TP Final Instrumentos de Análisis Urbano I
Mercedes Lavezzolo, Victoria Plunkett, Giovanni Pérez
13/6/2021
TRABAJO PRÁCTICO FINAL
Para este trabajo práctico seguiremos los siguientes pasos:
1. Cargamos librerías y datos necesarios para el ejercicio
En primer lugar cargamos las librerías cuyas funcionalidades necesitaremos.
library(tidyverse) # Paquete multiuso## -- Attaching packages --------------------------------------- tidyverse 1.3.0 --## v ggplot2 3.3.3 v purrr 0.3.4
## v tibble 3.1.0 v dplyr 1.0.5
## v tidyr 1.1.3 v stringr 1.4.0
## v readr 1.4.0 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(sf) # Paquete clave para manipular datos espaciales## Warning: package 'sf' was built under R version 4.0.5## Linking to GEOS 3.9.0, GDAL 3.2.1, PROJ 7.2.1library(leaflet) # Uno de los paquetes para ## Warning: package 'leaflet' was built under R version 4.0.5library(dplyr)
library(ggplot2)
library(dplyr)Luego cargamos shape de calles.
calles <- read_sf("callejero.shp")st_crs(calles)## Coordinate Reference System:
## User input: WGS 84
## wkt:
## GEOGCRS["WGS 84",
## DATUM["World Geodetic System 1984",
## ELLIPSOID["WGS 84",6378137,298.257223563,
## LENGTHUNIT["metre",1]]],
## PRIMEM["Greenwich",0,
## ANGLEUNIT["degree",0.0174532925199433]],
## CS[ellipsoidal,2],
## AXIS["latitude",north,
## ORDER[1],
## ANGLEUNIT["degree",0.0174532925199433]],
## AXIS["longitude",east,
## ORDER[2],
## ANGLEUNIT["degree",0.0174532925199433]],
## ID["EPSG",4326]]2. Generar un DB de hoteles georreferenciados y cobertura de hospitales.La finalidad es entender que dicho alojamiento debe estar próximo a una institución hospitalaria en caso de emergencia.
Generamos un DB específico de “hoteles” georreferenciados a partir del Relevamiento de Usos del Suelo (2017)
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") ##
## -- 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")Cargamos la cobertura de hospitales georreferenciados y “buffers” o áreas de influencia de 1.000 metros alrededor de cada uno.
hospitales <- read_delim("Data/Hospitales.csv",delim = ";")##
## -- Column specification --------------------------------------------------------
## cols(
## .default = col_character(),
## long = col_double(),
## lat = col_double(),
## calle_altura = col_double(),
## calle_altura_2 = col_double(),
## codigo_postal = col_double(),
## camas_medicina = col_double(),
## camas_cirugía = col_double(),
## camas_pediatría = col_double(),
## camas_tocoginecología = col_double(),
## camas_urgencia = col_double(),
## camas_otra = col_double(),
## camas_totales = col_double()
## )
## i Use `spec()` for the full column specifications.hospitales <- st_as_sf(hospitales,coords=c("long","lat"), crs=4326)hospitales<- st_transform(hospitales, 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")coberturahospitales<- st_buffer(hospitales,dist = 1000)coberturahospitales <- coberturahospitales %>% summarise(cobertura=TRUE) coberturahospitales <- coberturahospitales%>%
st_transform(4326)coberturahospitales <- st_transform(coberturahospitales,crs = st_crs(usosdelsuelo_hoteles))Generamos un nuevo DB que una la información de hoteles (según usos del suelo) con la cobertura de hospitales.
usosdelsuelo_hoteles <- st_join(usosdelsuelo_hoteles,coberturahospitales)usosdelsuelo_hoteles <- usosdelsuelo_hoteles %>%
mutate(cobertura=ifelse(is.na(cobertura),FALSE,cobertura))3. Generar un DB de valores de alquiler (por m2) para departamentos.
Para obtener información del mercado de alquileres cargamos el db de Properati.
properati <- read.csv("Data/ar_properties.csv",stringsAsFactors = FALSE, encoding = "UTF-8")
sapply(properati, class)## id ad_type start_date end_date created_on
## "character" "character" "character" "character" "character"
## lat lon l1 l2 l3
## "numeric" "numeric" "character" "character" "character"
## l4 l5 l6 rooms bedrooms
## "character" "character" "logical" "integer" "integer"
## bathrooms surface_total surface_covered price currency
## "integer" "integer" "integer" "numeric" "character"
## price_period title description property_type operation_type
## "character" "character" "character" "character" "character"Filtramos por departamentos y obtenemos el precio/m2 de alquiler de cada uno (en pesos argentinos).
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")
head(properatipromedio)## # A tibble: 6 x 2
## BARRIO precioxm2
## <chr> <dbl>
## 1 Abasto 373.
## 2 Agronomía 377.
## 3 Almagro 396.
## 4 Balvanera 375.
## 5 Barracas 345.
## 6 Barrio Norte 453.Editamos el DB modificando mayúsculas y tildes con la finalidad de evitar futuros errores al hacer joint con el primer DB que generamos.
properatipromedio1 <- data.frame(lapply(properatipromedio, function(v) {
if (is.character(v)) return(toupper(v))
else return(v)
}))
head(properatipromedio1)## BARRIO precioxm2
## 1 ABASTO 372.6000
## 2 AGRONOMÍA 377.0118
## 3 ALMAGRO 395.7152
## 4 BALVANERA 374.5204
## 5 BARRACAS 344.6387
## 6 BARRIO NORTE 453.2799properatipromedio2 <- properatipromedio1 %>%
select(precioxm2)properatipromedio3 <-
iconv( properatipromedio1$BARRIO,from="UTF-8",to = "ASCII//TRANSLIT", toRaw = FALSE)
head(properatipromedio3)## [1] "ABASTO" "AGRONOMIA" "ALMAGRO" "BALVANERA" "BARRACAS"
## [6] "BARRIO NORTE"properatipromedio <- data.frame(c(properatipromedio3), (properatipromedio2)) %>%
rename("BARRIO"="c.properatipromedio3.")
(properatipromedio)## BARRIO precioxm2
## 1 ABASTO 372.6000
## 2 AGRONOMIA 377.0118
## 3 ALMAGRO 395.7152
## 4 BALVANERA 374.5204
## 5 BARRACAS 344.6387
## 6 BARRIO NORTE 453.2799
## 7 BELGRANO 478.0480
## 8 BOCA 331.9151
## 9 BOEDO 360.2447
## 10 CABALLITO 393.0037
## 11 CATALINAS 1435.8963
## 12 CENTRO / MICROCENTRO 391.5347
## 13 CHACARITA 431.7847
## 14 COGHLAN 427.6095
## 15 COLEGIALES 437.1701
## 16 CONGRESO 355.4779
## 17 CONSTITUCION 331.2803
## 18 FLORES 339.1374
## 19 FLORESTA 326.4884
## 20 LAS CANITAS 538.6672
## 21 LINIERS 310.0480
## 22 MATADEROS 300.0486
## 23 MONSERRAT 407.1349
## 24 MONTE CASTRO 318.0901
## 25 NUNEZ 483.1958
## 26 ONCE 326.5867
## 27 PALERMO 532.0674
## 28 PARQUE AVELLANEDA 286.6917
## 29 PARQUE CENTENARIO 353.3284
## 30 PARQUE CHACABUCO 363.5378
## 31 PARQUE CHAS 361.2310
## 32 PARQUE PATRICIOS 343.1917
## 33 PATERNAL 380.3924
## 34 POMPEYA 317.6264
## 35 PUERTO MADERO 841.9658
## 36 RECOLETA 484.1455
## 37 RETIRO 476.2466
## 38 SAAVEDRA 402.6897
## 39 SAN CRISTOBAL 357.8630
## 40 SAN NICOLAS 372.3535
## 41 SAN TELMO 420.4523
## 42 TRIBUNALES 374.4494
## 43 VELEZ SARSFIELD 360.4770
## 44 VERSALLES 305.8189
## 45 VILLA CRESPO 420.1704
## 46 VILLA DEL PARQUE 346.7504
## 47 VILLA DEVOTO 370.8014
## 48 VILLA GENERAL MITRE 337.4903
## 49 VILLA LUGANO 264.2313
## 50 VILLA LURO 324.4564
## 51 VILLA ORTUZAR 396.6579
## 52 VILLA PUEYRREDON 367.3940
## 53 VILLA REAL 344.8679
## 54 VILLA RIACHUELO 237.9310
## 55 VILLA SANTA RITA 348.6143
## 56 VILLA SOLDATI 290.2773
## 57 VILLA URQUIZA 411.4161properatipromedio[properatipromedio == "MONSERRAT"] <- "MONTSERRAT"properatipromedio[properatipromedio == "NUNEZ"] <- "NUÑEZ"properatipromedio[properatipromedio == "VILLA GENERAL MITRE"] <- "VILLA GRAL. MITRE"(properatipromedio)## BARRIO precioxm2
## 1 ABASTO 372.6000
## 2 AGRONOMIA 377.0118
## 3 ALMAGRO 395.7152
## 4 BALVANERA 374.5204
## 5 BARRACAS 344.6387
## 6 BARRIO NORTE 453.2799
## 7 BELGRANO 478.0480
## 8 BOCA 331.9151
## 9 BOEDO 360.2447
## 10 CABALLITO 393.0037
## 11 CATALINAS 1435.8963
## 12 CENTRO / MICROCENTRO 391.5347
## 13 CHACARITA 431.7847
## 14 COGHLAN 427.6095
## 15 COLEGIALES 437.1701
## 16 CONGRESO 355.4779
## 17 CONSTITUCION 331.2803
## 18 FLORES 339.1374
## 19 FLORESTA 326.4884
## 20 LAS CANITAS 538.6672
## 21 LINIERS 310.0480
## 22 MATADEROS 300.0486
## 23 MONTSERRAT 407.1349
## 24 MONTE CASTRO 318.0901
## 25 NUÑEZ 483.1958
## 26 ONCE 326.5867
## 27 PALERMO 532.0674
## 28 PARQUE AVELLANEDA 286.6917
## 29 PARQUE CENTENARIO 353.3284
## 30 PARQUE CHACABUCO 363.5378
## 31 PARQUE CHAS 361.2310
## 32 PARQUE PATRICIOS 343.1917
## 33 PATERNAL 380.3924
## 34 POMPEYA 317.6264
## 35 PUERTO MADERO 841.9658
## 36 RECOLETA 484.1455
## 37 RETIRO 476.2466
## 38 SAAVEDRA 402.6897
## 39 SAN CRISTOBAL 357.8630
## 40 SAN NICOLAS 372.3535
## 41 SAN TELMO 420.4523
## 42 TRIBUNALES 374.4494
## 43 VELEZ SARSFIELD 360.4770
## 44 VERSALLES 305.8189
## 45 VILLA CRESPO 420.1704
## 46 VILLA DEL PARQUE 346.7504
## 47 VILLA DEVOTO 370.8014
## 48 VILLA GRAL. MITRE 337.4903
## 49 VILLA LUGANO 264.2313
## 50 VILLA LURO 324.4564
## 51 VILLA ORTUZAR 396.6579
## 52 VILLA PUEYRREDON 367.3940
## 53 VILLA REAL 344.8679
## 54 VILLA RIACHUELO 237.9310
## 55 VILLA SANTA RITA 348.6143
## 56 VILLA SOLDATI 290.2773
## 57 VILLA URQUIZA 411.41614. Generamos un DB en el que unimos los dos DB anteriores: hoteles georreferenciados y cobertura de hospitales y valor por m2 de alquileres, asignando de esta manera el valor de precioxm2 a cada hotel.
alojamientosconprecio <- left_join(usosdelsuelo_hoteles, properatipromedio, by = "BARRIO")
head(alojamientosconprecio)## Simple feature collection with 6 features and 19 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: 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 20
## SMP CALLE NUM TIPO1_16 TIPO2_16 PISOS_16 NOMBRE OBSERVACIO BARRIO COMUNA
## <chr> <chr> <dbl> <chr> <chr> <dbl> <chr> <chr> <chr> <dbl>
## 1 049-1~ OLLER~ 4186 EDU HOTEL 11 <NA> <NA> CHACA~ 15
## 2 033-0~ FITZ ~ 774 EDU HOTEL 2 <NA> <NA> CHACA~ 15
## 3 033-0~ CORDO~ 6372 EDU HOTEL 3 <NA> <NA> CHACA~ 15
## 4 033-0~ ALVAR~ 318 EDU HOTEL 1 <NA> <NA> CHACA~ 15
## 5 033-0~ MAURE 3532 EDU HOTEL 3 <NA> <NA> CHACA~ 15
## 6 037-0~ GARCI~ 3570 EDU HOTEL 1 <NA> <NA> CHACA~ 15
## # ... with 10 more variables: 5_DIG <chr>, 4_DIG <chr>, 3_DIG <chr>,
## # 2_DIG <chr>, RAMA <chr>, SUBRAMA <chr>, SSRAMA <chr>, geometry <POINT [m]>,
## # cobertura <lgl>, precioxm2 <dbl>5. Aplicamos al dataset de análisis los criterios de “accesibilidad”
5.1. Avenidas
avenidas <- calles %>% filter(tipo_c == "AVENIDA")avenidas <- st_transform(avenidas,crs = st_crs(usosdelsuelo_hoteles))distanciaavenidaalojamientoprecio <- st_distance(alojamientosconprecio ,avenidas)Agregamos la función DIM para calcular el número de dimensiones del DB
dim(distanciaavenidaalojamientoprecio)## [1] 1570 6758distanciaavenidamasalojamientoprecio<- apply(distanciaavenidaalojamientoprecio,1,function(x) min(x))Redondeamos
distanciaavenidamasalojamientoprecio <- round(distanciaavenidamasalojamientoprecio,0) alojamientosconprecio<- alojamientosconprecio %>% mutate(distanciaavenidaalojamientoprecio =distanciaavenidamasalojamientoprecio)5.2. Estaciones de subte
Agregamos la información (shape) de las estaciones de subte para calcular la distancia de cada alojamiento con respecto a estas y para sumar esta variable a la ponderación:
estaciones <- read_sf("Data/estaciones_subte.shp")
estaciones <- st_transform(estaciones,crs = st_crs(usosdelsuelo_hoteles))distancia_estacion <- st_distance(alojamientosconprecio,estaciones)
dim(distancia_estacion)## [1] 1570 83distancia_estacion <- apply(distancia_estacion,1,function(x) min(x))
distancia_estacion <- round(distancia_estacion,0)alojamientosconprecio<- alojamientosconprecio %>%mutate(dist.est =distancia_estacion)6. Aplicamos al dataset e de análisis la variable de “densidad poblacional”
Incorporamos los radios censales
radiosCensales <- read_sf("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_12_3~
## $ BARRIO <chr> "RETIRO", "SAN NICOLAS", "SAN NICOLAS", "SAN NICOLAS", "SA~
## $ COMUNA <chr> "1", "1", "1", "1", "1", "1", "1", "1", "1", "1", "1", "1"~
## $ POBLACION <dbl> 336, 341, 296, 528, 229, 723, 393, 600, 472, 786, 329, 135~
## $ VIVIENDAS <dbl> 82, 365, 629, 375, 445, 744, 341, 505, 504, 546, 275, 895,~
## $ HOGARES <dbl> 65, 116, 101, 136, 129, 314, 209, 275, 202, 347, 129, 342,~
## $ HOGARES_NBI <dbl> 19, 25, 1, 7, 16, 104, 110, 32, 49, 89, 15, 57, 1, 1, 2, 2~
## $ AREA_KM2 <dbl> 1.79899705, 0.01856469, 0.04438025, 0.36634000, 0.01836301~
## $ geometry <MULTIPOLYGON [°]> MULTIPOLYGON (((-58.37189 -..., MULTIPOLYGON ~radiosCensales<- st_transform(radiosCensales,crs = st_crs(usosdelsuelo_hoteles))st_crs(radiosCensales)## Coordinate Reference System:
## User input: +proj=tmerc +lat_0=-34.6297166 +lon_0=-58.4627 +k=1 +x_0=100000 +y_0=100000 +ellps=intl +units=m +no_defs
## wkt:
## PROJCRS["unknown",
## BASEGEOGCRS["unknown",
## DATUM["Unknown based on International 1909 (Hayford) ellipsoid",
## ELLIPSOID["International 1909 (Hayford)",6378388,297,
## LENGTHUNIT["metre",1,
## ID["EPSG",9001]]]],
## PRIMEM["Greenwich",0,
## ANGLEUNIT["degree",0.0174532925199433],
## ID["EPSG",8901]]],
## CONVERSION["unknown",
## 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",1,
## 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]]]]radiosCensales <- radiosCensales %>% mutate(densidadPob=POBLACION/AREA_KM2)
alojamientosconprecio <- st_join(alojamientosconprecio ,radiosCensales)7. Generamos el dataframe final
Ahora elegimos solo las variables que queremos unir, antes lo convertimos en data frame para poder perder la columna geometry y unimos el DB que veníamos trabajando con el DB de alojamientos con precio que habíamos generado previamente (ver punto 2) uniéndolos por el campo SMP.
alojamientosconprecio<- alojamientosconprecio %>%
as.data.frame() %>%
select(NOMBRE,TIPO2_16, CALLE, NUM,precioxm2,distanciaavenidaalojamientoprecio,densidadPob,HOGARES_NBI,cobertura,SMP, dist.est )
alojamientosfinal <- left_join(usosdelsuelo_hoteles,alojamientosconprecio,by="SMP")Filtramos los alojamientos repetidos.
alojamientosfinal <-distinct( alojamientosfinal,SMP, .keep_all= TRUE)Realizamos quiebres en los datos a ponderar.
quiebres <- c(0,0.2,0.4,0.6,0.8,1)
alojamientosfinal <- alojamientosfinal %>%
mutate(cat_densidad=cut(densidadPob,breaks = quantile(densidadPob,quiebres,na.rm = TRUE ),include.lowest = TRUE),
cat_NBI=cut(HOGARES_NBI,breaks = quantile(HOGARES_NBI,quiebres,na.rm = TRUE ),include.lowest = TRUE),
cat_distanciaAv=cut(-distanciaavenidaalojamientoprecio,breaks = quantile(-distanciaavenidaalojamientoprecio,quiebres,na.rm = TRUE ),include.lowest = TRUE),
cat_precioxm2=cut(-precioxm2,breaks = quantile(-precioxm2,quiebres,na.rm = TRUE ),include.lowest = TRUE),
cat_distanciaEst=cut(-dist.est,breaks = quantile(-dist.est,quiebres,na.rm = TRUE ),include.lowest = TRUE))En el caso de cobertura convertirá 0 cuando era FALSE y 1 cuando era TRUE.
alojamientosfinal <- alojamientosfinal %>%
mutate(cat_densidad=as.numeric(cat_densidad),
cat_NBI=as.numeric(cat_NBI),
cat_distanciaAv=as.numeric(cat_distanciaAv),
cat_cobertura=as.numeric(cobertura.y),
cat_precioxm2=as.numeric(cat_precioxm2),
cat_distanciaEst=as.numeric(cat_distanciaEst))8. Creamos un indicador.
Ahora generamos un indicador (IDS) que representa la diversidad de variables que hemos venido analizando otorgándole un “peso específico” a cada variable de la siguiente manera: a) Densidad; b) NBI; c) Accesibilidad considerada como proximidad a avenidas; d) Cobertura como cercanía a un hospital en relación a los “buffers” de un kilómetro; e) Asequibilidad, como precio de alquiler por metro cuadrado y f) Accesibilidad a subtes como cercanía a una estación. Vale la pena señalar que a las variables de accesibilidad se les otorgó un mayor peso en la construcción del indicador.
alojamientosfinal<- alojamientosfinal%>%
mutate(IDS=cat_densidad*0.1+cat_NBI*0.1+cat_distanciaAv*0.2+cat_cobertura*0.3+cat_precioxm2*0.1+ cat_distanciaEst*0.2)Agrupamos a los radios censales por barrio.
barrios <- radiosCensales %>% group_by(BARRIO) %>% summarise(n())9. Generamos mapas
Ahora podemos generar el mapa de oferta de hospedajes ponderada en función del alquiler de hospedajes que organice las observaciones en función del indicador que construimos previamente.
ggplot() +
geom_sf(data=barrios) +
geom_sf(data=alojamientosfinal %>% filter(!is.na(IDS)) , aes(color = IDS), alpha = 0.5, size=1) +
scale_color_viridis_c() +
guides(fill=FALSE) +
theme_void() +
labs(title="Oferta de hospedajes",
subtitle="Ponderancia para el alquiler de hospedajes",
caption = "Fuente: BA DATA y Properati",
color = "Ponderación")
Y podemos cargar el mapas sobre el “leaflet” de Open Street Map.
alojamientosfinal<- st_transform(alojamientosfinal, crs = st_crs(4326))paleta <- colorNumeric(
palette = "viridis",
domain = alojamientosfinal$IDS)leaflet(alojamientosfinal) %>%
addTiles() %>%
addCircleMarkers(radius = ~cat_precioxm2,
popup = paste0( "<b>", "Nombre: ", "</b>",as.character(alojamientosfinal$NOMBRE.x),"<br>",
"<b>", "Dirección: ", "</b>",as.character(alojamientosfinal$CALLE.x),
"<b>", " ", "</b>",as.numeric(alojamientosfinal$NUM.x) ) ,
color = ~paleta(IDS)) %>%
addLegend(title = "Ponderación", pal = paleta, values = ~IDS)10. Análisis del DB
En primer lugar, se aclara que en la representación los círculos más grandes son los que tienen el m2 más bajo. Un rápido análisis del último DB (alojamientosfinal) nos permite encontrar algunas conclusiones preliminares como que las observaciones mejor “calificadas” se concentrarían en tres barrios: CONSTITUCIÓN, SAN CRISTÓBAL y FLORES.
ponderacion_tabla1 <- alojamientosfinal %>%
data.frame(alojamientosfinal) %>%
select(CALLE.x,NUM.x, NOMBRE.x, BARRIO, IDS) %>%
arrange(desc(IDS)) %>%
head(n=25)
ponderacion_tabla1## CALLE.x NUM.x NOMBRE.x BARRIO IDS
## 1 ENTRE RIOS AV. 1044 NAVIA CONSTITUCION 3.6
## 2 SAN JOSE 1209 CARMEN CONSTITUCION 3.6
## 3 SAN JUAN AV. 3231 <NA> SAN CRISTOBAL 3.6
## 4 SAN JUAN AV. 844 PROVINCIAL CONSTITUCION 3.5
## 5 SAN JUAN AV. 907 AYRES DE SAN TELMO CONSTITUCION 3.5
## 6 SAN JUAN AV. 2878 SAN JUAN SAN CRISTOBAL 3.5
## 7 VARELA 66 <NA> FLORES 3.4
## 8 YERBAL 2840 <NA> FLORES 3.4
## 9 YERBAL 2850 <NA> FLORES 3.4
## 10 YERBAL 2854 <NA> FLORES 3.4
## 11 COCHABAMBA 1778 <NA> CONSTITUCION 3.4
## 12 HUMBERTO 1 1735 DEL SUR CONSTITUCION 3.4
## 13 SAN JUAN AV. 1171 <NA> CONSTITUCION 3.4
## 14 ENTRE RIOS AV. 1234 <NA> CONSTITUCION 3.4
## 15 BELGRANO 2688 O BALVANERA 3.4
## 16 SAN JUAN AV. 2083 <NA> SAN CRISTOBAL 3.4
## 17 HUMBERTO 1 3228 <NA> SAN CRISTOBAL 3.4
## 18 SAN JUAN AV. 3089 <NA> SAN CRISTOBAL 3.4
## 19 MEDRANO 97 <NA> ALMAGRO 3.3
## 20 RIVADAVIA AV. 3920 <NA> ALMAGRO 3.3
## 21 SAN JUAN AV. 814 <NA> CONSTITUCION 3.3
## 22 CONSTITUCION 1765 EL CID CONSTITUCION 3.3
## 23 GARAY, JUAN DE AV. 1277 RIO DE LA PLATA CONSTITUCION 3.3
## 24 LIMA 1169 HOSTEL SOL CONSTITUCION 3.3
## 25 SAN JUAN AV. 1253 <NA> CONSTITUCION 3.311. Ranking del “top 25” y representación en un mapa.
Por último construimos un “ranking” de las 25 opciones de alojamientos mejor calificadas y las representamos en un mapa.
ponderacion_tabla <- alojamientosfinal %>%
select(CALLE.x,NUM.x, NOMBRE.x, BARRIO, IDS) %>%
arrange(desc(IDS)) %>%
head(n=25)
ponderacion_tabla## Simple feature collection with 25 features and 5 fields
## Geometry type: POINT
## Dimension: XY
## Bounding box: xmin: -58.46947 ymin: -34.63028 xmax: -58.37753 ymax: -34.61003
## Geodetic CRS: WGS 84
## # A tibble: 25 x 6
## CALLE.x NUM.x NOMBRE.x BARRIO IDS geometry
## <chr> <dbl> <chr> <chr> <dbl> <POINT [°]>
## 1 ENTRE RIOS A~ 1044 NAVIA CONSTITUCION 3.6 (-58.39126 -34.62088)
## 2 SAN JOSE 1209 CARMEN CONSTITUCION 3.6 (-58.38603 -34.62263)
## 3 SAN JUAN AV. 3231 <NA> SAN CRISTOB~ 3.6 (-58.41105 -34.6246)
## 4 SAN JUAN AV. 844 PROVINCIAL CONSTITUCION 3.5 (-58.37778 -34.6224)
## 5 SAN JUAN AV. 907 AYRES DE SAN TE~ CONSTITUCION 3.5 (-58.37874 -34.62192)
## 6 SAN JUAN AV. 2878 SAN JUAN SAN CRISTOB~ 3.5 (-58.40526 -34.62448)
## 7 VARELA 66 <NA> FLORES 3.4 (-58.46482 -34.63028)
## 8 YERBAL 2840 <NA> FLORES 3.4 (-58.46929 -34.62948)
## 9 YERBAL 2850 <NA> FLORES 3.4 (-58.46939 -34.62951)
## 10 YERBAL 2854 <NA> FLORES 3.4 (-58.46947 -34.62953)
## # ... with 15 more rowspaleta2 <- colorNumeric(
palette = "viridis",
domain = ponderacion_tabla$IDS)leaflet(ponderacion_tabla) %>%
addTiles() %>%
addCircleMarkers(popup = paste0( "<b>", "Nombre: ", "</b>",as.character(alojamientosfinal$NOMBRE.x),"<br>",
"<b>", "Dirección: ", "</b>",as.character(alojamientosfinal$CALLE.x),
"<b>", " ", "</b>",as.numeric(alojamientosfinal$NUM.x) ) ,
color = ~paleta2(IDS)) %>%
addLegend(title = "Ponderación", pal = paleta2, values = ~IDS)12. Conclusiones