require(raster)
require(rgdal)
require(sp)
comunas=shapefile("C:/Users/linam/OneDrive/Escritorio/Doctorado/Semestre V/Análisis Espacial de Datos/Comuna.shp")
comunas
## class : SpatialPolygonsDataFrame
## features : 22
## extent : -76.59284, -76.46125, 3.331802, 3.505871 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## variables : 5
## names : comuna, nombre, zona_recol, area, perimetro
## min values : 1, Comuna 1, NA, 2329397.941, 7983.949
## max values : 22, Comuna 9, NA, 12555929.024, 26480.361
library(readxl)
comuna_pop <- read_excel("C:/Users/linam/OneDrive/Escritorio/Doctorado/Semestre V/Análisis Espacial de Datos/comuna_pop.xlsx")
library(readxl)
Discapacidad <- read_excel("C:/Users/linam/OneDrive/Escritorio/Doctorado/Semestre V/Análisis Espacial de Datos/Discapacidad.xlsx")
#insertar variables join
comunas@data$pop=NA
comunas@data$pop=1:22
comunas@data
## comuna nombre zona_recol area perimetro pop
## 0 6 Comuna 6 <NA> 5385422 12496.285 1
## 1 4 Comuna 4 <NA> 4524983 11430.279 2
## 2 5 Comuna 5 <NA> 4197624 8441.174 3
## 3 7 Comuna 7 <NA> 5107267 12547.823 4
## 4 8 Comuna 8 <NA> 5266743 12178.376 5
## 5 9 Comuna 9 <NA> 2899409 7983.949 6
## 6 21 Comuna 21 <NA> 4828927 16149.224 7
## 7 13 Comuna 13 <NA> 4737262 10030.224 8
## 8 1 Comuna 1 <NA> 3842243 15518.149 9
## 9 3 Comuna 3 <NA> 3704463 11003.318 10
## 10 19 Comuna 19 <NA> 11318091 26480.361 11
## 11 12 Comuna 12 <NA> 2329398 8254.095 12
## 12 10 Comuna 10 <NA> 4297730 9404.276 13
## 13 20 Comuna 20 <NA> 2439498 8448.577 14
## 14 16 Comuna 16 <NA> 4275834 11700.410 15
## 15 15 Comuna 15 <NA> 4060433 10425.092 16
## 16 17 Comuna 17 <NA> 12555929 16841.538 17
## 17 18 Comuna 18 <NA> 5428611 11681.301 18
## 18 14 Comuna 14 <NA> 4543322 8937.073 19
## 19 11 Comuna 11 <NA> 3699601 9315.019 20
## 20 2 Comuna 2 <NA> 11401109 26477.419 21
## 21 22 Comuna 22 <NA> 10589125 15552.137 22
match(1:22,comunas@data$comuna)
## [1] 9 21 10 2 3 1 4 5 6 13 20 12 8 19 16 15 17 18 11 14 7 22
#importar datos de comunas
comuna_pop$"2019"
## [1] 103620 122637 46887 52132 115759 196573 69285 103266 43646 112645
## [11] 109754 66221 179360 179535 171556 111198 152793 146773 116761 70728
## [21] 119763 12343
orden=match(1:22,comunas@data$comuna)
comunas_orden=comunas[orden,]
comunas_orden@data
## comuna nombre zona_recol area perimetro pop
## 8 1 Comuna 1 <NA> 3842243 15518.149 9
## 20 2 Comuna 2 <NA> 11401109 26477.419 21
## 9 3 Comuna 3 <NA> 3704463 11003.318 10
## 1 4 Comuna 4 <NA> 4524983 11430.279 2
## 2 5 Comuna 5 <NA> 4197624 8441.174 3
## 0 6 Comuna 6 <NA> 5385422 12496.285 1
## 3 7 Comuna 7 <NA> 5107267 12547.823 4
## 4 8 Comuna 8 <NA> 5266743 12178.376 5
## 5 9 Comuna 9 <NA> 2899409 7983.949 6
## 12 10 Comuna 10 <NA> 4297730 9404.276 13
## 19 11 Comuna 11 <NA> 3699601 9315.019 20
## 11 12 Comuna 12 <NA> 2329398 8254.095 12
## 7 13 Comuna 13 <NA> 4737262 10030.224 8
## 18 14 Comuna 14 <NA> 4543322 8937.073 19
## 15 15 Comuna 15 <NA> 4060433 10425.092 16
## 14 16 Comuna 16 <NA> 4275834 11700.410 15
## 16 17 Comuna 17 <NA> 12555929 16841.538 17
## 17 18 Comuna 18 <NA> 5428611 11681.301 18
## 10 19 Comuna 19 <NA> 11318091 26480.361 11
## 13 20 Comuna 20 <NA> 2439498 8448.577 14
## 6 21 Comuna 21 <NA> 4828927 16149.224 7
## 21 22 Comuna 22 <NA> 10589125 15552.137 22
comunas_orden@data$pop_2019=comuna_pop$"2019"
comunas_orden@data
## comuna nombre zona_recol area perimetro pop pop_2019
## 8 1 Comuna 1 <NA> 3842243 15518.149 9 103620
## 20 2 Comuna 2 <NA> 11401109 26477.419 21 122637
## 9 3 Comuna 3 <NA> 3704463 11003.318 10 46887
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 52132
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 115759
## 0 6 Comuna 6 <NA> 5385422 12496.285 1 196573
## 3 7 Comuna 7 <NA> 5107267 12547.823 4 69285
## 4 8 Comuna 8 <NA> 5266743 12178.376 5 103266
## 5 9 Comuna 9 <NA> 2899409 7983.949 6 43646
## 12 10 Comuna 10 <NA> 4297730 9404.276 13 112645
## 19 11 Comuna 11 <NA> 3699601 9315.019 20 109754
## 11 12 Comuna 12 <NA> 2329398 8254.095 12 66221
## 7 13 Comuna 13 <NA> 4737262 10030.224 8 179360
## 18 14 Comuna 14 <NA> 4543322 8937.073 19 179535
## 15 15 Comuna 15 <NA> 4060433 10425.092 16 171556
## 14 16 Comuna 16 <NA> 4275834 11700.410 15 111198
## 16 17 Comuna 17 <NA> 12555929 16841.538 17 152793
## 17 18 Comuna 18 <NA> 5428611 11681.301 18 146773
## 10 19 Comuna 19 <NA> 11318091 26480.361 11 116761
## 13 20 Comuna 20 <NA> 2439498 8448.577 14 70728
## 6 21 Comuna 21 <NA> 4828927 16149.224 7 119763
## 21 22 Comuna 22 <NA> 10589125 15552.137 22 12343
spplot(comunas_orden[,7], col.regions=heat.colors(20,.95,.4))
#creación de variables casos de discapacidad
Discapacidad$"2019"
## [1] 147 117 101 168 138 461 330 72 49 116 82 54 139 213 181 424 112 347 277
## [20] 201 108 34
orden1=match(1:22, comunas_orden@data$com)
comunas_orden1=comunas_orden[orden1,]
comunas_orden1@data
## comuna nombre zona_recol area perimetro pop pop_2019
## 8 1 Comuna 1 <NA> 3842243 15518.149 9 103620
## 20 2 Comuna 2 <NA> 11401109 26477.419 21 122637
## 9 3 Comuna 3 <NA> 3704463 11003.318 10 46887
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 52132
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 115759
## 0 6 Comuna 6 <NA> 5385422 12496.285 1 196573
## 3 7 Comuna 7 <NA> 5107267 12547.823 4 69285
## 4 8 Comuna 8 <NA> 5266743 12178.376 5 103266
## 5 9 Comuna 9 <NA> 2899409 7983.949 6 43646
## 12 10 Comuna 10 <NA> 4297730 9404.276 13 112645
## 19 11 Comuna 11 <NA> 3699601 9315.019 20 109754
## 11 12 Comuna 12 <NA> 2329398 8254.095 12 66221
## 7 13 Comuna 13 <NA> 4737262 10030.224 8 179360
## 18 14 Comuna 14 <NA> 4543322 8937.073 19 179535
## 15 15 Comuna 15 <NA> 4060433 10425.092 16 171556
## 14 16 Comuna 16 <NA> 4275834 11700.410 15 111198
## 16 17 Comuna 17 <NA> 12555929 16841.538 17 152793
## 17 18 Comuna 18 <NA> 5428611 11681.301 18 146773
## 10 19 Comuna 19 <NA> 11318091 26480.361 11 116761
## 13 20 Comuna 20 <NA> 2439498 8448.577 14 70728
## 6 21 Comuna 21 <NA> 4828927 16149.224 7 119763
## 21 22 Comuna 22 <NA> 10589125 15552.137 22 12343
comunas_orden1@data$Disc_2019=Discapacidad$"2019"
comunas_orden1@data$Disc_2019
## [1] 147 117 101 168 138 461 330 72 49 116 82 54 139 213 181 424 112 347 277
## [20] 201 108 34
spplot (comunas_orden1)
comunas_orden1@data
## comuna nombre zona_recol area perimetro pop pop_2019 Disc_2019
## 8 1 Comuna 1 <NA> 3842243 15518.149 9 103620 147
## 20 2 Comuna 2 <NA> 11401109 26477.419 21 122637 117
## 9 3 Comuna 3 <NA> 3704463 11003.318 10 46887 101
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 52132 168
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 115759 138
## 0 6 Comuna 6 <NA> 5385422 12496.285 1 196573 461
## 3 7 Comuna 7 <NA> 5107267 12547.823 4 69285 330
## 4 8 Comuna 8 <NA> 5266743 12178.376 5 103266 72
## 5 9 Comuna 9 <NA> 2899409 7983.949 6 43646 49
## 12 10 Comuna 10 <NA> 4297730 9404.276 13 112645 116
## 19 11 Comuna 11 <NA> 3699601 9315.019 20 109754 82
## 11 12 Comuna 12 <NA> 2329398 8254.095 12 66221 54
## 7 13 Comuna 13 <NA> 4737262 10030.224 8 179360 139
## 18 14 Comuna 14 <NA> 4543322 8937.073 19 179535 213
## 15 15 Comuna 15 <NA> 4060433 10425.092 16 171556 181
## 14 16 Comuna 16 <NA> 4275834 11700.410 15 111198 424
## 16 17 Comuna 17 <NA> 12555929 16841.538 17 152793 112
## 17 18 Comuna 18 <NA> 5428611 11681.301 18 146773 347
## 10 19 Comuna 19 <NA> 11318091 26480.361 11 116761 277
## 13 20 Comuna 20 <NA> 2439498 8448.577 14 70728 201
## 6 21 Comuna 21 <NA> 4828927 16149.224 7 119763 108
## 21 22 Comuna 22 <NA> 10589125 15552.137 22 12343 34
comunas_orden1[,8]
## class : SpatialPolygonsDataFrame
## features : 22
## extent : -76.59284, -76.46125, 3.331802, 3.505871 (xmin, xmax, ymin, ymax)
## crs : +proj=longlat +datum=WGS84 +no_defs
## variables : 1
## names : Disc_2019
## min values : 34
## max values : 461
spplot(comunas_orden1[,8])
spplot(comunas_orden1[,8],col.regions=heat.colors(20,.95,.4), main="Casos de Discapacidad Cali-Comunas 2019")
#creación de variables##
comunas_orden1$Disc_2019/comunas_orden1$pop_2019*10000
## [1] 14.186450 9.540351 21.541152 32.225888 11.921319 23.451847 47.629357
## [8] 6.972285 11.226687 10.297838 7.471254 8.154513 7.749777 11.863982
## [15] 10.550491 38.130182 7.330179 23.641950 23.723675 28.418731 9.017810
## [22] 27.545977
comunas_orden1$tasadiscap=comunas_orden1$Disc_2019/comunas_orden1$pop_2019*10000
comunas_orden1@data
## comuna nombre zona_recol area perimetro pop pop_2019 Disc_2019
## 8 1 Comuna 1 <NA> 3842243 15518.149 9 103620 147
## 20 2 Comuna 2 <NA> 11401109 26477.419 21 122637 117
## 9 3 Comuna 3 <NA> 3704463 11003.318 10 46887 101
## 1 4 Comuna 4 <NA> 4524983 11430.279 2 52132 168
## 2 5 Comuna 5 <NA> 4197624 8441.174 3 115759 138
## 0 6 Comuna 6 <NA> 5385422 12496.285 1 196573 461
## 3 7 Comuna 7 <NA> 5107267 12547.823 4 69285 330
## 4 8 Comuna 8 <NA> 5266743 12178.376 5 103266 72
## 5 9 Comuna 9 <NA> 2899409 7983.949 6 43646 49
## 12 10 Comuna 10 <NA> 4297730 9404.276 13 112645 116
## 19 11 Comuna 11 <NA> 3699601 9315.019 20 109754 82
## 11 12 Comuna 12 <NA> 2329398 8254.095 12 66221 54
## 7 13 Comuna 13 <NA> 4737262 10030.224 8 179360 139
## 18 14 Comuna 14 <NA> 4543322 8937.073 19 179535 213
## 15 15 Comuna 15 <NA> 4060433 10425.092 16 171556 181
## 14 16 Comuna 16 <NA> 4275834 11700.410 15 111198 424
## 16 17 Comuna 17 <NA> 12555929 16841.538 17 152793 112
## 17 18 Comuna 18 <NA> 5428611 11681.301 18 146773 347
## 10 19 Comuna 19 <NA> 11318091 26480.361 11 116761 277
## 13 20 Comuna 20 <NA> 2439498 8448.577 14 70728 201
## 6 21 Comuna 21 <NA> 4828927 16149.224 7 119763 108
## 21 22 Comuna 22 <NA> 10589125 15552.137 22 12343 34
## tasadiscap
## 8 14.186450
## 20 9.540351
## 9 21.541152
## 1 32.225888
## 2 11.921319
## 0 23.451847
## 3 47.629357
## 4 6.972285
## 5 11.226687
## 12 10.297838
## 19 7.471254
## 11 8.154513
## 7 7.749777
## 18 11.863982
## 15 10.550491
## 14 38.130182
## 16 7.330179
## 17 23.641950
## 10 23.723675
## 13 28.418731
## 6 9.017810
## 21 27.545977
spplot(comunas_orden1[,9])
spplot(comunas_orden1[,9],col.regions=heat.colors(20,.95,.4), main="Tasa de Discapacidad Cali-Comunas 2019")
