10/05/2020

TRABAJO PRACTICO N°3

CIENCIA DE DATOS PARA CIUDADES II: Descargando y analizando datos de redes sociales

Snyders, Federico / Vargas, Juan

library(tidyverse)

## ── Attaching packages ─────────────────────────────────────── tidyverse 1.3.0 ──

## ✓ ggplot2 3.3.0     ✓ purrr   0.3.4
## ✓ tibble  3.0.1     ✓ dplyr   0.8.5
## ✓ tidyr   1.0.3     ✓ stringr 1.4.0
## ✓ readr   1.3.1     ✓ forcats 0.5.0

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

library(osmdata)

## Data (c) OpenStreetMap contributors, ODbL 1.0. https://www.openstreetmap.org/copyright

library(ggmap)

## Google's Terms of Service: https://cloud.google.com/maps-platform/terms/.

## Please cite ggmap if you use it! See citation("ggmap") for details.

library(leaflet)
library(rtweet)

## 
## Attaching package: 'rtweet'

## The following object is masked from 'package:purrr':
## 
##     flatten

twitter_token <- create_token(
  app = "UrbanaTweets",
  consumer_key = "ZHR5NrUO3WaPrRhYOQaQ2Y31W",
  consumer_secret = "ym7M6Iy2euHw9ptQ8OpsK4CKiftuKHjhUt5Cbt3T2fUKvw1vuJ",
  access_token = "1257472379095302152-CLsbhnqKyYbBKO6ix4PnUFxG5Hmpnw", 
  access_secret = "fZt2EQu4iptDqJnoMZD1Vd1lwZHT8HwjHUTzR5wEZzkWy")

#Buscamos los tweets en un radio de 20 millas del estadio Stinky Socks Hockey of BOSTON

hockey_BOSTON <- search_tweets(q = "hockey",
              geocode = "42.338795,-71.093804,20mi",
              include_rts = FALSE,
              n = 10000,
              retryonratelimit = TRUE)

users_data(hockey_BOSTON) %>% head()

## # A tibble: 6 x 20
##   user_id screen_name name  location description url   protected followers_count
##   <chr>   <chr>       <chr> <chr>    <chr>       <chr> <lgl>               <int>
## 1 104633… JamieGatli… Jami… Boston,… "Covering … <NA>  FALSE                1128
## 2 628633… quig87      R. Q… Boston,… ""          <NA>  FALSE                  43
## 3 622422… drdougbost… doug  Boston,… "M.D. & fo… <NA>  FALSE                1411
## 4 622422… drdougbost… doug  Boston,… "M.D. & fo… <NA>  FALSE                1411
## 5 644542… CantonComm… Cant… Canton,… "Local TV … http… FALSE                 777
## 6 644542… CantonComm… Cant… Canton,… "Local TV … http… FALSE                 777
## # … with 12 more variables: friends_count <int>, listed_count <int>,
## #   statuses_count <int>, favourites_count <int>, account_created_at <dttm>,
## #   verified <lgl>, profile_url <chr>, profile_expanded_url <chr>,
## #   account_lang <lgl>, profile_banner_url <chr>, profile_background_url <chr>,
## #   profile_image_url <chr>

#Los 5 usuarios con mas seguidores.

hockey_BOSTON %>% 
    top_n(5, followers_count) %>% 
    arrange(desc(followers_count)) %>% 
    select(screen_name, followers_count, location, text)

## # A tibble: 7 x 4
##   screen_name followers_count location  text                                    
##   <chr>                 <int> <chr>     <chr>                                   
## 1 NHLBruins           1521416 Boston, … "If you missed #WhenHockeyRuledTheHub, …
## 2 NHLBruins           1521416 Boston, … "“It got to the point where they put st…
## 3 BostonGlobe          776219 Boston, … "MIAA basketball, hockey committees add…
## 4 BostonGlobe          776219 Boston, … "Inside the 'NASA of hockey.’ A look be…
## 5 BostonGlobe          776219 Boston, … "A first-timer’s first impressions of c…
## 6 BostonGlobe          776219 Boston, … "The NH legislature is the third larges…
## 7 BostonGlobe          776219 Boston, … "Jack Dugan, NCAA hockey scoring leader…

ggplot(filter(hockey_BOSTON, !is_retweet))+
    geom_histogram(aes(x = retweet_count))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

hockey_BOSTON %>% 
    filter(!is_retweet) %>% 
    filter(retweet_count == max(retweet_count)) %>% 
    select(screen_name, retweet_count, followers_count, location, text)

## # A tibble: 1 x 5
##   screen_name  retweet_count followers_count location  text                     
##   <chr>                <int>           <int> <chr>     <chr>                    
## 1 TheBostonPr…            97           16850 Boston, … "Recreating iconic hocke…

#Frecuencia de los tweets por hora

ts_plot(hockey_BOSTON, "hours")+
  theme_minimal()+
  labs(title= "Frecuencia de tweets por hora",
       subtitle = "Menciones de la palabra ´HOCKEY´ en Boston",
       caption = "Fuente: twitter",
       x = "horas",
       y = "cantidad")

#Procedencia de los usuarios de Boston y cercanias

hockey_BOSTON %>%
    filter(location != "", !is.na(location)) %>% 
    count(location) %>% 
    top_n(20, n) %>% 
    ggplot() +
      geom_col(aes(x = reorder(location, n), y = n)) + 
      coord_flip() +
      labs(title = "Procedencia de los usuarios",
           subtitle = "Boston y cercanías",
           x = "ubicación",
           y = "cantidad",
           caption= "Fuente: twitter")+
  theme_minimal()

Eliminamos las observaciones que genera twitter y agregamos dos columnas al dataset

hockey_BOSTON2 <- lat_lng(hockey_BOSTON)

hockey_BOSTON2 <- hockey_BOSTON2 %>% 
    select(-geo_coords, -coords_coords, -bbox_coords)

hockey_BOSTON_GEO <- hockey_BOSTON2 %>% 
    filter(!is.na(lat), !is.na(lng))

nrow(hockey_BOSTON_GEO)

## [1] 40

#Creamos un box con logitudes y latitudes

bbox_tweets <- make_bbox(lon = hockey_BOSTON_GEO$lng, lat = hockey_BOSTON_GEO$lat)

bbox_tweets

##      left    bottom     right       top 
## -71.46667  42.05995 -70.78484  42.52675

#Lo descargamos los datos usando un zoom de x11 y después lo graficamos

mapa_tweets <- get_stamenmap(bbox_tweets, zoom = 11)

## Source : http://tile.stamen.com/terrain/11/617/756.png

## Source : http://tile.stamen.com/terrain/11/618/756.png

## Source : http://tile.stamen.com/terrain/11/619/756.png

## Source : http://tile.stamen.com/terrain/11/620/756.png

## Source : http://tile.stamen.com/terrain/11/621/756.png

## Source : http://tile.stamen.com/terrain/11/617/757.png

## Source : http://tile.stamen.com/terrain/11/618/757.png

## Source : http://tile.stamen.com/terrain/11/619/757.png

## Source : http://tile.stamen.com/terrain/11/620/757.png

## Source : http://tile.stamen.com/terrain/11/621/757.png

## Source : http://tile.stamen.com/terrain/11/617/758.png

## Source : http://tile.stamen.com/terrain/11/618/758.png

## Source : http://tile.stamen.com/terrain/11/619/758.png

## Source : http://tile.stamen.com/terrain/11/620/758.png

## Source : http://tile.stamen.com/terrain/11/621/758.png

## Source : http://tile.stamen.com/terrain/11/617/759.png

## Source : http://tile.stamen.com/terrain/11/618/759.png

## Source : http://tile.stamen.com/terrain/11/619/759.png

## Source : http://tile.stamen.com/terrain/11/620/759.png

## Source : http://tile.stamen.com/terrain/11/621/759.png

ggmap(mapa_tweets)

#Ahora usamos Toner Lite como interface de statemap

hockey_BOSTON_line<- get_stamenmap(bbox_tweets, maptype = "terrain-lines", zoom = 11)

## Source : http://tile.stamen.com/terrain-lines/11/617/756.png

## Source : http://tile.stamen.com/terrain-lines/11/618/756.png

## Source : http://tile.stamen.com/terrain-lines/11/619/756.png

## Source : http://tile.stamen.com/terrain-lines/11/620/756.png

## Source : http://tile.stamen.com/terrain-lines/11/621/756.png

## Source : http://tile.stamen.com/terrain-lines/11/617/757.png

## Source : http://tile.stamen.com/terrain-lines/11/618/757.png

## Source : http://tile.stamen.com/terrain-lines/11/619/757.png

## Source : http://tile.stamen.com/terrain-lines/11/620/757.png

## Source : http://tile.stamen.com/terrain-lines/11/621/757.png

## Source : http://tile.stamen.com/terrain-lines/11/617/758.png

## Source : http://tile.stamen.com/terrain-lines/11/618/758.png

## Source : http://tile.stamen.com/terrain-lines/11/619/758.png

## Source : http://tile.stamen.com/terrain-lines/11/620/758.png

## Source : http://tile.stamen.com/terrain-lines/11/621/758.png

## Source : http://tile.stamen.com/terrain-lines/11/617/759.png

## Source : http://tile.stamen.com/terrain-lines/11/618/759.png

## Source : http://tile.stamen.com/terrain-lines/11/619/759.png

## Source : http://tile.stamen.com/terrain-lines/11/620/759.png

## Source : http://tile.stamen.com/terrain-lines/11/621/759.png

hockey_BOSTON_TL <- get_stamenmap(bbox_tweets, maptype = "toner-lite", zoom = 11)

## Source : http://tile.stamen.com/toner-lite/11/617/756.png

## Source : http://tile.stamen.com/toner-lite/11/618/756.png

## Source : http://tile.stamen.com/toner-lite/11/619/756.png

## Source : http://tile.stamen.com/toner-lite/11/620/756.png

## Source : http://tile.stamen.com/toner-lite/11/621/756.png

## Source : http://tile.stamen.com/toner-lite/11/617/757.png

## Source : http://tile.stamen.com/toner-lite/11/618/757.png

## Source : http://tile.stamen.com/toner-lite/11/619/757.png

## Source : http://tile.stamen.com/toner-lite/11/620/757.png

## Source : http://tile.stamen.com/toner-lite/11/621/757.png

## Source : http://tile.stamen.com/toner-lite/11/617/758.png

## Source : http://tile.stamen.com/toner-lite/11/618/758.png

## Source : http://tile.stamen.com/toner-lite/11/619/758.png

## Source : http://tile.stamen.com/toner-lite/11/620/758.png

## Source : http://tile.stamen.com/toner-lite/11/621/758.png

## Source : http://tile.stamen.com/toner-lite/11/617/759.png

## Source : http://tile.stamen.com/toner-lite/11/618/759.png

## Source : http://tile.stamen.com/toner-lite/11/619/759.png

## Source : http://tile.stamen.com/toner-lite/11/620/759.png

## Source : http://tile.stamen.com/toner-lite/11/621/759.png

ggmap(hockey_BOSTON_TL) +
    geom_point(data = hockey_BOSTON_GEO, aes(x = lng, y = lat))+
  labs(title = "Tweets que mencionan la palabra HOCKEY",
           subtitle = "Boston y cercanías",
           x = "longitud",
           y = "latitud",
           caption= "Fuente: twitter")

ggmap(hockey_BOSTON_line) + 
    geom_point(data = hockey_BOSTON_GEO, 
               aes(x = lng, y = lat, color = followers_count)) +
    scale_color_distiller(palette = "Spectral")

#Mostramos con mayor claridad los usuarios con mas seguidores

hockey_BOSTON_Ag <- arrange(hockey_BOSTON_GEO, followers_count)

ggmap(hockey_BOSTON_TL) + 
    geom_point(data = hockey_BOSTON_Ag, 
               aes(x = lng, y = lat, color = followers_count)) +
    scale_color_distiller(palette = "Spectral")

#Tambien observamos tweets más retwitteados

ggmap(hockey_BOSTON_TL) + 
    geom_point(data = hockey_BOSTON_Ag, 
               aes(x = lng, y = lat, color = followers_count, size = retweet_count),
               alpha = .5) +
    scale_color_distiller(palette = "Spectral")

#Cremos un mapa interactivo para mostrar la informacion de TWITTER

paleta <- colorNumeric(
  palette = "viridis",
  domain = hockey_BOSTON_Ag$followers_count)

leaflet(hockey_BOSTON_Ag) %>% 
    addTiles() %>% 
    addCircleMarkers(popup = ~text,
                     color = ~paleta(followers_count)) %>% 
  
    addLegend(title = "seguidores", pal = paleta, values = ~followers_count)

## Assuming "lng" and "lat" are longitude and latitude, respectively

16/05/2020

TRABAJO PRACTICO N°4

CIENCIA DE DATOS PARA CIUDADES II: Analizando datos espaciotemporales

Snyders, Federico / Vargas, Juan

library(tidyverse)
library(ggmap)
library(lubridate)

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:dplyr':
## 
##     intersect, setdiff, union

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

#Continuamos trabajando con los datos de la ciudad de Boston

#Descargamos el dataset de Public Works Violations desde la pagina de datos de Boston. https://data.boston.gov/dataset/705244a6-70a6-4ff8-ab8e-56441aff18e7/resource/800a2663-1d6a-46e7-9356-bedb70f5332c/download/tmpn8xjjv3f.csv

VEP_BOSTON <- read.csv("/cloud/project/tmpn8xjjv3f.csv")

summary(VEP_BOSTON)

##         ticket_no                  status_dttm       status     
##  HVIOL-213782:   14   2014-10-20 12:41:33:   14   Closed:13059  
##  HVIOL-260240:   12   2015-09-24 16:53:13:   12   Open  : 5905  
##  HVIOL-288018:   12   2016-03-04 14:19:15:   12                 
##  HVIOL-213583:   10   2014-10-16 14:44:02:   10                 
##  HVIOL-220337:   10   2014-12-22 16:31:47:   10                 
##  HVIOL-244290:   10   2015-06-18 16:59:29:   10                 
##  (Other)     :18896   (Other)            :18896                 
##            code       value      
##  105.1       : 2785   N/A:18964  
##  116.2       : 2311              
##  CMR410.500  : 1455              
##  CMR410.351 A: 1004              
##  CMR410.550 B:  702              
##  CMR410.482 A:  639              
##  (Other)     :10068              
##                                                                                                                                                                                                                                                     description  
##  Unsafe and Dangerous                                                                                                                                                                                                                                     :3182  
##  Failure to Obtain Permit                                                                                                                                                                                                                                 :2785  
##  Owners Responsibility to Maintain Structural Elements - Structural elements  shall be maintained free from holes, cracks, loose plaster, or other defects.                                                                                               :1455  
##  Owners Installation/Maintenance Responsibility - All facilities and equipment which are required by owner including but not limited to water, gas, electrical and heating, shall be installed in accordance with all accepted codes.                     :1004  
##  Maintenance                                                                                                                                                                                                                                              : 869  
##  Extermination of Insects, Rodents and Skunks - The owner of a dwelling containing two or more dwelling units shall maintain it and its premises free from all rodents, cockroaches and insect infestation and shall be responsible for exterminating them: 702  
##  (Other)                                                                                                                                                                                                                                                  :8967  
##       stno           sthigh               street          suffix     
##  9      :  292          :14612   Washington  :  422   ST     :13576  
##  7      :  258          : 1038   Blue Hill   :  368   AVE    : 2644  
##  8      :  255   29     :   42   Commonwealth:  213   RD     : 1261  
##  11     :  250   12     :   37   Centre      :  186   CT     :  189  
##  12     :  249   20     :   37   Chelsea     :  171   St     :  161  
##  16     :  248   8      :   37   Beacon      :  169          :  143  
##  (Other):17412   (Other): 3161   (Other)     :17435   (Other):  990  
##            city      state           zip           sam_id          latitude    
##  Dorchester  :6100   MA:18964   Min.   :2108   Min.   :    22   Min.   :42.23  
##  Boston      :2323              1st Qu.:2121   1st Qu.: 59692   1st Qu.:42.30  
##  Roxbury     :2105              Median :2125   Median :112830   Median :42.32  
##  East Boston :1769              Mean   :2126   Mean   :131124   Mean   :42.32  
##  Mattapan    :1064              3rd Qu.:2128   3rd Qu.:170415   3rd Qu.:42.35  
##  South Boston: 970              Max.   :2467   Max.   :439722   Max.   :42.39  
##  (Other)     :4633              NA's   :8                                      
##    longitude                                       location    
##  Min.   :-71.18   (42.3532559998174, -71.1283960015975):   32  
##  1st Qu.:-71.10   (42.2986200002182, -71.0799900014532):   27  
##  Median :-71.08   (42.2807199998246, -71.0906500008474):   26  
##  Mean   :-71.08   (42.3727969999766, -71.0381640012413):   24  
##  3rd Qu.:-71.06   (42.3105399999765, -71.0611500012388):   22  
##  Max.   :-71.00   (42.3097560000641, -71.0830180016258):   21  
##                   (Other)                              :18812

#Observamos que la mayoria de las faltas en obras publicas se encuentran sobre la calle Washington

#Convertimos fecha (date)

VEP_BOSTON <- VEP_BOSTON %>% mutate(fecha = ymd_hms(status_dttm))

## Warning: 2 failed to parse.

#Mostramos los registros de violaciones de Obras Públicas de la ciudad de Boston para el año 2019

VEP_BOSTON %>% 
    filter(year(fecha) == 2019) %>% 
    ggplot() +
        geom_bar(aes(x = month(fecha, label = TRUE)))+
    labs(title = "Violaciones de Obras Públicas en BOSTON",
         subtitle = "año 2019",
         fill = "Cantidad",
         caption= "Fuente: https://data.boston.gov/dataset", y="Cantidad",
         x="MES")

#Analizamos en profundidamos las 2 faltas mas cometidas.

VEP_BOSTON %>% 
    count(description) %>% 
    top_n(2) %>% 
    arrange(desc(n))

## Selecting by n

## # A tibble: 2 x 2
##   description                  n
##   <fct>                    <int>
## 1 Unsafe and Dangerous      3182
## 2 Failure to Obtain Permit  2785

#Las 2 faltas mas cometidas corresponden a “edificos inseguros y peligrosos” y edificios con “falta de permiso”

#Guardamos los 2

VEP_BOSTON_FRECUENTES <- VEP_BOSTON %>% 
    count(description) %>% 
    top_n(2) %>% 
    pull(description)

## Selecting by n

VEP_BOSTON %>% 
    filter(year(fecha) == 2019,
           description %in% VEP_BOSTON_FRECUENTES) %>% 
    ggplot() +
        geom_bar(aes(x = month(fecha, label = TRUE), fill = description))+
  labs(title = "Violaciones de Obras Públicas en BOSTON",
         subtitle = "Faltas cometidas año 2019",
         fill = "Cantidad",
         caption= "Fuente: https://data.boston.gov/dataset", y="Cantidad",
         x="MES")

#Mostramos las 2 dos faltas mas cometidas a lo largo del año 2019

conteo <-  VEP_BOSTON %>% 
    filter(year(fecha) == 2019,
           description %in% VEP_BOSTON_FRECUENTES) %>% 
    count(description, mes = month(fecha, label = TRUE))

ggplot(conteo) +
    geom_line(aes(x = mes, y = n, group = description, color = description))+
  labs(title = "Violaciones de Obras Públicas en BOSTON",
         subtitle = "Faltas cometidas año 2019",
         fill = "Cantidad",
         caption= "Fuente: https://data.boston.gov/dataset", y="Cantidad",
         x="MES")

#Observamos que para la variable de edificio inseguro y peligroso el mes julio se registraron la mayor cantidad de observaciones, mientras que para los edificios sin permisos.

#Mostramos los faltas cometidas por dia de la semana para el año 2019.

conteo2 <-  VEP_BOSTON %>% 
    filter(year(fecha) == 2019,
           description %in% VEP_BOSTON_FRECUENTES) %>% 
    count(description, diasemana = wday (fecha, label = TRUE))
   

ggplot(conteo2) +
    geom_line(aes(x = diasemana, y = n, group = description, color = description))+ 
  labs(title = "Violaciones de Obras Públicas en BOSTON",
         subtitle = "Faltas por dia de semana",
         fill = "Cantidad",
         caption= "Fuente: https://data.boston.gov/dataset", y="Cantidad",
         x="DIA")

#Mostramos la información usando porcentajes

conteo2 <-  conteo2  %>% 
    group_by(description) %>% 
    mutate(pct = n / sum(n) * 100)

ggplot(conteo2) +
    geom_line(aes(x = diasemana, y = pct, group = description, color = description))+
  expand_limits(y = 0)+ 
  labs(title = "Violaciones de Obras Públicas en BOSTON",
         subtitle = "Faltas por dia de semana",
         fill = "Cantidad",
         caption= "Fuente: https://data.boston.gov/dataset", y="Cantidad",
         x="DIA")

#MAPAS: filtramos las observaciones que no tienen coordenadas para obtener la “bounding box” de nuestros datos para hacer el mapa.

coordenadas <- function(campo_coordenadas) {
    extraer_coordenadas <- function(lista_coords) {
        data_frame(lonitude = lista_coords[1],
                   latitude = lista_coords[2])
    }
    
    map_df(campo_coordenadas, extraer_coordenadas)
}

VEP_BOSTON <- VEP_BOSTON %>% 
    filter(!is.na(longitude), !is.na(latitude))

bbox <- make_bbox(VEP_BOSTON$longitude, VEP_BOSTON$latitude)

MAPA_BASE <- get_stamenmap(bbox = bbox, maptype = "toner-lite", zoom = 11)

#Mapa base de la ciudad de boston en “toner-lite”

ggmap(MAPA_BASE)

#El mapa de densidad muestra la mayor concentracion de las faltas cometidas en edificios públicos durante el año 2019 en la ciudad de Boston.

ggmap(MAPA_BASE) +
    geom_bin2d(data = VEP_BOSTON, aes(x = longitude, y = latitude), bins = 100) +
    scale_fill_viridis_c()+
     labs(title = "Densidad de faltas",
         subtitle = "BOSTON 2019",
         x = "Longitud",
         y = "Latitud",
         fill = "Cantidad",
         caption = "FUENTE: https://data.boston.gov/dataset")

#El mapa muestra las distribuciones espaciales para las faltas cometidas en edificios públicos.

ggmap(MAPA_BASE) +
    geom_density2d(data = VEP_BOSTON, aes(x = longitude, y = latitude, color = stat(level))) +
    scale_color_viridis_c()+
     labs(title = "Distribucion espacial de la densidad de faltas",
         subtitle = "BOSTON 2019",
         x = "Longitud",
         y = "Latitud",
         fill = "Cantidad",
         caption = "FUENTE: https://data.boston.gov/dataset")

#El siguiente mapa muestra la distribución de las dos faltas analizadas en los gráficos de lineas.

ggmap(MAPA_BASE) +
    geom_point(data = filter(VEP_BOSTON, description %in% VEP_BOSTON_FRECUENTES), 
               aes(x = longitude, y = latitude, color = description),
               size = 1, alpha = 0.5) +
    guides(color = guide_legend(override.aes = list(size=2, alpha = 1))) +
    scale_color_brewer(palette = "Set1")+
     labs(title = "Violaciones de Obras Públicas ",
         subtitle = "Boston Año 2019",
         x = "Longitud",
         y = "Latitud",
         fill = "Cantidad",
         caption = "FUENTE: https://data.boston.gov/dataset")

#MAPAS FACETADOS

#El siguiente mapa muestra la distribución espacial de las faltas para las dos variables analizadas en los gráficos de lineas.

ggmap(MAPA_BASE) +
    geom_density2d(data = filter(VEP_BOSTON, description %in% VEP_BOSTON_FRECUENTES), aes(x = longitude, y = latitude, color = stat(level))) +
    scale_color_viridis_c() +
    facet_wrap(~description)+
     labs(title = "Distribucion espacial de la densidad de faltas",
         subtitle = "BOSTON 2019",
         x = "Longitud",
         y = "Latitud",
         fill = "Cantidad",
         caption = "FUENTE: https://data.boston.gov/dataset")

#El siguiente mapa facetado muestra la distrución de cada una de las variables.

ggmap(MAPA_BASE) +
    geom_point(data = filter(VEP_BOSTON, description %in% VEP_BOSTON_FRECUENTES), 
               aes(x = longitude, y = latitude, color = description),
               size = 1, alpha = 0.5) +
    scale_color_brewer(palette = "Set1") +
    facet_wrap(~description)+
       labs(title = "Violaciones de Obras Públicas ",
         subtitle = "Boston Año 2019",
         x = "Longitud",
         y = "Latitud",
         fill = "Cantidad",
         caption = "FUENTE: https://data.boston.gov/dataset")

#COMBINACION DE TIEMPO Y ESPACIO

#El siguiente mapa facetado muestra las observaciones para los edificios inseguros y peligrosos por cada dia de la semana

VEP_BOSTON <- VEP_BOSTON %>% 
    mutate(dia_semana = wday(fecha, label = TRUE)) %>% 
    filter(!is.na(dia_semana))


ggmap(MAPA_BASE) +
    geom_point(data = filter(VEP_BOSTON, 
                             description == "Unsafe and Dangerous"),
               aes(x = longitude, y = latitude, color = description), alpha = .7, size = .4) +
    facet_wrap(~dia_semana, nrow = 2)+
       labs(title = "Violaciones de Obras Públicas ",
         subtitle = "Boston Año 2019",
         x = "Longitud",
         y = "Latitud",
         fill = "Cantidad",
         caption = "FUENTE: https://data.boston.gov/dataset")

#El siguiente mapa muestra la concentración espacial durante los dias de la semana para las variables faltante de persmiso de obra.

ggmap(MAPA_BASE) +
     geom_density2d(data = filter(VEP_BOSTON, description == "Failure to Obtain Permit"), 
               aes(x = longitude, y = latitude, color=stat(level))) +
    scale_color_viridis_c() +
    facet_wrap(~dia_semana, nrow = 2)+
     labs(title = "Distribucion espacial de la densidad de faltas",
         subtitle = "BOSTON 2019",
         x = "Longitud",
         y = "Latitud",
         fill = "Cantidad",
         caption = "FUENTE: https://data.boston.gov/dataset")

## Warning: Computation failed in `stat_density2d()`:
## missing value where TRUE/FALSE needed

TP3

Juan Vargas

11/5/2020

Eliminamos las observaciones que genera twitter y agregamos dos columnas al dataset