Prueba 3
Lavezzolo
30/6/2020
#Carga de Librerías
library(tidyverse) # Paquete multiuso## -- Attaching packages ----------------------------------------------------------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.2 v purrr 0.3.4
## v tibble 3.0.3 v dplyr 1.0.0
## v tidyr 1.1.0 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) # Paquete clave para manipular datos espaciales## Linking to GEOS 3.8.0, GDAL 3.0.4, PROJ 6.3.1library(leaflet) # Uno de los paquetes para
library(sf)
library(dplyr)#Cargamos shape de calles
calles <- read_sf("D:/Documents/01-Ditella/Instrumentos de Analisis Urbano II/callejero-rar/callejero.shp")st_crs(calles)## Coordinate Reference System:
## User input: Argentina_GKBsAs
## wkt:
## PROJCRS["Argentina_GKBsAs",
## BASEGEOGCRS["Campo Inchauspe",
## DATUM["Campo Inchauspe",
## ELLIPSOID["International 1924",6378388,297,
## LENGTHUNIT["metre",1]],
## ID["EPSG",6221]],
## PRIMEM["Greenwich",0,
## ANGLEUNIT["Degree",0.0174532925199433]]],
## CONVERSION["unnamed",
## METHOD["Transverse Mercator",
## ID["EPSG",9807]],
## PARAMETER["Latitude of natural origin",-34.6297166,
## ANGLEUNIT["Degree",0.0174532925199433],
## ID["EPSG",8801]],
## PARAMETER["Longitude of natural origin",-58.4627,
## ANGLEUNIT["Degree",0.0174532925199433],
## ID["EPSG",8802]],
## PARAMETER["Scale factor at natural origin",0.999998,
## SCALEUNIT["unity",1],
## ID["EPSG",8805]],
## PARAMETER["False easting",100000,
## LENGTHUNIT["metre",1],
## ID["EPSG",8806]],
## PARAMETER["False northing",100000,
## LENGTHUNIT["metre",1],
## ID["EPSG",8807]]],
## CS[Cartesian,2],
## AXIS["(E)",east,
## ORDER[1],
## LENGTHUNIT["metre",1,
## ID["EPSG",9001]]],
## AXIS["(N)",north,
## ORDER[2],
## LENGTHUNIT["metre",1,
## ID["EPSG",9001]]]]#Si hay que descargar archivo, hay que cambiar el txt!! cuando lo guardas(hacerlo como guardar como) poner gjson
#Tomar alojamientos desde el csv de usos del suelo
usosdelsuelo_hoteles <- read_delim("https://cdn.buenosaires.gob.ar/datosabiertos/datasets/relevamiento-usos-del-suelo/relevamiento-usos-del-suelo-2017.csv",delim = ",") %>%
filter(TIPO2_16 =="HOTEL"| TIPO2_16 =="HOTEL FAMILIAR")## Parsed with column specification:
## cols(
## X = col_double(),
## Y = col_double(),
## SMP = col_character(),
## CALLE = col_character(),
## NUM = col_double(),
## TIPO1_16 = col_character(),
## TIPO2_16 = col_character(),
## PISOS_16 = col_double(),
## NOMBRE = col_character(),
## OBSERVACIO = col_character(),
## BARRIO = col_character(),
## COMUNA = col_double(),
## `5_DIG` = col_character(),
## `4_DIG` = col_character(),
## `3_DIG` = col_character(),
## `2_DIG` = col_character(),
## RAMA = col_character(),
## SUBRAMA = col_character(),
## SSRAMA = col_character()
## )usosdelsuelo_hoteles <- st_as_sf(usosdelsuelo_hoteles,coords=c("X","Y"), crs=4326)usosdelsuelo_hoteles<- st_transform(usosdelsuelo_hoteles, crs="+proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs")coberturaalojamientos <- st_buffer(usosdelsuelo_hoteles,dist = 1000)coberturaalojamientos <- coberturaalojamientos %>% summarise(cobertura=TRUE) coberturaalojamientos <- coberturaalojamientos%>%
st_transform(4326)#Cargamos el csv de properati
properati <- read.csv("D:/Documents/01-Ditella/Instrumentos de Analisis Urbano II/segunda etapa/rent_properati_2020_2021.csv",stringsAsFactors = FALSE, encoding="bytes")
sapply(properati, class)## ad_type start_date end_date created_on lat
## "character" "character" "character" "character" "numeric"
## lon l1 l2 l3 l4
## "numeric" "character" "character" "character" "character"
## l5 l6 rooms bedrooms bathrooms
## "character" "logical" "integer" "integer" "integer"
## surface_total surface_covered price currency price_period
## "integer" "integer" "integer" "character" "character"
## property_type operation_type
## "character" "character"#Cargamos filtramos departamentos y obtenemos el precio/m2 de cada uno. Utilizamos moneda Argentina
properati <- properati%>%
filter(operation_type =="Alquiler") %>%
filter(lat !="") %>%
filter(lon !="") %>%
filter(l2== "Capital Federal") %>%
filter(l3 !="") %>%
filter(currency == "ARS") %>%
filter(property_type== "Departamento") %>%
filter(price!="") %>%
mutate(precioxm2=(price/surface_total)) %>%
filter(precioxm2!="")properatipromedio <- properati %>%
group_by(l3) %>%
summarise(precioxm2 = mean(precioxm2)) %>%
rename("BARRIO"="l3")## `summarise()` ungrouping output (override with `.groups` argument) head(properatipromedio)## # A tibble: 6 x 2
## BARRIO precioxm2
## <chr> <dbl>
## 1 Abasto 511.
## 2 AgronomÃÂa 486.
## 3 Almagro 528.
## 4 Balvanera 491.
## 5 Barracas 467.
## 6 Barrio Norte 577.properatipromedio <- data.frame(lapply(properatipromedio, function(v) {
if (is.character(v)) return(toupper(v))
else return(v)
}))#Damos el valor de precioxm2 a cada hotel
alojamientosconprecio <- left_join(usosdelsuelo_hoteles, properatipromedio, by = "BARRIO")
head(alojamientosconprecio)## Simple feature collection with 6 features and 18 fields
## geometry type: POINT
## dimension: XY
## bbox: xmin: 100834.4 ymin: 104264.2 xmax: 101567.4 ymax: 105403.1
## CRS: +proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs
## # A tibble: 6 x 19
## SMP CALLE NUM TIPO1_16 TIPO2_16 PISOS_16 NOMBRE OBSERVACIO BARRIO COMUNA
## <chr> <chr> <dbl> <chr> <chr> <dbl> <chr> <chr> <chr> <dbl>
## 1 049-~ OLLE~ 4186 EDU HOTEL 11 <NA> <NA> CHACA~ 15
## 2 033-~ FITZ~ 774 EDU HOTEL 2 <NA> <NA> CHACA~ 15
## 3 033-~ CORD~ 6372 EDU HOTEL 3 <NA> <NA> CHACA~ 15
## 4 033-~ ALVA~ 318 EDU HOTEL 1 <NA> <NA> CHACA~ 15
## 5 033-~ MAURE 3532 EDU HOTEL 3 <NA> <NA> CHACA~ 15
## 6 037-~ GARC~ 3570 EDU HOTEL 1 <NA> <NA> CHACA~ 15
## # ... with 9 more variables: `5_DIG` <chr>, `4_DIG` <chr>, `3_DIG` <chr>,
## # `2_DIG` <chr>, RAMA <chr>, SUBRAMA <chr>, SSRAMA <chr>, geometry <POINT
## # [m]>, precioxm2 <dbl>#Vamos a aplicar la accesibilidad a nuestro dataset
manzanas <- read_sf("D:/Documents/01-Ditella/Instrumentos de Analisis Urbano II/manzanas.geojson")avenidas <- calles %>% filter(tipo_c == "AVENIDA")plot(avenidas[,c("sentido")])
manzanas <- st_transform(manzanas,crs = st_crs(usosdelsuelo_hoteles))manzanasCentroides <- st_centroid(manzanas)## Warning in st_centroid.sf(manzanas): st_centroid assumes attributes are constant
## over geometries of xggplot() +
geom_sf(data = manzanas) +
geom_sf(data = manzanasCentroides,color="red", size= 0.001)
avenidas <- st_transform(avenidas,crs = st_crs(usosdelsuelo_hoteles))distanciaAvenidas <- st_distance(manzanasCentroides,avenidas)# 12.520 filas (centroides de manzanas) y 6,758 columnas (tramos de avenidas)
dim(distanciaAvenidas)## [1] 12520 6686# 1 significa filas, 2 columnas. functon(x) min(x) significa que para cada fila devuelva el valor mínimo
avenidaMasCercana <- apply(distanciaAvenidas,1,function(x) min(x))# Rendondeamos
avenidaMasCercana <- round(avenidaMasCercana,0)manzanas <- manzanas %>% mutate(distanciaAvenida=avenidaMasCercana)manzanasCentroides <- st_join(manzanasCentroides,usosdelsuelo_hoteles)#manzanasCentroides <- manzanasCentroides %>%
#mutate(cobertura=ifelse(is.na(cobertura),TRUE,cobertura))radiosCensales <- read_sf("D:/Documents/01-Ditella/Instrumentos de Analisis Urbano II/caba_radios_censales.geojson")
glimpse(radiosCensales)## Rows: 3,554
## Columns: 9
## $ RADIO_ID <chr> "1_1_1", "1_12_1", "1_12_10", "1_12_11", "1_12_2", "1_1...
## $ BARRIO <chr> "RETIRO", "SAN NICOLAS", "SAN NICOLAS", "SAN NICOLAS", ...
## $ COMUNA <chr> "1", "1", "1", "1", "1", "1", "1", "1", "1", "1", "1", ...
## $ POBLACION <dbl> 336, 341, 296, 528, 229, 723, 393, 600, 472, 786, 329, ...
## $ VIVIENDAS <dbl> 82, 365, 629, 375, 445, 744, 341, 505, 504, 546, 275, 8...
## $ HOGARES <dbl> 65, 116, 101, 136, 129, 314, 209, 275, 202, 347, 129, 3...
## $ HOGARES_NBI <dbl> 19, 25, 1, 7, 16, 104, 110, 32, 49, 89, 15, 57, 1, 1, 2...
## $ AREA_KM2 <dbl> 1.79899705, 0.01856469, 0.04438025, 0.36634000, 0.01836...
## $ geometry <MULTIPOLYGON [°]> MULTIPOLYGON (((-58.37189 -..., MULTIPOLYG...#radiosCensales <- radiosCensales %>% mutate(densidadPob=POBLACION/AREA_KM2)
#radiosCensales <- radiosCensales %>% st_transform(radiosCensales,crs=st_crs(usosdelsuelo_hoteles))
#manzanasCentroides <- st_join(manzanasCentroides,radiosCensales)# Elegimos solo las variables que queremos unir, antes lo convertimos en data frame para poder perder la columna geometry
#manzanasCentroides <- manzanasCentroides %>%
# as.data.frame() %>%
# select(SM,densidadPob,HOGARES_NBI,cobertura)
#manzanas <- left_join(manzanas,manzanasCentroides,by="SM")