CIENCIA DE DATOS PARA CIUDADES

Ejercicio 1

*1. Deberán elegir una ciudad en cualquier parte del mundo que les interese (ya que seguirán trabajando con ella) y que disponga de un portal de datos abiertos que ofrece un shapefile con sus barrios.

Ciudad elegida: CABA

  • Cargo librerias
library(tidyverse)
## -- Attaching packages -------------------------------------- tidyverse 1.3.0 --
## v ggplot2 3.3.0     v purrr   0.3.4
## v tibble  3.0.1     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(sf)
## Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1
library(geosphere)
library(dbscan)
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(ggrepel)

Cargo dataset barrios porteños

barrios <- st_read('http://cdn.buenosaires.gob.ar/datosabiertos/datasets/barrios/barrios.geojson')
## Reading layer `barrios_badata' from data source `http://cdn.buenosaires.gob.ar/datosabiertos/datasets/barrios/barrios.geojson' using driver `GeoJSON'
## Simple feature collection with 48 features and 4 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -58.53152 ymin: -34.70529 xmax: -58.33515 ymax: -34.52649
## geographic CRS: WGS 84
names(barrios)
## [1] "barrio"    "comuna"    "perimetro" "area"      "geometry"

2. Del mismo portal de datos, o de otra fuente si la tienen, elegirán un dataset con registros geo-referenciados. Por ejemplo, las escuelas de la ciudad (o las comisarías, o las propiedades en alquiler, o…) con sus coordenadas. Seleccionamos centros de vacunacion para adultos mayores.

Cargo dataset de vacunatorios para adultos

vacunatorios_adultos <-st_read('http://cdn.buenosaires.gob.ar/datosabiertos/datasets/vacunatorios-adultos-mayores/vacunatorios-adultos-mayores.geojson')
## Reading layer `vacunacion' from data source `http://cdn.buenosaires.gob.ar/datosabiertos/datasets/vacunatorios-adultos-mayores/vacunatorios-adultos-mayores.geojson' using driver `GeoJSON'
## Simple feature collection with 80 features and 6 fields
## geometry type:  POINT
## dimension:      XY
## bbox:           xmin: -58.5253 ymin: -34.68989 xmax: -58.37062 ymax: -34.54537
## geographic CRS: WGS 84
names(vacunatorios_adultos)
## [1] "nombre"    "barrio"    "comuna"    "tipo"      "domicilio" "aph"      
## [7] "geometry"

3. Realizando un join espacial, asignar a cada registro geo-referenciado la comuna que le corresponde. Combinamos datasets con información espacial de vacunatorios para adultos mayores y comunas.

ggplot() + 
  geom_sf(data = barrios) +
  geom_sf(data = vacunatorios_adultos, color = "red", alpha = .4)

vacunatorios_barrios <- st_join(barrios, vacunatorios_adultos)
## although coordinates are longitude/latitude, st_intersects assumes that they are planar
head(vacunatorios_barrios)
## Simple feature collection with 6 features and 10 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -58.47883 ymin: -34.60762 xmax: -58.42337 ymax: -34.57829
## geographic CRS: WGS 84
##         barrio.x comuna.x perimetro    area                            nombre
## 1      CHACARITA       15  7724.853 3115707                     Carlos Gardel
## 1.1    CHACARITA       15  7724.853 3115707        Baldomero Fernández Moreno
## 2       PATERNAL       15  7087.513 2229829        Santa Inés Virgen y Mártir
## 3   VILLA CRESPO       15  8131.857 3615978                  Centro de dia 15
## 3.1 VILLA CRESPO       15  8131.857 3615978 Esc. de Educación Media N° 03/07°
## 3.2 VILLA CRESPO       15  8131.857 3615978                Casa de la Lectura
##         barrio.y comuna.y             tipo              domicilio
## 1      CHACARITA       15 Espacio cultural           Olleros 3640
## 1.1    CHACARITA       15 Espacio cultural Concepción Arenal 4206
## 2       PATERNAL       15          Iglesia             Ávalos 250
## 3   VILLA CRESPO       15    Centro de día              Jufre 350
## 3.1 VILLA CRESPO       15          Escuela           Padilla 1051
## 3.2 VILLA CRESPO       15 Espacio cultural          Lavalleja 924
##                       aph                       geometry
## 1      HTAL. DR. E. TORNÚ POLYGON ((-58.45282 -34.595...
## 1.1    HTAL. DR. E. TORNÚ POLYGON ((-58.45282 -34.595...
## 2      HTAL. DR. E. TORNÚ POLYGON ((-58.46558 -34.596...
## 3   HTAL. DR. C.G. DURAND POLYGON ((-58.42375 -34.597...
## 3.1 HTAL. DR. C.G. DURAND POLYGON ((-58.42375 -34.597...
## 3.2 HTAL. DR. C.G. DURAND POLYGON ((-58.42375 -34.597...

Creamos un nuevo dataset con las variables que nos interesa analizar, nombrándola vacunatorios_barrios 

cantidad_vacunatorios <- vacunatorios_barrios %>% 
    group_by(barrio.x) %>% 
    summarise(cantidad = n())
head(cantidad_vacunatorios)
## Simple feature collection with 6 features and 2 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -58.50354 ymin: -34.66226 xmax: -58.33515 ymax: -34.53168
## geographic CRS: WGS 84
## # A tibble: 6 x 3
##   barrio.x  cantidad                                                    geometry
##   <chr>        <int>                                               <POLYGON [°]>
## 1 AGRONOMIA        1 ((-58.47712 -34.59511, -58.47788 -34.59709, -58.47835 -34.~
## 2 ALMAGRO          2 ((-58.41287 -34.61412, -58.41282 -34.61544, -58.41275 -34.~
## 3 BALVANERA        2 ((-58.41192 -34.598, -58.41029 -34.59809, -58.40943 -34.59~
## 4 BARRACAS         1 ((-58.37034 -34.63293, -58.37028 -34.63339, -58.37025 -34.~
## 5 BELGRANO         4 ((-58.45057 -34.53561, -58.45066 -34.53564, -58.45075 -34.~
## 6 BOCA             1 ((-58.35429 -34.62977, -58.35427 -34.62981, -58.35421 -34.~

4. Utilizando ggplot() realizar

  • Un gráfico (barras, puntos, o el que prefieran) para mostrar los resultados de cantidad por barrio
  • Un mapa con los límites de los barrios, cuyo color de relleno indique la cantidad encontrada en cada uno*

** Ambos dataset presentan las variables de comunas y barrios Realizamos un join espacial de las variables de vacunatorios adultos y geriatricos

Realizamos grafico donde se ven los vacunatorios por comuna

ggplot() +
geom_sf(data = barrios) +
geom_sf(data = vacunatorios_adultos, aes(color = barrio))

Creamos gráfico de barras mostrando cantidad de vacunatorios para adultosmayores por barrio

ggplot(cantidad_vacunatorios) +
geom_bar(aes(x = barrio.x, weight = cantidad, color = cantidad, fill = barrio.x)) +
coord_flip() + 
labs(title = "Centros de vacunacion de adultos mayores por comuna",
subtitle = "Ciudad Autónoma de Buenos Aires",
caption = "Fuente: portal de datos abiertos de la Ciudad - http://data.buenosaires.gob.ar",
x = "barrio",
y = "cantidad",
fill = "barrio")

Procederemos ahora a realizar un mapa con los límites de los barrios, cuyo color de relleno indique la cantidad de centros vacunatorios para adultos mayores encontrada en cada barrio.

cantidad_vacunatorios <- vacunatorios_barrios %>% 
    group_by(barrio.x) %>% 
    summarise(cantidad = n())
head(cantidad_vacunatorios)
## Simple feature collection with 6 features and 2 fields
## geometry type:  POLYGON
## dimension:      XY
## bbox:           xmin: -58.50354 ymin: -34.66226 xmax: -58.33515 ymax: -34.53168
## geographic CRS: WGS 84
## # A tibble: 6 x 3
##   barrio.x  cantidad                                                    geometry
##   <chr>        <int>                                               <POLYGON [°]>
## 1 AGRONOMIA        1 ((-58.47712 -34.59511, -58.47788 -34.59709, -58.47835 -34.~
## 2 ALMAGRO          2 ((-58.41287 -34.61412, -58.41282 -34.61544, -58.41275 -34.~
## 3 BALVANERA        2 ((-58.41192 -34.598, -58.41029 -34.59809, -58.40943 -34.59~
## 4 BARRACAS         1 ((-58.37034 -34.63293, -58.37028 -34.63339, -58.37025 -34.~
## 5 BELGRANO         4 ((-58.45057 -34.53561, -58.45066 -34.53564, -58.45075 -34.~
## 6 BOCA             1 ((-58.35429 -34.62977, -58.35427 -34.62981, -58.35421 -34.~
ggplot() +
  geom_sf(data = cantidad_vacunatorios, aes(fill=cantidad)) +
    labs(title = "Vacunatorios para adultos",
         subtitle = "Ciudad Autonoma de Buenos Aires",
         fill = "Cantidad",
         caption= "Fuente: https://data.buenosaires.gob.ar/",
         y="latitud",
         x="longitud") +
        scale_fill_gradient(low="pink", high="red")

Ejercicio 2

Cargamos nuevas librerias

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

A continuacion obtener la bounding box Palermo con la función getbb()

bbox_st <- getbb('Palermo, Ciudad Autonoma de Buenos Aires')
bbox_st_poly = getbb('Palermo, Ciudad Autonoma de Buenos Aires', format_out = "sf_polygon")
leaflet(bbox_st_poly) %>% 
  addTiles() %>% 
  addPolygons()

Solicitaremos las vias de circulacion de Palermo

Palermo_calles <- opq(bbox_st) %>% 
    add_osm_feature(key = "highway") %>% 
    osmdata_sf()
Palermo_calles <- st_intersection(Palermo_calles$osm_lines, bbox_st_poly)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
Palermo_calles <- Palermo_calles %>% 
  mutate(lanes = as.numeric(lanes))

Realizamos un mapa de las calles de Palorme de acuerdo vias de circulacion(tipo de carril)

ggplot(Palermo_calles) +
    geom_sf(aes(color = lanes), alpha = 0.5) +
    scale_fill_continuous() + theme_void()+
    labs(title = "Palermo",
         subtitle = "Vías de circulación",
         caption = "fuente: OpenStreetMap",
         color = "cantidad de carriles")

Descargar de OpenStreetMap una (o más) capas de datos de tipo puntos o polígonos. (Ver catálogo de categorías en https://wiki.openstreetmap.org/wiki/Map_Features)

En este caso elegimos hospitales en Palermo

Palermo_hospitales <- opq(bbox_st) %>% 
  add_osm_feature(key = "amenity", value = "hospital") %>% 
  osmdata_sf()
Palermo_hospitales <- st_intersection(Palermo_hospitales$osm_points, bbox_st_poly)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries

Proyectar los datos descargados en un mapa y comentar los resultados: ¿Cómo se distribuyen en la Ciudad?

ggplot() +
geom_sf(data = Palermo_calles, color = "gray60", alpha = .8) +
      geom_sf(data = Palermo_hospitales, color= "red", alpha=.8) +
    theme_void() +
  labs(title = "Hospitales",
       subtitle = "Palermo",
       caption = "fuente: OpenStreetMap")

Hacer un conteo de los ítems de la capa descargada por barrio, mapearlo y compararlo con el conteo de los ítems descargados en el ejercicio anterior: ¿La distribución es similar o hay diferencias? ¿A qué se puede deber?

Ahora cargamos el mapa de toda la ciudad, para poder comparar con el item del ejercicio anterior que abarcaba todo CABA

bbox_st_caba <- getbb('Ciudad Autonoma de Buenos Aires')
bbox_st_poly_caba = getbb('Ciudad Autonoma de Buenos Aires', format_out = "sf_polygon")
Hospitales <- opq(bbox_st_caba) %>% 
  add_osm_feature(key = "amenity", value = "hospital") %>% 
  osmdata_sf()
hospitales_caba <- st_intersection(Hospitales$osm_points, bbox_st_poly_caba)
## although coordinates are longitude/latitude, st_intersection assumes that they are planar
## Warning: attribute variables are assumed to be spatially constant throughout all
## geometries
hospitales_caba_barrios <- st_join(hospitales_caba,barrios)
## although coordinates are longitude/latitude, st_intersects assumes that they are planar
## although coordinates are longitude/latitude, st_intersects assumes that they are planar
hvb <- hospitales_caba_barrios %>% 
    group_by(barrio) %>% 
    summarise(cantidad = n())
hvb <- hvb %>%
  st_set_geometry(NULL)
hospitales_vac_barrios <- barrios %>%
left_join(hvb, by="barrio")
ggplot() +
      geom_sf(data=hospitales_vac_barrios, aes(fill=cantidad)) +
  geom_sf_text(data=hospitales_vac_barrios, aes(label = cantidad ), size=2, colour = "blue")+
       labs(title = "Hospitales en Caba",
         subtitle = "Palermo",
         fill = "Cantidad",
         caption= "Fuente: https://datos.caba.gob.ar / OpenStreetMap",
         y="latitud",
         x="longitud") +
        scale_fill_gradient(low="yellow", high="red")
## Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
## give correct results for longitude/latitude data
## Warning: Removed 15 rows containing missing values (geom_text).

Ejercicio 3

Cargamos nuevas librerias

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
library(ggmap)
library(rtweet)
## 
## Attaching package: 'rtweet'
## The following object is masked from 'package:purrr':
## 
##     flatten

I. Descargar tweets que se originen en los alrededores de la Ciudad con la que están trabajando, y explorar las columnas/variables que contiene.

tweets_rmba <- read.csv("C:/Users/Maria/Downloads/ciencia de datos/tweets_rmba.csv")
tweets_rmba <- sample_frac(tweets_rmba, 0.01)

II. Analizar: a. ¿Cuáles son los mensajes con más repercusión? ¿Qué dicen? b. ¿En qué momento del día se realiza la mayor cantidad de tweets? Graficar. c. ¿Cómo se distribuye la popularidad de los usuarios? ¿Quiénes son los 5 que más seguidores tienen? Graficar. d. Aislando los tweets que poseen coordenadas geográficas (lat y long), crear mapas que muestren posición de los tweets y cantidad de seguidores del usuario que tuitea

Momento en el que se realizan mayor cantidad de tweets

tweets_rmba <- tweets_rmba %>%
mutate(created=ymd_hms(created))
ts_plot(tweets_rmba, "month")

A través de este grafico se observa la una mayor produccion de tweets en el mes de octubre

Los 5 usuarios con mas popularidad

tweets_rmba %>% 
    top_n(5, user_followers) %>% 
    arrange(desc(user_followers)) %>% 
    select(user_name, user_followers, user_location, text)
##         user_name user_followers user_location
## 1  Norkys_batista        2524245     VENEZUELA
## 2         pelanza        1565691    São Paulo
## 3      kndmolfese        1130393              
## 4     yanilatorre         894081              
## 5 andrearincontop         782480     Argentina
##                                                                                                                                text
## 1         Asiii se ve a esta hora el #TeatroOpera aquiiiii en #BuenosAires #ArgentinaJujuuuuuuyyyyy ARMAâ\200¦ https://t.co/ooYER0WtfS
## 2              #TBT da minha última passagem por Buenos Aires, em Novembro do ano passado.\nUma pequenaâ\200¦ https://t.co/twlIzhJ6Xj
## 3 Las tardes de verano en Bs As â\235¤ï¸\217 Sábado a puro paseo y relax ðŸ\230Ž Ustedes en que andan? en Ciudadâ\200¦ https://t.co/hwLAWiBP0M
## 4                                                                 Sos lo mas @Martosalwe en Artear Canal 13 https://t.co/XKiIRtw3s8
## 5  Creí que estaba sólay no era cierto... 🎶 Hay equipo 💪gastonpauls22 @arielstaltari @ortegajuliâ\200¦ https://t.co/fv6msUxdBp

Aqui podemos ver los usuarios mas populares en el top n 5.

Grafico de los usuarios con mas followers

options(scipen = 20)
ggplot(tweets_rmba) +
    geom_histogram(aes(x = user_followers))
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Grafico a otra escala para mejor observación

ggplot(tweets_rmba) +
  geom_histogram(aes(x = user_followers))+   
  scale_x_log10()
## Warning: Transformation introduced infinite values in continuous x-axis
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## Warning: Removed 8 rows containing non-finite values (stat_bin).

En este histograma se puede observar que la mayoria de los usuarios tienen entre 800 y 1000 seguidores.

Mapas que muestren posición de los tweets y cantidad de seguidores del usuario que tuitea

tweets_rmba <- lat_lng(tweets_rmba)
tweets_rmba <- tweets_rmba %>% 
    select(-geo_coords, -coords_coords, -bbox_coords) 
nrow(tweets_rmba)
## [1] 8637
bbox <- make_bbox(lon = tweets_rmba$X, lat = tweets_rmba$Y)
mimapa <- get_stamenmap(bbox, zoom = 11)
## 100 tiles needed, this may take a while (try a smaller zoom).
## Source : http://tile.stamen.com/terrain/11/686/1229.png
## Source : http://tile.stamen.com/terrain/11/687/1229.png
## Source : http://tile.stamen.com/terrain/11/688/1229.png
## Source : http://tile.stamen.com/terrain/11/689/1229.png
## Source : http://tile.stamen.com/terrain/11/690/1229.png
## Source : http://tile.stamen.com/terrain/11/691/1229.png
## Source : http://tile.stamen.com/terrain/11/692/1229.png
## Source : http://tile.stamen.com/terrain/11/693/1229.png
## Source : http://tile.stamen.com/terrain/11/694/1229.png
## Source : http://tile.stamen.com/terrain/11/695/1229.png
## Source : http://tile.stamen.com/terrain/11/686/1230.png
## Source : http://tile.stamen.com/terrain/11/687/1230.png
## Source : http://tile.stamen.com/terrain/11/688/1230.png
## Source : http://tile.stamen.com/terrain/11/689/1230.png
## Source : http://tile.stamen.com/terrain/11/690/1230.png
## Source : http://tile.stamen.com/terrain/11/691/1230.png
## Source : http://tile.stamen.com/terrain/11/692/1230.png
## Source : http://tile.stamen.com/terrain/11/693/1230.png
## Source : http://tile.stamen.com/terrain/11/694/1230.png
## Source : http://tile.stamen.com/terrain/11/695/1230.png
## Source : http://tile.stamen.com/terrain/11/686/1231.png
## Source : http://tile.stamen.com/terrain/11/687/1231.png
## Source : http://tile.stamen.com/terrain/11/688/1231.png
## Source : http://tile.stamen.com/terrain/11/689/1231.png
## Source : http://tile.stamen.com/terrain/11/690/1231.png
## Source : http://tile.stamen.com/terrain/11/691/1231.png
## Source : http://tile.stamen.com/terrain/11/692/1231.png
## Source : http://tile.stamen.com/terrain/11/693/1231.png
## Source : http://tile.stamen.com/terrain/11/694/1231.png
## Source : http://tile.stamen.com/terrain/11/695/1231.png
## Source : http://tile.stamen.com/terrain/11/686/1232.png
## Source : http://tile.stamen.com/terrain/11/687/1232.png
## Source : http://tile.stamen.com/terrain/11/688/1232.png
## Source : http://tile.stamen.com/terrain/11/689/1232.png
## Source : http://tile.stamen.com/terrain/11/690/1232.png
## Source : http://tile.stamen.com/terrain/11/691/1232.png
## Source : http://tile.stamen.com/terrain/11/692/1232.png
## Source : http://tile.stamen.com/terrain/11/693/1232.png
## Source : http://tile.stamen.com/terrain/11/694/1232.png
## Source : http://tile.stamen.com/terrain/11/695/1232.png
## Source : http://tile.stamen.com/terrain/11/686/1233.png
## Source : http://tile.stamen.com/terrain/11/687/1233.png
## Source : http://tile.stamen.com/terrain/11/688/1233.png
## Source : http://tile.stamen.com/terrain/11/689/1233.png
## Source : http://tile.stamen.com/terrain/11/690/1233.png
## Source : http://tile.stamen.com/terrain/11/691/1233.png
## Source : http://tile.stamen.com/terrain/11/692/1233.png
## Source : http://tile.stamen.com/terrain/11/693/1233.png
## Source : http://tile.stamen.com/terrain/11/694/1233.png
## Source : http://tile.stamen.com/terrain/11/695/1233.png
## Source : http://tile.stamen.com/terrain/11/686/1234.png
## Source : http://tile.stamen.com/terrain/11/687/1234.png
## Source : http://tile.stamen.com/terrain/11/688/1234.png
## Source : http://tile.stamen.com/terrain/11/689/1234.png
## Source : http://tile.stamen.com/terrain/11/690/1234.png
## Source : http://tile.stamen.com/terrain/11/691/1234.png
## Source : http://tile.stamen.com/terrain/11/692/1234.png
## Source : http://tile.stamen.com/terrain/11/693/1234.png
## Source : http://tile.stamen.com/terrain/11/694/1234.png
## Source : http://tile.stamen.com/terrain/11/695/1234.png
## Source : http://tile.stamen.com/terrain/11/686/1235.png
## Source : http://tile.stamen.com/terrain/11/687/1235.png
## Source : http://tile.stamen.com/terrain/11/688/1235.png
## Source : http://tile.stamen.com/terrain/11/689/1235.png
## Source : http://tile.stamen.com/terrain/11/690/1235.png
## Source : http://tile.stamen.com/terrain/11/691/1235.png
## Source : http://tile.stamen.com/terrain/11/692/1235.png
## Source : http://tile.stamen.com/terrain/11/693/1235.png
## Source : http://tile.stamen.com/terrain/11/694/1235.png
## Source : http://tile.stamen.com/terrain/11/695/1235.png
## Source : http://tile.stamen.com/terrain/11/686/1236.png
## Source : http://tile.stamen.com/terrain/11/687/1236.png
## Source : http://tile.stamen.com/terrain/11/688/1236.png
## Source : http://tile.stamen.com/terrain/11/689/1236.png
## Source : http://tile.stamen.com/terrain/11/690/1236.png
## Source : http://tile.stamen.com/terrain/11/691/1236.png
## Source : http://tile.stamen.com/terrain/11/692/1236.png
## Source : http://tile.stamen.com/terrain/11/693/1236.png
## Source : http://tile.stamen.com/terrain/11/694/1236.png
## Source : http://tile.stamen.com/terrain/11/695/1236.png
## Source : http://tile.stamen.com/terrain/11/686/1237.png
## Source : http://tile.stamen.com/terrain/11/687/1237.png
## Source : http://tile.stamen.com/terrain/11/688/1237.png
## Source : http://tile.stamen.com/terrain/11/689/1237.png
## Source : http://tile.stamen.com/terrain/11/690/1237.png
## Source : http://tile.stamen.com/terrain/11/691/1237.png
## Source : http://tile.stamen.com/terrain/11/692/1237.png
## Source : http://tile.stamen.com/terrain/11/693/1237.png
## Source : http://tile.stamen.com/terrain/11/694/1237.png
## Source : http://tile.stamen.com/terrain/11/695/1237.png
## Source : http://tile.stamen.com/terrain/11/686/1238.png
## Source : http://tile.stamen.com/terrain/11/687/1238.png
## Source : http://tile.stamen.com/terrain/11/688/1238.png
## Source : http://tile.stamen.com/terrain/11/689/1238.png
## Source : http://tile.stamen.com/terrain/11/690/1238.png
## Source : http://tile.stamen.com/terrain/11/691/1238.png
## Source : http://tile.stamen.com/terrain/11/692/1238.png
## Source : http://tile.stamen.com/terrain/11/693/1238.png
## Source : http://tile.stamen.com/terrain/11/694/1238.png
## Source : http://tile.stamen.com/terrain/11/695/1238.png

Creamos mapa base para la localización de los tweets.

ggmap(mimapa)

mimapa_rmba <- get_stamenmap(bbox, maptype = "toner-lite", zoom = 11)
## 100 tiles needed, this may take a while (try a smaller zoom).
## Source : http://tile.stamen.com/toner-lite/11/686/1229.png
## Source : http://tile.stamen.com/toner-lite/11/687/1229.png
## Source : http://tile.stamen.com/toner-lite/11/688/1229.png
## Source : http://tile.stamen.com/toner-lite/11/689/1229.png
## Source : http://tile.stamen.com/toner-lite/11/690/1229.png
## Source : http://tile.stamen.com/toner-lite/11/691/1229.png
## Source : http://tile.stamen.com/toner-lite/11/692/1229.png
## Source : http://tile.stamen.com/toner-lite/11/693/1229.png
## Source : http://tile.stamen.com/toner-lite/11/694/1229.png
## Source : http://tile.stamen.com/toner-lite/11/695/1229.png
## Source : http://tile.stamen.com/toner-lite/11/686/1230.png
## Source : http://tile.stamen.com/toner-lite/11/687/1230.png
## Source : http://tile.stamen.com/toner-lite/11/688/1230.png
## Source : http://tile.stamen.com/toner-lite/11/689/1230.png
## Source : http://tile.stamen.com/toner-lite/11/690/1230.png
## Source : http://tile.stamen.com/toner-lite/11/691/1230.png
## Source : http://tile.stamen.com/toner-lite/11/692/1230.png
## Source : http://tile.stamen.com/toner-lite/11/693/1230.png
## Source : http://tile.stamen.com/toner-lite/11/694/1230.png
## Source : http://tile.stamen.com/toner-lite/11/695/1230.png
## Source : http://tile.stamen.com/toner-lite/11/686/1231.png
## Source : http://tile.stamen.com/toner-lite/11/687/1231.png
## Source : http://tile.stamen.com/toner-lite/11/688/1231.png
## Source : http://tile.stamen.com/toner-lite/11/689/1231.png
## Source : http://tile.stamen.com/toner-lite/11/690/1231.png
## Source : http://tile.stamen.com/toner-lite/11/691/1231.png
## Source : http://tile.stamen.com/toner-lite/11/692/1231.png
## Source : http://tile.stamen.com/toner-lite/11/693/1231.png
## Source : http://tile.stamen.com/toner-lite/11/694/1231.png
## Source : http://tile.stamen.com/toner-lite/11/695/1231.png
## Source : http://tile.stamen.com/toner-lite/11/686/1232.png
## Source : http://tile.stamen.com/toner-lite/11/687/1232.png
## Source : http://tile.stamen.com/toner-lite/11/688/1232.png
## Source : http://tile.stamen.com/toner-lite/11/689/1232.png
## Source : http://tile.stamen.com/toner-lite/11/690/1232.png
## Source : http://tile.stamen.com/toner-lite/11/691/1232.png
## Source : http://tile.stamen.com/toner-lite/11/692/1232.png
## Source : http://tile.stamen.com/toner-lite/11/693/1232.png
## Source : http://tile.stamen.com/toner-lite/11/694/1232.png
## Source : http://tile.stamen.com/toner-lite/11/695/1232.png
## Source : http://tile.stamen.com/toner-lite/11/686/1233.png
## Source : http://tile.stamen.com/toner-lite/11/687/1233.png
## Source : http://tile.stamen.com/toner-lite/11/688/1233.png
## Source : http://tile.stamen.com/toner-lite/11/689/1233.png
## Source : http://tile.stamen.com/toner-lite/11/690/1233.png
## Source : http://tile.stamen.com/toner-lite/11/691/1233.png
## Source : http://tile.stamen.com/toner-lite/11/692/1233.png
## Source : http://tile.stamen.com/toner-lite/11/693/1233.png
## Source : http://tile.stamen.com/toner-lite/11/694/1233.png
## Source : http://tile.stamen.com/toner-lite/11/695/1233.png
## Source : http://tile.stamen.com/toner-lite/11/686/1234.png
## Source : http://tile.stamen.com/toner-lite/11/687/1234.png
## Source : http://tile.stamen.com/toner-lite/11/688/1234.png
## Source : http://tile.stamen.com/toner-lite/11/689/1234.png
## Source : http://tile.stamen.com/toner-lite/11/690/1234.png
## Source : http://tile.stamen.com/toner-lite/11/691/1234.png
## Source : http://tile.stamen.com/toner-lite/11/692/1234.png
## Source : http://tile.stamen.com/toner-lite/11/693/1234.png
## Source : http://tile.stamen.com/toner-lite/11/694/1234.png
## Source : http://tile.stamen.com/toner-lite/11/695/1234.png
## Source : http://tile.stamen.com/toner-lite/11/686/1235.png
## Source : http://tile.stamen.com/toner-lite/11/687/1235.png
## Source : http://tile.stamen.com/toner-lite/11/688/1235.png
## Source : http://tile.stamen.com/toner-lite/11/689/1235.png
## Source : http://tile.stamen.com/toner-lite/11/690/1235.png
## Source : http://tile.stamen.com/toner-lite/11/691/1235.png
## Source : http://tile.stamen.com/toner-lite/11/692/1235.png
## Source : http://tile.stamen.com/toner-lite/11/693/1235.png
## Source : http://tile.stamen.com/toner-lite/11/694/1235.png
## Source : http://tile.stamen.com/toner-lite/11/695/1235.png
## Source : http://tile.stamen.com/toner-lite/11/686/1236.png
## Source : http://tile.stamen.com/toner-lite/11/687/1236.png
## Source : http://tile.stamen.com/toner-lite/11/688/1236.png
## Source : http://tile.stamen.com/toner-lite/11/689/1236.png
## Source : http://tile.stamen.com/toner-lite/11/690/1236.png
## Source : http://tile.stamen.com/toner-lite/11/691/1236.png
## Source : http://tile.stamen.com/toner-lite/11/692/1236.png
## Source : http://tile.stamen.com/toner-lite/11/693/1236.png
## Source : http://tile.stamen.com/toner-lite/11/694/1236.png
## Source : http://tile.stamen.com/toner-lite/11/695/1236.png
## Source : http://tile.stamen.com/toner-lite/11/686/1237.png
## Source : http://tile.stamen.com/toner-lite/11/687/1237.png
## Source : http://tile.stamen.com/toner-lite/11/688/1237.png
## Source : http://tile.stamen.com/toner-lite/11/689/1237.png
## Source : http://tile.stamen.com/toner-lite/11/690/1237.png
## Source : http://tile.stamen.com/toner-lite/11/691/1237.png
## Source : http://tile.stamen.com/toner-lite/11/692/1237.png
## Source : http://tile.stamen.com/toner-lite/11/693/1237.png
## Source : http://tile.stamen.com/toner-lite/11/694/1237.png
## Source : http://tile.stamen.com/toner-lite/11/695/1237.png
## Source : http://tile.stamen.com/toner-lite/11/686/1238.png
## Source : http://tile.stamen.com/toner-lite/11/687/1238.png
## Source : http://tile.stamen.com/toner-lite/11/688/1238.png
## Source : http://tile.stamen.com/toner-lite/11/689/1238.png
## Source : http://tile.stamen.com/toner-lite/11/690/1238.png
## Source : http://tile.stamen.com/toner-lite/11/691/1238.png
## Source : http://tile.stamen.com/toner-lite/11/692/1238.png
## Source : http://tile.stamen.com/toner-lite/11/693/1238.png
## Source : http://tile.stamen.com/toner-lite/11/694/1238.png
## Source : http://tile.stamen.com/toner-lite/11/695/1238.png

Utilizamos como base el mapa de “toner-lite” para una mejor visualización

ggmap(mimapa_rmba)

ggmap(mimapa_rmba) +
    geom_point(data = tweets_rmba, aes(x = X, y = Y))

En este grafico podemos detectar la localización de los tweets realizados, detectando que la mayor concentración de los mismos se aloja en la Ciudad Autonoma de Buenos Aires.

tweets_rmba <- arrange(tweets_rmba, user_followers)
ggmap(mimapa_rmba) + 
    geom_point(data = tweets_rmba, 
               aes(x = X, y = Y, color = user_followers)) +
    scale_color_distiller(palette = "Spectral")

Para una mejor visualización, en este grafico (que contiene la misma información que el anterior) diferenciamos los tweets por color, según la cantidad de seguidores que posee el usuario generador de los mismos.

Ejercicio 4

I. Utilizar los tweets que descargaron en el ejercicio anterior o elegir algún dataset open data de la Ciudad que tenga tanto coordenadas como fecha. Quienes se animen pueden trabajar con ambos y luego compararlos entre sí.

  1. Realizar 2 gráficos que les permitan analizar la temporalidad de los datos.¿Detectan algún patrón temporal? ¿A qué puede deberse?

  2. Analizar la distribución espacial de los datos a partir de:

  1. Un mapa de densidad que muestre donde se concentran la mayor cantidad de observaciones.
  2. 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?
  1. Comparar la densidad de los datos en el tiempo (facetar). ¿Los patrones espaciales de los datos elegidos se mantienen o varían en el tiempo?

Cargamos dataset de sistema unico de atención ciudadana

sistema.unico.de.atencion.ciudadana.2020 <- read.csv("C:/Users/Maria/Downloads/ciencia de datos/sistema-unico-de-atencion-ciudadana-2020.csv", encoding = "UTF-8")
sistema.unico.de.atencion.ciudadana.2020 %>% 
       ggplot() +
        geom_bar(aes(x = month(fecha_ingreso, label = TRUE)))

Podemos ver que el mes con mas consultas ha sido el mes de Enero.

Analizamos cuales han sido las consultas más frecuentes según categoría

sistema.unico.de.atencion.ciudadana.2020 %>% 
    count(categoria) %>% 
    top_n(5) %>% 
    arrange(desc(n))
## Selecting by n
## # A tibble: 5 x 2
##   categoria                         n
##   <chr>                         <int>
## 1 ""                           118269
## 2 "TRÁNSITO"                    45536
## 3 "LIMPIEZA Y RECOLECCIÓN"      18377
## 4 "CALLES Y VEREDAS"            14252
## 5 "ARBOLADO Y ESPACIOS VERDES"  13798
consultas_frecuentes <- sistema.unico.de.atencion.ciudadana.2020 %>% 
   filter(categoria != "", !is.na(categoria)) %>% 
   count(categoria) %>% 
    top_n(5) %>% 
    pull(categoria)
## Selecting by n

Realizamos un grafico para determinar cantidad de consultas frecuentes en los meses analizados.

sistema.unico.de.atencion.ciudadana.2020 %>% 
  
    filter(year(fecha_ingreso) == 2020,
           categoria %in% consultas_frecuentes) %>% 
    ggplot() +
        geom_bar(aes(x = month(fecha_ingreso, label = TRUE), fill = categoria))

Realizamos un conteo lineal según consultas frecuentes diferenciado por categorias

conteo <-  sistema.unico.de.atencion.ciudadana.2020 %>% 
    filter(categoria %in% consultas_frecuentes) %>% 
    count(categoria, mes = month(fecha_ingreso, label = TRUE))
ggplot(conteo) +
    geom_line(aes(x = mes, y = n, group = categoria, color = categoria))

ggmap(mimapa) +
    geom_bin2d(data = sistema.unico.de.atencion.ciudadana.2020, 
               aes(x = long, y = lat))
## Warning: Removed 10661 rows containing non-finite values (stat_bin2d).

En el grafico podemos observar la cantidad de consultas realizadas en CABA

ggmap(mimapa) +
    geom_bin2d(data = sistema.unico.de.atencion.ciudadana.2020, aes(x = long, y = lat), bins = 100) +
    scale_fill_viridis_c()
## Warning: Removed 10661 rows containing non-finite values (stat_bin2d).

Este gráfico con colores permite diferenciar el barrio que presenta mayores consultas

ggmap(mimapa) +
    geom_point(data = filter(sistema.unico.de.atencion.ciudadana.2020, categoria %in% consultas_frecuentes), 
               aes(x = long, y = lat, color = categoria),
               size = 0.1, alpha = 0.1) +
    guides(color = guide_legend(override.aes = list(size=2, alpha = 1))) +
    scale_color_brewer(palette = "Set1")

En el grafico se puede observar las consultas localizadas y diferenciadas según el tipo de consulta

ggmap(mimapa) +
    geom_point(data = filter(sistema.unico.de.atencion.ciudadana.2020, categoria %in% consultas_frecuentes), 
               aes(x = long, y = lat, color = categoria),
               size = 0.1, alpha = 0.1) +
    scale_color_brewer(palette = "Set1") +
    facet_wrap(~categoria)

El grafico facetado permite mostrar cada categoría en su propio mapa

Realizamos la comparación de consultas de dos categorías diferentes para observar donde ocurren en cada dia de la semana

sistema.unico.de.atencion.ciudadana.2020 <- sistema.unico.de.atencion.ciudadana.2020 %>% 
    mutate(dia_semana = wday(fecha_ingreso, label = TRUE))
ggmap(mimapa) +
    geom_point(data = filter(sistema.unico.de.atencion.ciudadana.2020, 
                             categoria %in% c("ARBOLADO Y ESPACIOS VERDES", "CALLES Y VEREDAS")),
               aes(x = long, y = lat, color = categoria), alpha = .5, size = .2) +
    facet_wrap(~dia_semana)

Ejercicio 5

I. Elegir UNA SOLA de las siguientes opciones: a. Un dataset que contenga viajes origen-destino (por ejemplo bicicletas públicas) de la Ciudad con la que están trabajando. b. Un dataset que contenga servicios esenciales (hospitales, escuelas, comisarías, etc) de la Ciudad con la que están trabajando. En este caso deberán elegir un barrio céntrico y uno periférico del shape de barrios y calcular ambos centroides. Los datos pueden ser descargados del portal open data de la ciudad o de OSM y deben tener ubicación geográfica.

  1. Según la opción elegida en el punto I, deberán:
  1. Viajes origen-destino: Analizar la cantidad de viajes entre los puntos a partir de un mapa de calor (heatmap) y calcular los 10 recorridos más realizados. Describir los resultados obtenidos y hacer el siguiente mapa:
  • Mapa con los ruteos de los 10 recorridos más realizados.
  1. Servicios esenciales: Estimar la distancia entre los centroides calculados en el punto I y los ítems que componen la capa descargada. Describir los resultados obtenidos y hacer los siguientes mapas:
  • Mapa con los ruteos del centroide del barrio céntrico a los ítems de servicios esenciales elegido.
  • Mapa con los ruteos del centroide del barrio periférico a los ítems de servicios esenciales elegido.

Para entregar el ejercicio deberán publicarlo y compartir el link tal como hicieron en los ejercicios anteriores.

Cargamos librerias

library("osrm")
## Data: (c) OpenStreetMap contributors, ODbL 1.0 - http://www.openstreetmap.org/copyright
## Routing: OSRM - http://project-osrm.org/

Elejimos dataset el dataset de Escuelas en CABA Y elegimos los barrios de Recoleta y Liniers y calcularemos sus centroides

establecimientos_educativos <- read_csv("~/ciencia de datos/establecimientos-educativos.csv")
## Parsed with column specification:
## cols(
##   .default = col_character(),
##   long = col_double(),
##   lat = col_double(),
##   objectid = col_double(),
##   cui = col_double(),
##   cueanexo = col_double(),
##   cue = col_double(),
##   anexo = col_double(),
##   sector = col_double(),
##   de = col_double(),
##   calle_altura = col_double(),
##   comunas = col_double(),
##   codigo_postal = col_double(),
##   estado = col_double(),
##   point_x = col_double(),
##   point_y = col_double()
## )
## See spec(...) for full column specifications.
barrios_centroides <- barrios %>%
  st_centroid()
## Warning in st_centroid.sf(.): st_centroid assumes attributes are constant over
## geometries of x
## Warning in st_centroid.sfc(st_geometry(x), of_largest_polygon =
## of_largest_polygon): st_centroid does not give correct centroids for longitude/
## latitude data
ggplot()+
  geom_sf(data=barrios, fill="pink")+
  geom_sf(data=barrios_centroides, size=2)+
  labs(title = "Barrios de la Ciudad",
         subtitle = "Ubicación de los centroides",
         fill="Barrios",
         caption= "Fuente:https://data.buenosaires.gob.ar/")+
  theme_void()

Tomamos como barrio periférico a Liniers y como céntrico a Recoleta

barrios_centroides <- barrios_centroides %>%
  filter(barrio=="RECOLETA" | barrio=="LINIERS") %>%
  mutate(ubicacion=if_else(barrio=="RECOLETA", "CENTRO", "PERIFERIA"))

Generamos los puntos x e y del centroide

barrios_centroides <- cbind(barrios_centroides, st_coordinates(barrios_centroides)) %>%
                      st_set_geometry(NULL)

Generamos el mapa de ubicación de centroides y establecimientos educativos

ggplot()+
  geom_sf(data=barrios, fill="pink")+
  geom_point(data=barrios_centroides, aes(x=X, y=Y, color=ubicacion), size=8)+
  geom_point(data=establecimientos_educativos, aes(x=long, y=lat), color="blue")+
  labs(title = "Barrios de la Ciudad",
         subtitle = "Ubicación de los centroides",
         color="Barrios",
         caption= "Fuente:https://data.buenosaires.gob.ar/")+
  theme_void()

A continuación prcedemos a estimar la distancia entre los centroides calculados en el punto I y los ítems que componen la capa descargada. Describir los resultados obtenidos y hacer los siguientes mapas

ruteo_establecimientos <- function(o_nombre, o_x, o_y, d_nombre, d_x, d_y) {
  
  ruta <- osrmRoute(src = c(o_nombre, o_x, o_y),
                    dst = c(d_nombre, d_x, d_y), 
                    returnclass = "sf",
                    overview = "full")
  
  cbind(ORIGEN = o_nombre, DESTINO = d_nombre, ruta)
}

Hacemos ruteos del centroide del barrio céntrico a los establecimientos

establecimientos_recoleta <- establecimientos_educativos %>%
  mutate(ORIGEN="RECOLETA") %>%
  left_join(barrios_centroides, by=c("ORIGEN"="barrio")) %>%
  rename(NOMBRE_ORIGEN=ORIGEN,
         LONG_ORIGEN=X,
         LAT_ORIGEN=Y,
         NOMBRE_DESTINO=nombre_estab,
         LONG_DESTINO=long,
         LAT_DESTINO=lat) %>%
  select(NOMBRE_ORIGEN, LONG_ORIGEN, LAT_ORIGEN, NOMBRE_DESTINO, LONG_DESTINO, LAT_DESTINO)
ruteo_recoleta <- list(establecimientos_recoleta$NOMBRE_ORIGEN, establecimientos_recoleta$LONG_ORIGEN,establecimientos_recoleta$LAT_ORIGEN,
                   establecimientos_recoleta$NOMBRE_DESTINO, establecimientos_recoleta$LONG_DESTINO,establecimientos_recoleta$LAT_DESTINO)
ruteo_centrico <- pmap(ruteo_recoleta, ruteo_establecimientos) %>% 
  reduce(rbind)
ruteo_centrico <-mutate(ruteo_centrico, RUTA = paste(ORIGEN,"a", DESTINO)) 
filter(ruteo_centrico, distance == min(distance))
## Simple feature collection with 1 feature and 7 fields
## geometry type:  LINESTRING
## dimension:      XY
## bbox:           xmin: -58.39756 ymin: -34.58714 xmax: -58.39503 ymax: -34.58484
## geographic CRS: WGS 84
##     ORIGEN                            DESTINO      src
## 1 RECOLETA Escuela Nacional de Bibliotecarios RECOLETA
##                                  dst duration distance
## 1 Escuela Nacional de Bibliotecarios    4.195   0.6259
##                         geometry                                          RUTA
## 1 LINESTRING (-58.39503 -34.5... RECOLETA a Escuela Nacional de Bibliotecarios

El establecimiento educativo mas cercano a Recoleta es la Escuela Nacional de Bibliotecarios a 0,6 km con una duracion aproximada de 4 min de viaje

leaflet(ruteo_centrico) %>%
  addTiles() %>%
  addProviderTiles(providers$CartoDB.DarkMatter) %>%
  addPolylines(color = ~colorNumeric("BrBG", ruteo_centrico$distance)(distance),
              label = ruteo_centrico$RUTA %>%
              lapply(htmltools::HTML)) %>%
  addLegend("bottomright", pal = colorNumeric("BrBG", ruteo_centrico$distance), values = ~distance,
            title = "Distancia",
            opacity = 0.55)

A continuación realizaremos en Mapa con los ruteos del centroide del barrio periférico a los ítems de servicios esenciales elegido.

establecimientos_liniers <- establecimientos_educativos %>%
  mutate(ORIGEN="LINIERS") %>%
  left_join(barrios_centroides, by=c("ORIGEN"="barrio")) %>%
  rename(NOMBRE_ORIGEN=ORIGEN,
         LONG_ORIGEN=X,
         LAT_ORIGEN=Y,
         NOMBRE_DESTINO=nombre_estab,
         LONG_DESTINO=long,
         LAT_DESTINO=lat) %>%
  select(NOMBRE_ORIGEN, LONG_ORIGEN, LAT_ORIGEN, NOMBRE_DESTINO, LONG_DESTINO, LAT_DESTINO)
ruteo_liniers <- list(establecimientos_liniers$NOMBRE_ORIGEN, establecimientos_liniers$LONG_ORIGEN,establecimientos_liniers$LAT_ORIGEN,
                   establecimientos_liniers$NOMBRE_DESTINO, establecimientos_liniers$LONG_DESTINO,establecimientos_liniers$LAT_DESTINO)
ruteo_periferico <- pmap(ruteo_liniers, ruteo_establecimientos) %>% 
  reduce(rbind)
ruteo_periferico <-mutate(ruteo_periferico, RUTA = paste(ORIGEN,"a", DESTINO))
filter(ruteo_periferico, distance == min(distance))
## Simple feature collection with 1 feature and 7 fields
## geometry type:  LINESTRING
## dimension:      XY
## bbox:           xmin: -58.51936 ymin: -34.6438 xmax: -58.51914 ymax: -34.64191
## geographic CRS: WGS 84
##    ORIGEN            DESTINO     src                dst duration distance
## 1 LINIERS Jardín Caramelitos LINIERS Jardín Caramelitos 1.318333   0.2118
##                         geometry                         RUTA
## 1 LINESTRING (-58.51914 -34.6... LINIERS a Jardín Caramelitos

La escuela que está más cerca del centro LINIERS es lel jardín Carmelitos, que se encuentra a una distancia de 0,2 km y la duración del viaje es de 1,30 minutos

Realizamos mapa de recorrido con los ruteos del centroide del barrio periférico

leaflet(ruteo_periferico) %>%
  addTiles() %>%
  addProviderTiles(providers$CartoDB.DarkMatter) %>%
  addPolylines(color = ~colorNumeric("BrBG", ruteo_periferico$distance)(distance),
              label = ruteo_periferico$RUTA %>%
              lapply(htmltools::HTML)) %>%
  addLegend("bottomright", pal = colorNumeric("BrBG", ruteo_periferico$distance), values = ~distance,
            title = "Distancia",
            opacity = 0.55)