POLYGON      :29  
##  1st Qu.:2009   1st Qu.:2009   1st Qu.:2010   1st Qu.:2010   epsg:4326    : 0  
##  Median :2009   Median :2010   Median :2010   Median :2011   +proj=long...: 0  
##  Mean   :2011   Mean   :2011   Mean   :2012   Mean   :2012                     
##  3rd Qu.:2012   3rd Qu.:2012   3rd Qu.:2013   3rd Qu.:2014                     
##  Max.   :2018   Max.   :2018   Max.   :2017   Max.   :2017                     
##  NA's   :1      NA's   :1      NA's   :1      NA's   :1

5.Trazado

library(RColorBrewer)
library(leaflet)

Ahora, se debe trazar los municipios con su producción de maíz correspondiente para un solo año:

bins <- c(0, 250, 500, 1000, 2000, 5000, 10000, 15000)
pal <- colorBin("YlOrRd", domain = ant_munic_stat$Produccion_12, bins = bins)

  mapa <- leaflet(data = ant_munic_stat) %>%
  addTiles() %>%
  addPolygons(label = ~Produccion_12,
              popup = ~MPIO_CNMBR,
              fillColor = ~pal(Produccion_12),
              color = "#444444",
              weight = 1,
              smoothFactor = 0.5,
              opacity = 1.0,
              fillOpacity = 0.5,
              highlightOptions = highlightOptions(color = "white", weight = 2, bringToFront = TRUE)
              ) %>%
  addProviderTiles(providers$OpenStreetMap) %>%
  addLegend("bottomright", pal = pal, values = ~Produccion_12,
    title = "Producción de maíz en Meta [Ton] (2018)",
    opacity = 1
  )

## Warning in pal(Produccion_12): Some values were outside the color scale and will
## be treated as NA

mapa

##### Tenga en cuenta que se usó etiquetas y ventanas emergentes en el mapa.

sessionInfo()

## R version 3.6.3 (2020-02-29)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 18363)
## 
## Matrix products: default
## 
## locale:
## [1] LC_COLLATE=Spanish_Colombia.1252  LC_CTYPE=Spanish_Colombia.1252   
## [3] LC_MONETARY=Spanish_Colombia.1252 LC_NUMERIC=C                     
## [5] LC_TIME=Spanish_Colombia.1252    
## 
## attached base packages:
## [1] stats     graphics  grDevices utils     datasets  methods   base     
## 
## other attached packages:
##  [1] leaflet_2.0.3       RColorBrewer_1.1-2  cowplot_1.0.0      
##  [4] ggrepel_0.8.2       GSODR_2.0.1         rnaturalearth_0.1.0
##  [7] viridis_0.5.1       viridisLite_0.3.0   sf_0.8-1           
## [10] raster_3.0-12       maptools_0.9-9      rgeos_0.5-2        
## [13] sp_1.4-1            forcats_0.5.0       stringr_1.4.0      
## [16] dplyr_0.8.5         purrr_0.3.3         readr_1.3.1        
## [19] tidyr_1.0.2         tibble_2.1.3        ggplot2_3.3.0      
## [22] tidyverse_1.3.0     here_0.1           
## 
## loaded via a namespace (and not attached):
##  [1] httr_1.4.1              jsonlite_1.6.1          modelr_0.1.6           
##  [4] assertthat_0.2.1        cellranger_1.1.0        yaml_2.2.1             
##  [7] pillar_1.4.3            backports_1.1.5         lattice_0.20-38        
## [10] glue_1.3.2              digest_0.6.25           rvest_0.3.5            
## [13] leaflet.providers_1.9.0 colorspace_1.4-1        htmltools_0.4.0        
## [16] pkgconfig_2.0.3         broom_0.5.5             haven_2.2.0            
## [19] scales_1.1.0            farver_2.0.3            generics_0.0.2         
## [22] ellipsis_0.3.0          withr_2.1.2             cli_2.0.2              
## [25] magrittr_1.5            crayon_1.3.4            readxl_1.3.1           
## [28] evaluate_0.14           fs_1.4.1                fansi_0.4.1            
## [31] nlme_3.1-144            xml2_1.3.1              foreign_0.8-75         
## [34] class_7.3-15            tools_3.6.3             data.table_1.12.8      
## [37] hms_0.5.3               lifecycle_0.2.0         munsell_0.5.0          
## [40] reprex_0.3.0            compiler_3.6.3          e1071_1.7-3            
## [43] rlang_0.4.5             classInt_0.4-2          units_0.6-6            
## [46] grid_3.6.3              rstudioapi_0.11         htmlwidgets_1.5.1      
## [49] crosstalk_1.1.0.1       labeling_0.3            rmarkdown_2.1          
## [52] gtable_0.3.0            codetools_0.2-16        DBI_1.1.0              
## [55] R6_2.4.1                gridExtra_2.3           lubridate_1.7.8        
## [58] knitr_1.28              rprojroot_1.3-2         KernSmooth_2.23-16     
## [61] stringi_1.4.6           Rcpp_1.0.4              vctrs_0.2.4            
## [64] dbplyr_1.4.2            tidyselect_1.0.0        xfun_0.12