Visualizacón con spplot
require(raster)
## Loading required package: raster
## Loading required package: sp
require(rgdal)
## Loading required package: rgdal
## rgdal: version: 1.5-16, (SVN revision 1050)
## Geospatial Data Abstraction Library extensions to R successfully loaded
## Loaded GDAL runtime: GDAL 3.0.4, released 2020/01/28
## Path to GDAL shared files: D:/USUARIO/Documents/R/win-library/3.6/rgdal/gdal
## GDAL binary built with GEOS: TRUE
## Loaded PROJ runtime: Rel. 6.3.1, February 10th, 2020, [PJ_VERSION: 631]
## Path to PROJ shared files: D:/USUARIO/Documents/R/win-library/3.6/rgdal/proj
## Linking to sp version:1.4-2
## To mute warnings of possible GDAL/OSR exportToProj4() degradation,
## use options("rgdal_show_exportToProj4_warnings"="none") before loading rgdal.
require(sp)
require(readxl)
## Loading required package: readxl
## Importar el archivo shp
comunas=shapefile("D:/ESPECIALIZACION/SEMESTRE 1/1. Tratamiento de datos/Clase 4 datos espaciales/Comuna.shp")
comuna_pop =read_excel("D:/ESPECIALIZACION/SEMESTRE 1/1. Tratamiento de datos/Clase 4 datos espaciales/comuna_pop.xlsx",
col_types = c("text", "numeric", "numeric", "numeric", "numeric", "numeric"))
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E2 / R2C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E3 / R3C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E4 / R4C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E5 / R5C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E6 / R6C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E7 / R7C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E8 / R8C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E9 / R9C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E10 / R10C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E11 / R11C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E12 / R12C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E13 / R13C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E14 / R14C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E15 / R15C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E16 / R16C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E17 / R17C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E18 / R18C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E19 / R19C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E20 / R20C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E21 / R21C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E22 / R22C5: got a date
## Warning in read_fun(path = enc2native(normalizePath(path)), sheet_i = sheet, :
## Expecting numeric in E23 / R23C5: got a date
## ver la tabla de atributos del shape comunas
comunas@data
## comuna nombre zona_recol area perimetro
## 0 6 Comuna 6 <NA> 5385422 12496.285
## 1 4 Comuna 4 <NA> 4524983 11430.279
## 2 5 Comuna 5 <NA> 4197624 8441.174
## 3 7 Comuna 7 <NA> 5107267 12547.823
## 4 8 Comuna 8 <NA> 5266743 12178.376
## 5 9 Comuna 9 <NA> 2899409 7983.949
## 6 21 Comuna 21 <NA> 4828927 16149.224
## 7 13 Comuna 13 <NA> 4737262 10030.224
## 8 1 Comuna 1 <NA> 3842243 15518.149
## 9 3 Comuna 3 <NA> 3704463 11003.318
## 10 19 Comuna 19 <NA> 11318091 26480.361
## 11 12 Comuna 12 <NA> 2329398 8254.095
## 12 10 Comuna 10 <NA> 4297730 9404.276
## 13 20 Comuna 20 <NA> 2439498 8448.577
## 14 16 Comuna 16 <NA> 4275834 11700.410
## 15 15 Comuna 15 <NA> 4060433 10425.092
## 16 17 Comuna 17 <NA> 12555929 16841.538
## 17 18 Comuna 18 <NA> 5428611 11681.301
## 18 14 Comuna 14 <NA> 4543322 8937.073
## 19 11 Comuna 11 <NA> 3699601 9315.019
## 20 2 Comuna 2 <NA> 11401109 26477.419
## 21 22 Comuna 22 <NA> 10589125 15552.137
## ordenar, encontrar o emparejar (match) entre el orden de nueros del 1 al 22 segun estan en la tabla comuna_pop
match(1:22,comunas@data$comuna)
## [1] 9 21 10 2 3 1 4 5 6 13 20 12 8 19 16 15 17 18 11 14 7 22
orden = match(1:22,comunas@data$comuna)
## otra forma de ordenar: creando un nuevo shape "comunas_ordenadas"
#-- aqui ordeno LOS POLIGONOS de shape entonces queda por defecto organizada la tabla del shape pq los poligonos estan asociado a esa tabla
comunas_ordenadas=comunas[orden,]
comunas_ordenadas@data
## comuna nombre zona_recol area perimetro
## 8 1 Comuna 1 <NA> 3842243 15518.149
## 20 2 Comuna 2 <NA> 11401109 26477.419
## 9 3 Comuna 3 <NA> 3704463 11003.318
## 1 4 Comuna 4 <NA> 4524983 11430.279
## 2 5 Comuna 5 <NA> 4197624 8441.174
## 0 6 Comuna 6 <NA> 5385422 12496.285
## 3 7 Comuna 7 <NA> 5107267 12547.823
## 4 8 Comuna 8 <NA> 5266743 12178.376
## 5 9 Comuna 9 <NA> 2899409 7983.949
## 12 10 Comuna 10 <NA> 4297730 9404.276
## 19 11 Comuna 11 <NA> 3699601 9315.019
## 11 12 Comuna 12 <NA> 2329398 8254.095
## 7 13 Comuna 13 <NA> 4737262 10030.224
## 18 14 Comuna 14 <NA> 4543322 8937.073
## 15 15 Comuna 15 <NA> 4060433 10425.092
## 14 16 Comuna 16 <NA> 4275834 11700.410
## 16 17 Comuna 17 <NA> 12555929 16841.538
## 17 18 Comuna 18 <NA> 5428611 11681.301
## 10 19 Comuna 19 <NA> 11318091 26480.361
## 13 20 Comuna 20 <NA> 2439498 8448.577
## 6 21 Comuna 21 <NA> 4828927 16149.224
## 21 22 Comuna 22 <NA> 10589125 15552.137
## join: adicionar una nueva colunma al shape "comunas_ordenadas"
comuna_pop$est_mod2019
## [1] 1 5 3 2 3 2 3 3 3 3 3 3 2 1 1 2 5 3 4 1 1 6
comunas_ordenadas@data$estrato=comuna_pop$est_mod2019
comunas_ordenadas@data
## comuna nombre zona_recol area perimetro estrato
## 8 1 Comuna 1 <NA> 3842243 15518.149 1
## 20 2 Comuna 2 <NA> 11401109 26477.419 5
## 9 3 Comuna 3 <NA> 3704463 11003.318 3
## 1 4 Comuna 4 <NA> 4524983 11430.279 2
## 2 5 Comuna 5 <NA> 4197624 8441.174 3
## 0 6 Comuna 6 <NA> 5385422 12496.285 2
## 3 7 Comuna 7 <NA> 5107267 12547.823 3
## 4 8 Comuna 8 <NA> 5266743 12178.376 3
## 5 9 Comuna 9 <NA> 2899409 7983.949 3
## 12 10 Comuna 10 <NA> 4297730 9404.276 3
## 19 11 Comuna 11 <NA> 3699601 9315.019 3
## 11 12 Comuna 12 <NA> 2329398 8254.095 3
## 7 13 Comuna 13 <NA> 4737262 10030.224 2
## 18 14 Comuna 14 <NA> 4543322 8937.073 1
## 15 15 Comuna 15 <NA> 4060433 10425.092 1
## 14 16 Comuna 16 <NA> 4275834 11700.410 2
## 16 17 Comuna 17 <NA> 12555929 16841.538 5
## 17 18 Comuna 18 <NA> 5428611 11681.301 3
## 10 19 Comuna 19 <NA> 11318091 26480.361 4
## 13 20 Comuna 20 <NA> 2439498 8448.577 1
## 6 21 Comuna 21 <NA> 4828927 16149.224 1
## 21 22 Comuna 22 <NA> 10589125 15552.137 6
comuna_pop$vio_fam_2018
## [1] 247 138 99 136 102 278 200 216 98 152 157 123 296 262 332 199 122 273 83
## [20] 243 322 9
comunas_ordenadas@data$violencia_fam=comuna_pop$vio_fam_2018
comunas_ordenadas@data
## comuna nombre zona_recol area perimetro estrato violencia_fam
## 8 1 Comuna 1 <NA> 3842243 15518.149 1 247
## 20 2 Comuna 2 <NA> 11401109 26477.419 5 138
## 9 3 Comuna 3 <NA> 3704463 11003.318 3 99
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 136
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 102
## 0 6 Comuna 6 <NA> 5385422 12496.285 2 278
## 3 7 Comuna 7 <NA> 5107267 12547.823 3 200
## 4 8 Comuna 8 <NA> 5266743 12178.376 3 216
## 5 9 Comuna 9 <NA> 2899409 7983.949 3 98
## 12 10 Comuna 10 <NA> 4297730 9404.276 3 152
## 19 11 Comuna 11 <NA> 3699601 9315.019 3 157
## 11 12 Comuna 12 <NA> 2329398 8254.095 3 123
## 7 13 Comuna 13 <NA> 4737262 10030.224 2 296
## 18 14 Comuna 14 <NA> 4543322 8937.073 1 262
## 15 15 Comuna 15 <NA> 4060433 10425.092 1 332
## 14 16 Comuna 16 <NA> 4275834 11700.410 2 199
## 16 17 Comuna 17 <NA> 12555929 16841.538 5 122
## 17 18 Comuna 18 <NA> 5428611 11681.301 3 273
## 10 19 Comuna 19 <NA> 11318091 26480.361 4 83
## 13 20 Comuna 20 <NA> 2439498 8448.577 1 243
## 6 21 Comuna 21 <NA> 4828927 16149.224 1 322
## 21 22 Comuna 22 <NA> 10589125 15552.137 6 9
## Grafico de estrato moda por comuna año 2019
library(RColorBrewer)
spplot(comunas_ordenadas[,6],main = "ESTRATO MODA POR COMUNA", cuts = 5,col.regions=heat.colors(20,.90,.4))
comunas_ordenadas@data
## comuna nombre zona_recol area perimetro estrato violencia_fam
## 8 1 Comuna 1 <NA> 3842243 15518.149 1 247
## 20 2 Comuna 2 <NA> 11401109 26477.419 5 138
## 9 3 Comuna 3 <NA> 3704463 11003.318 3 99
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 136
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 102
## 0 6 Comuna 6 <NA> 5385422 12496.285 2 278
## 3 7 Comuna 7 <NA> 5107267 12547.823 3 200
## 4 8 Comuna 8 <NA> 5266743 12178.376 3 216
## 5 9 Comuna 9 <NA> 2899409 7983.949 3 98
## 12 10 Comuna 10 <NA> 4297730 9404.276 3 152
## 19 11 Comuna 11 <NA> 3699601 9315.019 3 157
## 11 12 Comuna 12 <NA> 2329398 8254.095 3 123
## 7 13 Comuna 13 <NA> 4737262 10030.224 2 296
## 18 14 Comuna 14 <NA> 4543322 8937.073 1 262
## 15 15 Comuna 15 <NA> 4060433 10425.092 1 332
## 14 16 Comuna 16 <NA> 4275834 11700.410 2 199
## 16 17 Comuna 17 <NA> 12555929 16841.538 5 122
## 17 18 Comuna 18 <NA> 5428611 11681.301 3 273
## 10 19 Comuna 19 <NA> 11318091 26480.361 4 83
## 13 20 Comuna 20 <NA> 2439498 8448.577 1 243
## 6 21 Comuna 21 <NA> 4828927 16149.224 1 322
## 21 22 Comuna 22 <NA> 10589125 15552.137 6 9
spplot(comunas_ordenadas[,6],main = "ESTRATO MODA POR COMUNA", cuts = 5,col.regions=colorRampPalette(brewer.pal(6, "Set3"))(18), col = "white")
comunas_ordenadas@data
## comuna nombre zona_recol area perimetro estrato violencia_fam
## 8 1 Comuna 1 <NA> 3842243 15518.149 1 247
## 20 2 Comuna 2 <NA> 11401109 26477.419 5 138
## 9 3 Comuna 3 <NA> 3704463 11003.318 3 99
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 136
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 102
## 0 6 Comuna 6 <NA> 5385422 12496.285 2 278
## 3 7 Comuna 7 <NA> 5107267 12547.823 3 200
## 4 8 Comuna 8 <NA> 5266743 12178.376 3 216
## 5 9 Comuna 9 <NA> 2899409 7983.949 3 98
## 12 10 Comuna 10 <NA> 4297730 9404.276 3 152
## 19 11 Comuna 11 <NA> 3699601 9315.019 3 157
## 11 12 Comuna 12 <NA> 2329398 8254.095 3 123
## 7 13 Comuna 13 <NA> 4737262 10030.224 2 296
## 18 14 Comuna 14 <NA> 4543322 8937.073 1 262
## 15 15 Comuna 15 <NA> 4060433 10425.092 1 332
## 14 16 Comuna 16 <NA> 4275834 11700.410 2 199
## 16 17 Comuna 17 <NA> 12555929 16841.538 5 122
## 17 18 Comuna 18 <NA> 5428611 11681.301 3 273
## 10 19 Comuna 19 <NA> 11318091 26480.361 4 83
## 13 20 Comuna 20 <NA> 2439498 8448.577 1 243
## 6 21 Comuna 21 <NA> 4828927 16149.224 1 322
## 21 22 Comuna 22 <NA> 10589125 15552.137 6 9
## Grafico de violencia familiar año 2018
#.... my palette n está el número de cortes que desea usar y name el nombre de la rampa de color.
my.palette =brewer.pal(n = 8, name = "OrRd")
spplot(comunas_ordenadas[,7],main = " VIOLENCIA FAMILAR POR COMUNA DE HECHO",
col.regions= my.palette, cuts = 7, col = "red")
comunas_ordenadas@data
## comuna nombre zona_recol area perimetro estrato violencia_fam
## 8 1 Comuna 1 <NA> 3842243 15518.149 1 247
## 20 2 Comuna 2 <NA> 11401109 26477.419 5 138
## 9 3 Comuna 3 <NA> 3704463 11003.318 3 99
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 136
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 102
## 0 6 Comuna 6 <NA> 5385422 12496.285 2 278
## 3 7 Comuna 7 <NA> 5107267 12547.823 3 200
## 4 8 Comuna 8 <NA> 5266743 12178.376 3 216
## 5 9 Comuna 9 <NA> 2899409 7983.949 3 98
## 12 10 Comuna 10 <NA> 4297730 9404.276 3 152
## 19 11 Comuna 11 <NA> 3699601 9315.019 3 157
## 11 12 Comuna 12 <NA> 2329398 8254.095 3 123
## 7 13 Comuna 13 <NA> 4737262 10030.224 2 296
## 18 14 Comuna 14 <NA> 4543322 8937.073 1 262
## 15 15 Comuna 15 <NA> 4060433 10425.092 1 332
## 14 16 Comuna 16 <NA> 4275834 11700.410 2 199
## 16 17 Comuna 17 <NA> 12555929 16841.538 5 122
## 17 18 Comuna 18 <NA> 5428611 11681.301 3 273
## 10 19 Comuna 19 <NA> 11318091 26480.361 4 83
## 13 20 Comuna 20 <NA> 2439498 8448.577 1 243
## 6 21 Comuna 21 <NA> 4828927 16149.224 1 322
## 21 22 Comuna 22 <NA> 10589125 15552.137 6 9