CONTROL 2
Florencia Bustos, Ernesto Muñoz Pino, María Isabel Riveros, Camila Sandoval
10/30/2020
P1
Cargue los siguientes paquetes: data.table,rgdal,ggplot2,treemap,leaflet,sp,tidyverse y RColorBrewer. (1 punto)
library(data.table)
library(rgdal)
library(ggplot2)
library(treemap)
library(leaflet)
library(sp)
library(tidyverse)
library(RColorBrewer)P2
Cargue la base de datos de las motos (.shp), obtenga la base de datos y transformarla en un data.table
Motomap<-readOGR(dsn = "Motos/MotosGS2016_2.shp")## OGR data source with driver: ESRI Shapefile
## Source: "/Users/sweetlord/Desktop/Data Science/Tareas/control 2/Motos/MotosGS2016_2.shp", layer: "MotosGS2016_2"
## with 2685 features
## It has 29 fieldsdataMoto<-data.table(Motomap@data)P3
La variable ESTADO_CAL describe el estado de la calzada por la cual circulaba el/la motociclista. De esta forma, las categorías que debe considerar esta variable son 3: BUENO, REGULAR y MALO. Por lo tanto, lo que debe hacer, es considerar todas aquellas observaciones que tengan alguna de esas 3 categorías en la variable ESTADO_CAL.
dataMotoFiltrada<-dataMoto[ESTADO_CAL%in%c("BUENO","REGULAR","MALO")]P4
¿Cuántos accidentes hay por comuna?
dataMotoFiltrada[,.(Accidentesxcomuna=sum(Accidentes)),by=COMUNA1]## COMUNA1 Accidentesxcomuna
## 1: LAMPA 18
## 2: SANTIAGO 341
## 3: NUNOA 145
## 4: EL BOSQUE 100
## 5: PUENTE ALTO 199
## 6: HUECHURABA 39
## 7: PUDAHUEL 72
## 8: VITACURA 66
## 9: LA PINTANA 28
## 10: PROVIDENCIA 214
## 11: LAS CONDES 229
## 12: QUINTA NORMAL 93
## 13: PENALOLEN 104
## 14: COLINA 33
## 15: RECOLETA 51
## 16: QUILICURA 67
## 17: PIRQUE 3
## 18: RENCA 37
## 19: MACUL 82
## 20: LA FLORIDA 100
## 21: P. AGUIRRE CERDA 33
## 22: INDEPENDENCIA 50
## 23: LA GRANJA 56
## 24: MAIPU 162
## 25: LO BARNECHEA 31
## 26: CONCHALI 53
## 27: CERRILLOS 54
## 28: SAN MIGUEL 59
## 29: ESTACION CENTRAL 65
## 30: CERRO NAVIA 38
## 31: LA CISTERNA 62
## 32: LA REINA 54
## 33: SAN JOAQUIN 64
## 34: SAN RAMON 38
## 35: SAN BERNARDO 6
## 36: LO ESPEJO 17
## 37: LO PRADO 24
## COMUNA1 AccidentesxcomunaP5
¿Cuántos accidentes con personas fallecidas hay por comuna?
dataMotoFiltrada$FALLECIDOS=as.numeric(as.character(dataMotoFiltrada$FALLECIDOS))
dataMotoFiltrada[,.(Fallecidosxcomuna=sum(FALLECIDOS)),by=COMUNA1]## COMUNA1 Fallecidosxcomuna
## 1: LAMPA 0
## 2: SANTIAGO 6
## 3: NUNOA 4
## 4: EL BOSQUE 1
## 5: PUENTE ALTO 1
## 6: HUECHURABA 0
## 7: PUDAHUEL 3
## 8: VITACURA 0
## 9: LA PINTANA 0
## 10: PROVIDENCIA 2
## 11: LAS CONDES 3
## 12: QUINTA NORMAL 2
## 13: PENALOLEN 0
## 14: COLINA 1
## 15: RECOLETA 1
## 16: QUILICURA 0
## 17: PIRQUE 0
## 18: RENCA 0
## 19: MACUL 2
## 20: LA FLORIDA 1
## 21: P. AGUIRRE CERDA 0
## 22: INDEPENDENCIA 0
## 23: LA GRANJA 1
## 24: MAIPU 8
## 25: LO BARNECHEA 0
## 26: CONCHALI 0
## 27: CERRILLOS 1
## 28: SAN MIGUEL 0
## 29: ESTACION CENTRAL 2
## 30: CERRO NAVIA 0
## 31: LA CISTERNA 0
## 32: LA REINA 0
## 33: SAN JOAQUIN 2
## 34: SAN RAMON 1
## 35: SAN BERNARDO 0
## 36: LO ESPEJO 0
## 37: LO PRADO 1
## COMUNA1 FallecidosxcomunaP6
¿Cuántos accidentes con personas graves hay por comuna?
dataMotoFiltrada$GRAVES=as.numeric(as.character(dataMotoFiltrada$GRAVES))
dataMotoFiltrada[,.(Gravesxcomuna=sum(GRAVES)),by=COMUNA1]## COMUNA1 Gravesxcomuna
## 1: LAMPA 4
## 2: SANTIAGO 84
## 3: NUNOA 49
## 4: EL BOSQUE 15
## 5: PUENTE ALTO 30
## 6: HUECHURABA 7
## 7: PUDAHUEL 24
## 8: VITACURA 23
## 9: LA PINTANA 1
## 10: PROVIDENCIA 55
## 11: LAS CONDES 57
## 12: QUINTA NORMAL 25
## 13: PENALOLEN 21
## 14: COLINA 6
## 15: RECOLETA 5
## 16: QUILICURA 8
## 17: PIRQUE 1
## 18: RENCA 12
## 19: MACUL 22
## 20: LA FLORIDA 13
## 21: P. AGUIRRE CERDA 2
## 22: INDEPENDENCIA 10
## 23: LA GRANJA 11
## 24: MAIPU 35
## 25: LO BARNECHEA 2
## 26: CONCHALI 13
## 27: CERRILLOS 18
## 28: SAN MIGUEL 14
## 29: ESTACION CENTRAL 17
## 30: CERRO NAVIA 10
## 31: LA CISTERNA 11
## 32: LA REINA 18
## 33: SAN JOAQUIN 19
## 34: SAN RAMON 11
## 35: SAN BERNARDO 1
## 36: LO ESPEJO 2
## 37: LO PRADO 4
## COMUNA1 GravesxcomunaP7
####¿Cómo podría mostrar el resultado de la pregunta 6 en un gráfico?. Muestre un gráfico legible.
ggplot(data =dataMotoFiltrada ,aes(x=COMUNA1, y=GRAVES))+geom_bar(stat ='identity')+ theme(axis.text.x =element_text(angle=85, vjust=0.5))+labs(x="Comuna",y="Cantidad", title = "Accidentes con personas graves por comuna")
P8
¿Cuál es la principal causa (CAUSA__CON) de accidentes?
dataMotoFiltrada[,.(AccidentesxCausa=sum(Accidentes)),by=CAUSA__CON]## CAUSA__CON AccidentesxCausa
## 1: OTRAS CAUSAS 368
## 2: IMPRUDENCIA DEL CONDUCTOR 1280
## 3: CAUSAS NO DETERMINADAS 555
## 4: IMPRUDENCIA DEL PEATON 67
## 5: PERDIDA CONTROL VEHICULO 163
## 6: DEFICIENCIAS VIALES 16
## 7: DESOBEDIENCIA A SENALIZACION 339
## 8: DROGAS Y/O FATIGA EN CONDUCTOR 4
## 9: FALLAS MECANICAS 11
## 10: VELOCIDAD IMPRUDENTE 11
## 11: ALCOHOL EN CONDUCTOR 68
## 12: ALCOHOL EN PEATON 4
## 13: IMPRUDENCIA DEL PASAJERO 1P9
¿Cómo podríamos mostrar,gráficamente, las diferentes causas para las dos comunas con más accidentes? Muestre un gráfico legible.
newdata<-dataMotoFiltrada[COMUNA1%in% c("LAS CONDES","SANTIAGO")]
ggplot(data =newdata ,aes(x=CAUSA__CON, y= Accidentes, ))+geom_bar(stat ='identity')+ theme(axis.text.x =element_text(angle=85, vjust=0.5))+labs(x="Causas del accidente",y="Cantidad", title = "Diferentes causas de accidentes en las comunas de Las condes y Santiago")
P10
Muestre gráficamente la cantidad de accidentes que hay para las distintas causas de accidentes
ggplot(data =dataMotoFiltrada ,aes(x=Accidentes, y=CAUSA__CON))+geom_bar(stat ='identity')+ theme(axis.text.x =element_text(angle=85, vjust=0.5))+labs(x="Cantidad de accidentes",y="Causas de accidentes", title = "Cantidad de accidentes por causa")
P11
Muestre en un mapa el número de accidentes en motos que hay para cada comuna. Este mapa debe tener colores más intensos para aquellas comunas con más accidentes en moto. Para esto:
a) Cargue el mapa de las comunas de Santiago y verifique que la proyección sea la misma que para el objeto de las motos. (3 puntos)
ComunasR13Map<-readOGR(dsn = "ComunasR13/COMUNA_C17.shp")## Warning in OGRSpatialRef(dsn, layer, morphFromESRI =
## morphFromESRI, dumpSRS = dumpSRS, : Discarded datum
## Sistema_de_Referencia_Geocentrico_para_las_AmericaS_2000 in CRS definition:
## +proj=longlat +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +no_defs## OGR data source with driver: ESRI Shapefile
## Source: "/Users/sweetlord/Desktop/Data Science/Tareas/control 2/ComunasR13/COMUNA_C17.shp", layer: "COMUNA_C17"
## with 52 features
## It has 8 fieldsComunasR13Map@proj4string #proyección## CRS arguments:
## +proj=longlat +ellps=GRS80 +towgs84=0,0,0,0,0,0,0 +no_defsComunasR13Map<-spTransform(ComunasR13Map,CRSobj = proj4string(Motomap))## Warning in proj4string(Motomap): CRS object has comment, which is lost in outputComunasR13Map@proj4string## CRS arguments: +proj=longlat +datum=WGS84 +no_defsb) Cree un nuevo objeto que contenga aquellas comunas de Santiago que posean accidentes de motos.
Comuna_moto<-dataMotoFiltrada[,.(Accidentesxcomuna=sum(Accidentes)),by=COMUNA1]c) El nuevo objeto que creó no contiene el número de accidentes por comuna, por lo tanto debe agregar esta información. (5 puntos)
Comuna_moto<-dataMotoFiltrada[,.(Accidentesxcomuna=sum(Accidentes)),by=COMUNA1]d) Cree la paleta de colores
pColor<-colorQuantile(palette = brewer.pal(4,name = "Reds"),domain =range(ComunasR13MapMot@data$comuna_moto,na.rm = T),n = 5)head(ComunasR13Map@data)## REGION NOM_REGION PROVINCIA NOM_PROVIN COMUNA
## 0 13 REGIÓN METROPOLITANA DE SANTIAGO 134 MAIPO 13404
## 1 13 REGIÓN METROPOLITANA DE SANTIAGO 134 MAIPO 13402
## 2 13 REGIÓN METROPOLITANA DE SANTIAGO 131 SANTIAGO 13124
## 3 13 REGIÓN METROPOLITANA DE SANTIAGO 131 SANTIAGO 13103
## 4 13 REGIÓN METROPOLITANA DE SANTIAGO 133 CHACABUCO 13301
## 5 13 REGIÓN METROPOLITANA DE SANTIAGO 133 CHACABUCO 13303
## NOM_COMUNA SHAPE_Leng SHAPE_Area
## 0 PAINE 1.6253302 0.066034887
## 1 BUIN 0.8841641 0.021166233
## 2 PUDAHUEL 0.7201757 0.019124278
## 3 CERRO NAVIA 0.1701803 0.001075965
## 4 COLINA 1.6920071 0.093820189
## 5 TILTIL 1.3301477 0.063169398head(Motomap@data)## IdAcciden Accidentes ANO FECHA HORA COD_COMUNA COMUNA1 COD_REGION
## 1 871856 2 2016 1/4/2016 7:15 13302 LAMPA 13
## 2 875006 1 2016 1/4/2016 20:30 13101 SANTIAGO 13
## 3 869254 1 2016 1/5/2016 11:00 13120 NUNOA 13
## 4 871946 1 2016 1/5/2016 23:55 13105 EL BOSQUE 13
## 5 871347 1 2016 1/6/2016 21:00 13201 PUENTE ALTO 13
## 6 874892 2 2016 1/8/2016 8:50 13107 HUECHURABA 13
## REGION1 TIPO_ACCID TIPO__CONA ZONA
## 1 REGION METROPOLITANA COLISION FRONTAL COLISION RURAL
## 2 REGION METROPOLITANA COLISION LATERAL COLISION URBANA
## 3 REGION METROPOLITANA ATROPELLO ATROPELLO URBANA
## 4 REGION METROPOLITANA COLISION FRONTAL COLISION URBANA
## 5 REGION METROPOLITANA COLISION PERPENDICULAR COLISION URBANA
## 6 REGION METROPOLITANA CHOQUE LATERAL CHOQUE URBANA
## UBICACION_ CAUSA__CON
## 1 TRAMO DE VIA CURVA HORIZONTAL OTRAS CAUSAS
## 2 OTROS NO CONSIDERADOS IMPRUDENCIA DEL CONDUCTOR
## 3 CRUCE CON SEMAFORO FUNCIONANDO IMPRUDENCIA DEL CONDUCTOR
## 4 TRAMO DE VIA RECTA IMPRUDENCIA DEL CONDUCTOR
## 5 OTROS NO CONSIDERADOS IMPRUDENCIA DEL CONDUCTOR
## 6 TRAMO DE VIA RECTA IMPRUDENCIA DEL CONDUCTOR
## CAUSA1 CALLE_UNO
## 1 OTRAS CAUSAS IRENE FREI
## 2 VIRAJES INDEBIDOS PORTUGAL
## 3 NO RESPETAR DERECHO PREFERENTE DE PASO A PEATON VICUNA MACKENNA
## 4 VIRAJES INDEBIDOS JOSE JOAQUIN PRIETO VIAL
## 5 NO RESPETAR DERECHO PREFERENTE DE PASO A VEHICULO GABRIELA PONIENTE
## 6 CONDUCCION NO ATENTO CONDICIONES TRANSITO MOMENTO REPUBLICA DE ESTADOS UNIDOS
## CALLE_DOS NUMERO INTERSECCI DIRECCIO_1
## 1 <NA> 21500 - IRENE FREI 21500 IRENE FREI
## 2 <NA> 551 - PORTUGAL 551 PORTUGAL
## 3 <NA> 1326 - VICUNA MACKENNA 1326 VICUNA MACKENNA
## 4 <NA> 10012 - JOSE JOAQUIN PRIETO VIAL 10012 JOSE JOAQUIN PRIETO VIAL
## 5 <NA> 3881 - GABRIELA PONIENTE 3881 GABRIELA PONIENTE
## 6 <NA> 515 - REP DE ESTADOS UNIDOS 515 REPUBLICA DE ESTADOS UNIDOS
## CALZADA TIPO_CALZA ESTADO_CAL CONDICION_ ESTADO_ATM
## 1 BIDIRECCIONAL ASFALTO BUENO SECO DESPEJADO
## 2 UNIDIRECCIONAL CONCRETO BUENO SECO DESPEJADO
## 3 BIDIRECCIONAL ASFALTO BUENO SECO DESPEJADO
## 4 BIDIRECCIONAL CONCRETO BUENO SECO DESPEJADO
## 5 BIDIRECCIONAL CON BANDEJON ASFALTO BUENO SECO DESPEJADO
## 6 BIDIRECCIONAL ASFALTO BUENO SECO DESPEJADO
## FALLECIDOS GRAVES MENOS_GRAV LEVES
## 1 0 1 1 0
## 2 0 0 0 1
## 3 0 1 0 0
## 4 0 0 1 0
## 5 0 0 0 1
## 6 0 0 2 0table(ComunasR13Map@data$COMUNA%in%Motomap@data$COD_COMUNA)##
## FALSE TRUE
## 15 37ComunasR13MapMot<-ComunasR13Map[ComunasR13Map@data$COMUNA%in%Motomap@data$COD_COMUNA,]