#Ciencia de Datos para Ciudades II ##Calculando y mapeando agregados por área + Adquiriendo open data urbana

Para este trabajo práctico utilizaremos el portal de datos abierto de la ciudad de Londres (https://data.london.gov.uk/). Lo primero que haremos es cargar la biblioteca sf para poder trabajar mejor con archivos georeferenciados. Utilizamos como plano base un mapa de Londres con los distintos sectores marcados. Para poder utilizar este mapa vamos a transformarlo en Mercator con la funcion st_merkator. Con ggplot y plot vamos a ver un poco cómo es y qué informacion contiene.

options(scipen = 999)
library(sf)
library(raster)
library(dplyr)
library(spData)
library(ggplot2)
library(lubridate)
library(tidyverse)


MapaBaseLondres = st_read("London_Borough_Excluding_MHW.shp")
## Reading layer `London_Borough_Excluding_MHW' from data source `C:\Users\Andres\Desktop\Ciencia de Datos 23\Clase1\London\London_Borough_Excluding_MHW.shp' using driver `ESRI Shapefile'
## Simple feature collection with 33 features and 7 fields
## geometry type:  MULTIPOLYGON
## dimension:      XY
## bbox:           xmin: 503568.2 ymin: 155850.8 xmax: 561957.5 ymax: 200933.9
## epsg (SRID):    NA
## proj4string:    +proj=tmerc +lat_0=49 +lon_0=-2 +k=0.999601272 +x_0=400000 +y_0=-100000 +datum=OSGB36 +units=m +no_defs
MapaBaseLondres <- MapaBaseLondres %>%
st_transform(crs = 4326)

ggplot() +
    geom_sf(data = MapaBaseLondres)+  labs(title = "Londres", subtitle = "Plano Base", caption = "Fuente:https://data.london.gov.uk/", x= "Longitud",y = "Latitud") + theme(legend.position = "bottom")

plot(MapaBaseLondres)

Nos parecio interesante trabajar con la distribucion de las escuelas a lo largo de Londres. Para eso, bajamos un archivo .csv con información de todas las escuelas y sus coordenadas expresadas en x e y. Vamos a graficarlas sobre el mapa anterior con ggplot para vez como estan desplegadas en el territorio. Para poder identificar mejor la densidad le ponemos un alpha de 0.3 que le da transparencia y permite identificar de mejor manera la concentración.

UbicacionEscuela = read.csv("all_schools_xy_2016.csv")


ggplot() +
  geom_sf(data = MapaBaseLondres)+
    geom_point(data = UbicacionEscuela, 
               aes(x = x, y = y),
               alpha = .3, 
               color = "Red",
               size = 1) +  labs(title = "Londres", subtitle = "Distribucion escolar de Londres", caption = "Fuente:https://data.london.gov.uk/") + theme(legend.position = "bottom")

A continuación filtramos las escuelas para que que no quede ninguna sin coordenadas y le agregamos el identificador del sistemas de coordenadas.

GEOUbicacionEscuela <- UbicacionEscuela %>% 
    filter(!is.na(x), !is.na(y)) %>% 
    st_as_sf(coords = c("x", "y"), crs = 4326)

Esc_Map = st_join(GEOUbicacionEscuela, MapaBaseLondres)
## although coordinates are longitude/latitude, st_intersects assumes that they are planar
## although coordinates are longitude/latitude, st_intersects assumes that they are planar
Esc_Agrupado = Esc_Map  %>% 
    group_by(NAME) %>% 
    summarise(cantidad = n())
## Warning: Factor `NAME` contains implicit NA, consider using
## `forcats::fct_explicit_na`
Esc_Agrupado
## Simple feature collection with 34 features and 2 fields
## geometry type:  MULTIPOINT
## dimension:      XY
## bbox:           xmin: -0.570224 ymin: 51.2494 xmax: 0.366442 ymax: 51.729
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs
## # A tibble: 34 x 3
##    NAME           cantidad                                              geometry
##  * <fct>             <int>                                      <MULTIPOINT [°]>
##  1 Barking and D~       65 ((0.0752504 51.5414), (0.0754681 51.5366), (0.076999~
##  2 Barnet              171 ((-0.288111 51.6233), (-0.281291 51.613), (-0.275321~
##  3 Bexley               87 ((0.0804312 51.4364), (0.0835056 51.4638), (0.088315~
##  4 Brent               108 ((-0.319624 51.5598), (-0.311277 51.5694), (-0.31057~
##  5 Bromley             133 ((-0.0690635 51.4111), (-0.0593407 51.4098), (-0.058~
##  6 Camden              111 ((-0.207929 51.5511), (-0.206991 51.5559), (-0.20018~
##  7 City of London        8 ((-0.099525 51.5111), (-0.0988945 51.5204), (-0.0968~
##  8 Croydon             159 ((-0.145975 51.3173), (-0.143984 51.3187), (-0.14127~
##  9 Ealing              124 ((-0.404162 51.5338), (-0.40279 51.536), (-0.39557 5~
## 10 Enfield             114 ((-0.173195 51.6702), (-0.158949 51.6849), (-0.14112~
## # ... with 24 more rows
ggplot() +
    geom_sf(data = MapaBaseLondres) +
    geom_sf(data = Esc_Agrupado, aes(color = NAME),alpha = .3,size = 1) +  labs(title = "Londres Escolar", subtitle = "Distribucion escolar de Londres por Barrio", caption = "Fuente:https://data.london.gov.uk/") + theme(legend.position = "bottom")

# Como recortar los que no pertenecen a la caba CON FILTER


Escuelas_Recortadas <- Esc_Agrupado %>%
  filter(!is.na(NAME)) %>%
  group_by(NAME) %>%
  summarise(cantidad=n())
 
Escuelas_Recortadas_Geo = st_intersection(GEOUbicacionEscuela, MapaBaseLondres)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
ggplot() +
    geom_sf(data = MapaBaseLondres) +
    geom_sf(data = Escuelas_Recortadas_Geo, aes(color = NAME),alpha = .3,size = 1) +  labs(title = "Londres", subtitle = "Distribucion escolar de Londres", caption = "Fuente:https://data.london.gov.uk/") + theme(legend.position = "bottom") + theme(text = element_text(size=7))

Cantidad de escuelas por barrio El mapa anterior nos brindaba una primera impresión sobre el ordenamiento espacial de las escuelas, pero puede que no sea tan útil si lo que queremos destacar es el número de instituciones educativas por borough.

Lo que vamos a hacer, entonces, es crear un nuevo dataset que sume el número de escuelas por barrio.

Escuelas_Recortadas_Geo_Suma <- Escuelas_Recortadas_Geo %>%
group_by(NAME) %>%
summarise(SCHOOL_NUM=n())



MapaLondresEscuelas= st_join(MapaBaseLondres, Escuelas_Recortadas_Geo_Suma, by = "NAME")
## although coordinates are longitude/latitude, st_intersects assumes that they are planar
ggplot() +
    geom_sf(data = MapaLondresEscuelas,  aes(fill = SCHOOL_NUM)) +
  scale_fill_gradient(low = "#56B1F7", high = "#132B43") +
  labs(title = "Escuelas en Londres por barrio", subtitle = "Número de las escuelas por borough", fill = "Escuelas", caption = "Fuente: https://data.london.gov.uk/") + theme(legend.position = "bottom") + theme(text = element_text(size=10))

Nótese que en este primer intento de generar un gráfico obtenemos una escala de colores un tanto contraintuitiva, donde la menor presencia de escuelas es indicada con un color más claro. Para invertirlo, recurrimos al scale_fill_gradient con mayores y menores. También sumamos título, subtítulo y adaptamos la leyenda. El resultado es mucho más prolijo y acorde a lo buscado.