Transporte público en CABA -> visualizaciones con gganimate

Hace unos días vi en Twitter que el gobierno de la Ciudad de Buenos Aires empezó a actualizar diariamente los datos relacionados con la pandemia (SUBE, casos, flujo vehicular, etc).

Desde ese momento vi varios plots sobre información de distintos datasets, y me llamó la atención que todas las visualizaciones (que vi) sean estáticas. Entonces se me ocurrió descargar uno de los datasets y ver con qué datos me encontraba.

Este post es una exploración, por lo que agradecería comentarios, sugerencias y preguntas si es que surgen. Voy tomar bloques de mi script de R y a intentar explicar qué hice, por qué y para qué.

Antes de empezar, cargué las siguientes librerías:

library(tidyverse)
library(lubridate)
#vamos a cargar la libreria gganimate para animar gráficos que vamos a hacer con ggplot
library(gganimate)
library(transformr)
library(viridis)
library(hrbrthemes)
library(magrittr)
library(knitr)
library(dplyr)

El dataset que voy a usar, es el de la SUBE. Para descargarlo, y que cada vez que el scrip corra tome los últimos datos disponibles busqué a través de CKAN usando el paquete de R los links de acceso para cada dataset relacionado con el coronavirus. [Pueden ver la lista acá.] (https://docs.google.com/spreadsheets/d/1YrT_VTi_bE-iDbDjLeZ1PfNzV0kEhAPyHxypb_oxynE/edit#gid=0)

Vamos a descargar el dataset:

sube <- read.csv('https://cdn.buenosaires.gob.ar/datosabiertos/datasets/transporte/sube/dataset_viajes_sube.csv')

Como yo no quiero usar notación científica (entiendo que los gráficos quedan mejor sin ella):

options(scipen = 999)

Para ver qué datos hay en el dataset y su tipo:

head(sube)
##   TIPO_TRANSPORTE                DIA PARCIAL CANTIDAD
## 1           Subte 31MAR2020:00:00:00   False     7521
## 2           Subte 01APR2020:00:00:00   False    21178
## 3           Subte 02APR2020:00:00:00   False    20758
## 4           Subte 03APR2020:00:00:00   False    23545
## 5           Subte 04APR2020:00:00:00   False    12184
## 6           Subte 05APR2020:00:00:00   False     6236
#los datos que tenemos son: tipo de transporte, el día, la variable parcial y la cantidad de pasajerxs

str(sube)
## 'data.frame':    470 obs. of  4 variables:
##  $ TIPO_TRANSPORTE: Factor w/ 3 levels "Colectivo","Subte",..: 2 2 2 2 2 2 2 2 2 2 ...
##  $ DIA            : Factor w/ 157 levels "01APR2020:00:00:00",..: 156 1 7 13 19 25 30 35 40 45 ...
##  $ PARCIAL        : Factor w/ 2 levels "False","True": 1 1 1 1 1 1 1 1 1 1 ...
##  $ CANTIDAD       : int  7521 21178 20758 23545 12184 6236 25029 25036 26187 18945 ...

Las fechas (variable DIA) están como factor. Vamos a modificar eso para poder trabajar después. Para eso usamos el paquete lubridate y transformamos el formato de las fechas a día-mes-año-horas:minutos:segundos

sube <- sube %>% mutate (DIA = dmy_hms(DIA))

Vamos a cambiar los nombres para que la variable DIA se llame FECHA

sube$FECHA <- sube$DIA

Tomamos las fechas (FECHA) y creamos una nueva variable. Es algo confuso, lo sé, pero a la nueva variable vamos a llamarla DIA. A DIA le asignamos un número según a qué día de la semana corresponde cada una de las fechas. Para eso usamos la función wday()

sube$DIA <- wday(sube$FECHA)

Ahora vamos a usar case_when para transformar los números en días

sube$DIA <- (sube$DIA = case_when(sube$DIA == 2 ~ "LUNES",
                                  sube$DIA == 3 ~ "MARTES",
                                  sube$DIA == 4 ~ "MIÉRCOLES",
                                  sube$DIA == 5 ~ "JUEVES",
                                  sube$DIA == 6 ~ "VIERNES",
                                  sube$DIA == 7 ~ "SÁBADO",
                                  sube$DIA == 1 ~ "DOMINGO"))

Ahora, creamos una columna llamada SEMANA, que va a tener la información sobre a qué semana corresponde cada una de nuestras fechas.

sube$SEMANA <- week(sube$FECHA)

Extraemos el número del mes al que corresponde cada fecha

sube$N_MES <- month(sube$FECHA)

Asignamos a cada número de mes el mes correspondiente

sube$N_MES <- (sube$N_MES = case_when(sube$N_MES == 1 ~ "ENERO",
                                      sube$N_MES == 2 ~ "FEBRERO",
                                      sube$N_MES == 3 ~ "MARZO",
                                      sube$N_MES == 4 ~ "ABRIL",
                                      sube$N_MES == 5 ~ "MAYO",
                                      sube$N_MES == 6 ~ "JUNIO",
                                      sube$N_MES == 7 ~ "JULIO",
                                      sube$N_MES == 8 ~ "AGOSTO",
                                      sube$N_MES == 9 ~ "SEPTIEMBRE",
                                      sube$N_MES == 10 ~ "OCTUBRE",
                                      sube$N_MES == 11 ~ "NOVIEMBRE",
                                      sube$N_MES == 12 ~ "DICIEMBRE"))

¿Por qué hice esto con todos los meses si no había pandemia en enero? Porque el dataset se actualiza constantemente, y como no sabemos cuando va a terminar esto, me parece útil que en el script quede la función para todos los meses del año.

Extraemos a qué día del mes corresponde cada fecha

sube$N_DIA <- day(sube$FECHA)

Como no vamos a usar la fila PARCIAL, vamos a dejarla fuera del dataset

sube <- select(sube, -PARCIAL)

Ahora vamos a filtrar por tipo de transporte y a crear datasets con cada uno de ellos y ver cómo quedan.

sube_subte <- filter(sube, TIPO_TRANSPORTE == "Subte")
head(sube_subte, n=10)
##    TIPO_TRANSPORTE       DIA CANTIDAD      FECHA SEMANA N_MES N_DIA
## 1            Subte    MARTES     7521 2020-03-31     13 MARZO    31
## 2            Subte MIÉRCOLES    21178 2020-04-01     14 ABRIL     1
## 3            Subte    JUEVES    20758 2020-04-02     14 ABRIL     2
## 4            Subte   VIERNES    23545 2020-04-03     14 ABRIL     3
## 5            Subte    SÁBADO    12184 2020-04-04     14 ABRIL     4
## 6            Subte   DOMINGO     6236 2020-04-05     14 ABRIL     5
## 7            Subte     LUNES    25029 2020-04-06     14 ABRIL     6
## 8            Subte    MARTES    25036 2020-04-07     14 ABRIL     7
## 9            Subte MIÉRCOLES    26187 2020-04-08     15 ABRIL     8
## 10           Subte    JUEVES    18945 2020-04-09     15 ABRIL     9
sube_colectivo <- filter(sube, TIPO_TRANSPORTE == "Colectivo")
head(sube_colectivo, n=10)
##    TIPO_TRANSPORTE       DIA CANTIDAD      FECHA SEMANA N_MES N_DIA
## 1        Colectivo    MARTES   904451 2020-07-28     30 JULIO    28
## 2        Colectivo MIÉRCOLES   923460 2020-07-29     31 JULIO    29
## 3        Colectivo MIÉRCOLES   659035 2020-07-01     27 JULIO     1
## 4        Colectivo    JUEVES   686649 2020-07-02     27 JULIO     2
## 5        Colectivo   VIERNES   733038 2020-07-03     27 JULIO     3
## 6        Colectivo    SÁBADO   462365 2020-07-04     27 JULIO     4
## 7        Colectivo   DOMINGO   269242 2020-07-05     27 JULIO     5
## 8        Colectivo     LUNES   762209 2020-07-06     27 JULIO     6
## 9        Colectivo    MARTES   768682 2020-07-07     27 JULIO     7
## 10       Colectivo MIÉRCOLES   796309 2020-07-08     28 JULIO     8
sube_tren <- filter(sube, TIPO_TRANSPORTE == "Tren")
head(sube_tren, n=10)
##    TIPO_TRANSPORTE       DIA CANTIDAD      FECHA SEMANA N_MES N_DIA
## 1             Tren   DOMINGO   307043 2020-03-01      9 MARZO     1
## 2             Tren     LUNES  1394500 2020-03-02      9 MARZO     2
## 3             Tren    MARTES  1395391 2020-03-03      9 MARZO     3
## 4             Tren MIÉRCOLES  1441278 2020-03-04     10 MARZO     4
## 5             Tren    JUEVES  1483908 2020-03-05     10 MARZO     5
## 6             Tren   VIERNES  1471942 2020-03-06     10 MARZO     6
## 7             Tren    SÁBADO   865629 2020-03-07     10 MARZO     7
## 8             Tren   DOMINGO    53502 2020-03-08     10 MARZO     8
## 9             Tren     LUNES  1533601 2020-03-09     10 MARZO     9
## 10            Tren    MARTES  1498424 2020-03-10     10 MARZO    10

Recuerden que si quieren guardar cada dataset nuevo, pueden usar write_csv

##Ahora que tenemos toda la data “acomodada”, vamos a los gráficos.

[gganimate] (https://gganimate.com/index.html) extiende la gramática de ggplot2 e incluye la descripción de la animación.

En estos casos vamos a usar transition _ * () que define cómo se distribuyen los datos y cómo se relacionan a lo largo del tiempo.

Vamos a hacer un gráfico animado de barras sobre el uso de transporte público durante la pandemia por semana (y días)

ggplot(data = sube, aes(x = factor(DIA, levels=c("LUNES", "MARTES", "MIÉRCOLES", "JUEVES", "VIERNES", "SÁBADO", "DOMINGO")), y = CANTIDAD)) +
  geom_bar(stat='identity', aes(fill = TIPO_TRANSPORTE)) +
  transition_time(SEMANA) + #esta es la clave
  labs(title = "Uso de transporte público durante la pandemia
       semana: {as.integer(frame_time)}",
       subtitle = "Ciudad Autónoma de Buenos Aires",
       x = "Día",
       y = "Usuarixs",
       caption = "fuente: data.buenosaires.gob.ar")+
  scale_fill_viridis_d() +
  theme_minimal() +
  theme(legend.position = "bottom")

anim_save("uso_tp.gif")

Ahora vamos con un gráfico de líneas animado con la cantidad de usuarixs de cada tipo de transporte durante la pandemia

ggplot(sube, aes(x = FECHA, y = CANTIDAD, color = TIPO_TRANSPORTE)) +
  geom_line() +
  geom_point(aes(group = seq_along(FECHA))) +
  labs(title = "Uso de transporte público durante la pandemia",
       subtitle = "Ciudad Autónoma de Buenos Aires",
       x = "",
       y = "Usuarixs",
       caption = "fuente: data.buenosaires.gob.ar") +
  scale_color_viridis(discrete=TRUE) +
  transition_reveal(FECHA) + #en vez de transition_time
  theme_minimal() +
  theme(legend.position = "bottom")

anim_save("sube_lin.gif")

Si tomamos cada tipo de transporte y hacemos gráficos de líneas animados:

Uso de colectivos por día y coloreado por mes durante la pandemia

ggplot(sube_colectivo, aes(x = N_DIA, y = CANTIDAD, color = N_MES)) +
  geom_line() +
  geom_point() +
  labs(title = "Uso de colectivos durante la pandemia",
       subtitle = "Ciudad Autónoma de Buenos Aires",
       x = "",
       y = "Usuarixs",
       caption = "fuente: data.buenosaires.gob.ar") +
  scale_color_viridis(discrete=TRUE) +
  transition_reveal(FECHA) +
  theme_minimal() +
  theme(legend.position = "bottom")

anim_save("sube_colectivos_lin.gif")

Gráfico de líneas animado: uso de subtes por día y coloreado por mes durante la pandemia

ggplot(sube_subte, aes(x = N_DIA, y = CANTIDAD, color = N_MES)) +
  geom_line() +
  geom_point() +
  labs(title = "Uso de subtes durante la pandemia",
       subtitle = "Ciudad Autónoma de Buenos Aires",
       x = "",
       y = "Usuarixs",
       caption = "fuente: data.buenosaires.gob.ar") +
  scale_color_viridis(discrete=TRUE) +
  transition_reveal(FECHA) +
  theme_minimal() +
  theme(legend.position = "bottom")

anim_save("sube_subte_lin.gif")

Gráfico de líneas animado: uso de trenes por día y coloreado por mes durante la pandemia

ggplot(sube_tren, aes(x = N_DIA, y = CANTIDAD, color = N_MES)) +
  geom_line() +
  geom_point() +
  labs(title = "Uso de trenes durante la pandemia",
       subtitle = "Ciudad Autónoma de Buenos Aires",
       x = "",
       y = "Usuarixs",
       caption = "fuente: data.buenosaires.gob.ar") +
  scale_color_viridis(discrete=TRUE) +
  transition_reveal(FECHA) +
  theme_minimal() +
  theme(legend.position = "bottom")

anim_save("sube_tren_lin.gif")

Gracias por llegar hasta acá. Espero te haya servido. Cualquier cosa, me podés escribir por twitter a @usernamemateo o por mail a