TP 3 CLASE

Antes de iniciar el analisis del dataset operativos en CABA voy a activar las librerias a utilizar.

library(tidyverse)

## Warning: package 'tidyverse' was built under R version 4.0.5

## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --

## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.2     v dplyr   1.0.7
## v tidyr   1.1.3     v stringr 1.4.0
## v readr   1.4.0     v forcats 0.5.1

## Warning: package 'ggplot2' was built under R version 4.0.5

## Warning: package 'tibble' was built under R version 4.0.5

## Warning: package 'dplyr' was built under R version 4.0.5

## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()

library(sf)

## Warning: package 'sf' was built under R version 4.0.5

## Linking to GEOS 3.9.0, GDAL 3.2.1, PROJ 7.2.1

library(ggmap)

## Warning: package 'ggmap' was built under R version 4.0.5

## Google's Terms of Service: https://cloud.google.com/maps-platform/terms/.

## Please cite ggmap if you use it! See citation("ggmap") for details.

library(lubridate)

## Warning: package 'lubridate' was built under R version 4.0.5

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

Voy a leer el dataset y visualizar con summary el contenido del mismo.

operativos2018 <- read.csv("operativos-2018.csv", stringsAsFactors = TRUE)

summary(operativos2018)

##       long             lat                fecha     
##  Min.   :-58.53   Min.   :-34.70   2018-12-13: 119  
##  1st Qu.:-58.47   1st Qu.:-34.64   2018-12-30: 115  
##  Median :-58.43   Median :-34.63   2018-12-14:  79  
##  Mean   :-58.43   Mean   :-34.63   2018-05-10:  70  
##  3rd Qu.:-58.39   3rd Qu.:-34.61   2018-05-02:  69  
##  Max.   :-58.34   Max.   :-34.53   2018-08-09:  69  
##                                    (Other)   :9384  
##                                                    suceso    
##  ARBOLES / RAMAS                                      :1830  
##  PELIGRO DE CAIDA COLUMNA / POSTE / CARTEL / LUMINARIA:1268  
##  CABLES EXPUESTOS / CAIDOS                            :1164  
##  ESCAPE DE GAS                                        :1067  
##  RIESGO ELECTRICO                                     : 661  
##  INCENDIO                                             : 548  
##  (Other)                                              :3367  
##                    calle_nombre   calle_altura            barrio    
##  RIVADAVIA               : 185   Min.   :    0   BALVANERA   : 674  
##  ALBERDI JUAN BAUTISTA AV:  65   1st Qu.:    0   FLORES      : 673  
##  INDEPENDENCIA AV        :  63   Median : 1038   BARRACAS    : 595  
##  SAN JUAN                :  53   Mean   : 1683   VILLA LUGANO: 579  
##  CORRIENTES              :  50   3rd Qu.: 2671   CABALLITO   : 547  
##  FALCON RAMON L.CNEL.    :  48   Max.   :16100   MATADEROS   : 425  
##  (Other)                 :9441                   (Other)     :6412  
##       comuna                           observacion       movil     
##  COMUNA 4:1645                               :3764   Min.   :   0  
##  COMUNA 1:1324   S/NOVEDAD                   : 596   1st Qu.: 140  
##  COMUNA 9:1000   SIN NOVEDAD                 : 511   Median : 303  
##  COMUNA 7: 997   SE SEÃ‘ALIZA SE PASA AL CUCC: 210   Mean   : 393  
##  COMUNA 8: 985   SE PASA AL CUCC             : 142   3rd Qu.: 797  
##  COMUNA 3: 928   S/ NOVEDAD                  : 135   Max.   :8550  
##  (Other) :3026   (Other)                     :4547                 
##     a_cargo     turno      emergencia prevencion
##  ALARCON: 431      : 112   no: 413    no:9492   
##  BERARDI: 316   F/S:2060   si:9492    si: 413   
##  CASCO  : 301   TM :2842                        
##  SANZ   : 264   TN :2178                        
##  LIO    : 257   TT :2713                        
##  ENRIQUE: 249                                   
##  (Other):8087                                   
##                                       amenaza            mes      
##  OTROS                                    :5902   DICIEMBRE:1167  
##  13) INTERRUPCION DE SERVICIOS BASICOS    :1528   AGOSTO   : 959  
##  7) FUGA DE GAS                           : 671   ENERO    : 944  
##  14) INTOXICACIONES Y CONTAMINACIONES     : 541   NOVIEMBRE: 865  
##  1) LLUVIAS TORRENCIALES Y FUERTES VIENTOS: 419   MAYO     : 853  
##  3) INCENDIOS                             : 414   ABRIL    : 770  
##  (Other)                                  : 430   (Other)  :4347  
##  codigo_postal  codigo_postal_argentino
##  Min.   :1001           :2889          
##  1st Qu.:1199   C1405CVH:  20          
##  Median :1406   C1160ACD:  14          
##  Mean   :1311   C1272ADF:  12          
##  3rd Qu.:1425   C1416DGM:  12          
##  Max.   :1440   C1282AFF:  10          
##  NA's   :2883   (Other) :6948

wday(today(), label = TRUE, abbr = FALSE)

## [1] sábado
## 7 Levels: domingo < lunes < martes < miércoles < jueves < ... < sábado

Ahora voy a transformar el dataset para que figure el día de la semana de los operativos.

operativos2018 <- operativos2018 %>%
  mutate(fecha=ymd(fecha))

Como anteriormente aparecia el número de la semana vamos a configurar para que aparezca el día de la semana sin abreviaturas.

operativos2018 <- operativos2018 %>%
  mutate(dia_semana=wday(fecha, label = TRUE, abbr = FALSE))

Ahora vamos a ver si ya nos figura la fecha.

str(operativos2018)

## 'data.frame':    9905 obs. of  19 variables:
##  $ long                   : num  -58.5 -58.4 -58.4 -58.5 -58.5 ...
##  $ lat                    : num  -34.7 -34.6 -34.6 -34.6 -34.6 ...
##  $ fecha                  : Date, format: "2018-01-01" "2018-01-01" ...
##  $ suceso                 : Factor w/ 46 levels "","ACCIDENTE",..: 9 8 9 28 28 28 28 28 28 28 ...
##  $ calle_nombre           : Factor w/ 3108 levels "","11 DE SEPTIEMBRE DE 1888",..: 648 90 2746 454 770 1306 1344 202 1462 621 ...
##  $ calle_altura           : int  2080 0 0 2566 74 1723 1150 672 335 674 ...
##  $ barrio                 : Factor w/ 48 levels "AGRONOMIA","ALMAGRO",..: 16 8 23 13 14 8 13 8 13 8 ...
##  $ comuna                 : Factor w/ 15 levels "COMUNA 1","COMUNA 10",..: 15 12 13 13 2 12 13 12 13 12 ...
##  $ observacion            : Factor w/ 2760 levels "","(NO SE CONCURRE) SE SOLICITA CONTROL AMBIENTAL",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ movil                  : num  157 855 140 371 371 371 371 371 371 371 ...
##  $ a_cargo                : Factor w/ 538 levels "","ACR","ACRI",..: 468 414 326 336 336 336 336 336 336 336 ...
##  $ turno                  : Factor w/ 5 levels "","F/S","TM",..: 2 2 2 2 2 2 2 2 2 2 ...
##  $ emergencia             : Factor w/ 2 levels "no","si": 2 2 2 2 2 2 2 2 2 2 ...
##  $ prevencion             : Factor w/ 2 levels "no","si": 1 1 1 1 1 1 1 1 1 1 ...
##  $ amenaza                : Factor w/ 14 levels "1) LLUVIAS TORRENCIALES Y FUERTES VIENTOS",..: 14 4 14 3 3 3 3 3 3 3 ...
##  $ mes                    : Factor w/ 12 levels "ABRIL","AGOSTO",..: 4 4 4 4 4 4 4 4 4 4 ...
##  $ codigo_postal          : int  1440 NA NA 1406 1407 1416 1406 1405 1406 1405 ...
##  $ codigo_postal_argentino: Factor w/ 5098 levels "","C1001AAB",..: 5067 1 1 2523 2621 3330 2185 2130 2167 2087 ...
##  $ dia_semana             : Ord.factor w/ 7 levels "domingo"<"lunes"<..: 2 2 2 2 2 2 2 2 2 2 ...

Ya tenemos el dataset listo para poder analizar en cuanto a la temporalidad de los operativos y las ubicaciones geográficas.

En el siguiente grafico se visualiza por mes la cantidad de operativos distinguiendo el mes de diciembre con casi 1.200 operativos en el mes, siguiendo por el mes de agosto con más de 1.000. Este patrón nos deja detectar los meses con mayores y con menores operativos.

ggplot(operativos2018)+
  geom_bar(aes(x=mes))

Ahora realice el analisis por día de semana para ver si se puede identificar algún patron.

ggplot(operativos2018)+
  geom_bar(aes(x=dia_semana))

Los jueves son los días mas recurrentes para los operativos. Ahora voy a analizar por comuna para distinguir si hay alguna con mayor concentración.

ggplot(operativos2018 %>%
         group_by(mes,comuna) %>% 
         summarise(cantidad=n()))+
  geom_line(aes(x=mes, y=cantidad, color=comuna, group=comuna))

## `summarise()` has grouped output by 'mes'. You can override using the `.groups` argument.

Hasta ahora analice la temporalidad de los operativos. Ahora la idea es utilizar tambien el analisis espacial.

Primero para esto vamos a usar de base el mapa de la Ciudad.

bbox <- make_bbox(operativos2018$long, operativos2018$lat)

mapa_base <- get_stamenmap(bbox = bbox,
                maptype = "toner-lite",
                           zoom = 12)

## Source : http://tile.stamen.com/toner-lite/12/1381/2466.png

## Source : http://tile.stamen.com/toner-lite/12/1382/2466.png

## Source : http://tile.stamen.com/toner-lite/12/1383/2466.png

## Source : http://tile.stamen.com/toner-lite/12/1384/2466.png

## Source : http://tile.stamen.com/toner-lite/12/1381/2467.png

## Source : http://tile.stamen.com/toner-lite/12/1382/2467.png

## Source : http://tile.stamen.com/toner-lite/12/1383/2467.png

## Source : http://tile.stamen.com/toner-lite/12/1384/2467.png

## Source : http://tile.stamen.com/toner-lite/12/1381/2468.png

## Source : http://tile.stamen.com/toner-lite/12/1382/2468.png

## Source : http://tile.stamen.com/toner-lite/12/1383/2468.png

## Source : http://tile.stamen.com/toner-lite/12/1384/2468.png

## Source : http://tile.stamen.com/toner-lite/12/1381/2469.png

## Source : http://tile.stamen.com/toner-lite/12/1382/2469.png

## Source : http://tile.stamen.com/toner-lite/12/1383/2469.png

## Source : http://tile.stamen.com/toner-lite/12/1384/2469.png

ggmap(mapa_base)

Voy a mapear las ubicaciones de los operativos en el dataset.

ggmap(mapa_base) +
    geom_point(data = operativos2018, aes(x = long, y = lat),
               color = "orange", size = 0.1, alpha = 0.1)

Aoy a identificar la densidad para ver si se puede observar un patron espacial,es decir, acumulación de puntos, que permite bien en que lugar de la ciudad hay mayor operaciones.

ggmap(mapa_base) +
    geom_bin2d(data = operativos2018, 
               aes(x = long, y = lat))

Para poder observarlo con mas claridad agregamos transparencia para analizar el patron con mas detalle.

ggmap(mapa_base) +
    geom_bin2d(data = operativos2018, aes(x = long, y = lat), bins = 50) +
    scale_fill_viridis_c()

Combinando el analisis espacial y temporal.

Se puede distinguir si hay un día por sobre otro con mayor carga de operativos en CABA de manera espacial.

ggmap(mapa_base) +
    geom_bin2d(data = operativos2018, aes(x = long, y = lat), alpha=0.8, bins = 50) +
    scale_fill_viridis_c()+
  facet_wrap(~dia_semana)

TP 3 CLASE

Magdalena Cortiñas

3/7/2021