GET00183 - Visualização de Dados

Nos dias atuais, é muito comum nos depararmos com dados georreferenciados. O crescimento de dados espaciais é relativamente recente. Porém, já experimentamos seus efeitos no dia a dia.

Visualizações de dados espaciais é fundamental para quem trabalha com análise de dados.

1 - Shapefile

Se o intuito é representar o espaço de interesse, precisamos inicialmente discutir sobre o shapefile.

Um shapefile é um formato popular de arquivo contendo dados geoespaciais em forma de vetor usado por Sistemas de Informações Geográficas (SIG). Shapefiles espaciais descrevem geometrias: pontos, linhas e polígonos. Entre outras coisas, essas geometrias podem representar Poços, Rios, cidades, respectivamente.

O formato shapefile define a geometria e os atributos dos recursos referenciados geograficamente em três ou mais arquivos com extensões de arquivo específicas que devem ser armazenadas no mesmo espaço de trabalho do projeto. Eles são:

.shp - O arquivo principal que armazena a geometria do recurso, obrigatório,
.shx - O arquivo de índice que armazena o índice da geometria do recurso, obrigatório,
.dbf - A tabela do dBASE que armazena as informações de atributos dos recursos, obrigatório,
.prj, .sbn, .sbx, .fbn, .fbx, .ain, .aih, .atx, .ixs, .mxs, .xml, .cpg são outras extensões possíveis.

Alguns arquivos podem ser obtidos no site do IBGE (https://www.ibge.gov.br/geociencias/downloads-geociencias.html).

Acessem o site e sigam o seguinte caminho: Organização do territorio \(>\) malhas territoriais. Vocês terão acesso:

malhas de setores censitários,
malhas municipais,
malhas do Brasil por município.

Atividade: Baixem o arquivo do Estado do Rio de Janeiro do ano de 2016 contendo os municípios. Vejam quantos arquivos foram baixados e quais suas extensões.

1.1 - Importando Shapefile

Para importamos um shapefile para o R usaremos a função st_read do pacote sf.

A seguir, vamos apresentar os principais argumentos da função st_read:

- dsn - o nome do arquivo a ser importado (com extensão .shp).

Atividade: Importe o arquivo Bairros_Recife.shp e armazene-o em um objeto chamado recife. Para que a importação ocorra, é preciso que todos os arquivos auxiliares do shapefile estejam na mesma pasta.

# Carregando o pacote
library(sf)

# Importando o shapefile
recife = st_read(dsn = "Bairros_Recife.shp")

Reading layer `Bairros_Recife' from data source 
  `/Users/jonyarrais/Documents/Universidade Federal Fluminense/Disciplinas/GET00183 Visualizacao de Dados/Topico 07 - Mapas/Bairros_Recife.shp' 
  using driver `ESRI Shapefile'
Simple feature collection with 94 features and 10 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 277547.5 ymin: 9098032 xmax: 295287.7 ymax: 9123296
Projected CRS: SIRGAS 2000 / UTM zone 25S

# Verificando a classe do objeto recife
class(x = recife)

[1] "sf"         "data.frame"

# Visualizando o objeto
recife

Simple feature collection with 94 features and 10 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 277547.5 ymin: 9098032 xmax: 295287.7 ymax: 9123296
Projected CRS: SIRGAS 2000 / UTM zone 25S
First 10 features:
  CBAIRRCODI VBAIRROID         EBAIRRNOME CRPAAACODI CMICROCODI TBAIRRULAT
1         19         0             RECIFE          1          1 1899-12-30
2         27         0      SANTO ANTONIO          1          2 1899-12-30
3         35         0           SAO JOSE          1          2 1899-12-30
4         43         0 ILHA JOANA BEZERRA          1          3 1899-12-30
5         51         0            CABANGA          1          2 1899-12-30
6         60         0            COELHOS          1          3 1899-12-30
  CEMPRECODI AUSUACMATR         EBAIRRNO_1 EBAIRRLINK
1          0          0             Recife       <NA>
2          0          0      Santo Antônio       <NA>
3          0          0           São José       <NA>
4          0          0 Ilha Joana Bezerra       <NA>
5          0          0            Cabanga       <NA>
6          0          0            Coelhos       <NA>
                        geometry
1 MULTIPOLYGON (((294617.4 91...
2 MULTIPOLYGON (((293353.3 91...
3 MULTIPOLYGON (((292458 9107...
4 MULTIPOLYGON (((290464.9 91...
5 MULTIPOLYGON (((291566 9106...
6 MULTIPOLYGON (((291634.3 91...
 [ reached 'max' / getOption("max.print") -- omitted 4 rows ]

# Carregando o pacote
library(tidyverse)

## Para plotar somente o contorno do objeto recife
ggplot(recife) +
  geom_sf(fill = "White")

# Selecionando o shape do bairro de Boa Viagem
Boa_viagem = recife |>  
  filter(EBAIRRNOME=="BOA VIAGEM")

# Visualizando o objeto Boa_viagem
Boa_viagem

Simple feature collection with 1 feature and 10 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 288679.6 ymin: 9098032 xmax: 292546.5 ymax: 9104302
Projected CRS: SIRGAS 2000 / UTM zone 25S
  CBAIRRCODI VBAIRROID EBAIRRNOME CRPAAACODI CMICROCODI TBAIRRULAT CEMPRECODI
1        205         0 BOA VIAGEM          6          1 1899-12-30          0
  AUSUACMATR EBAIRRNO_1 EBAIRRLINK                       geometry
1          0 Boa Viagem       <NA> MULTIPOLYGON (((289794.1 90...

# Plotando o shape de Boa Viagem
ggplot(Boa_viagem) +
  geom_sf() +
  theme_light()

# Unindo poligonos no shapefile
novo_recife = recife |>  
   group_by(CRPAAACODI) |>  
   summarize(n = n())

# Visualizando o novo objeto
novo_recife

Simple feature collection with 6 features and 2 fields
Geometry type: POLYGON
Dimension:     XY
Bounding box:  xmin: 277547.5 ymin: 9098032 xmax: 295287.7 ymax: 9123296
Projected CRS: SIRGAS 2000 / UTM zone 25S
# A tibble: 6 x 3
  CRPAAACODI     n                                                      geometry
       <dbl> <int>                                                 <POLYGON [m]>
1          1    11 ((291961.1 9106271, 291904.5 9106181, 291809.5 9106087, 2918…
2          2    18 ((292947.8 9110818, 292828.9 9110761, 292304.3 9110516, 2922…
3          3    29 ((291025.2 9109306, 291015 9109290, 291011.5 9109285, 290968…
4          4    12 ((290538.5 9108381, 290538.7 9108375, 290539.1 9108365, 2905…
5          5    16 ((287570 9103879, 287570.4 9103875, 287570.4 9103875, 287565…
6          6     8 ((292546.5 9104121, 292546.5 9104121, 292509.4 9104020, 2924…

# Plotando o novo objeto
ggplot(data = novo_recife) +
  geom_sf(fill = "White") +
  theme_light()

Determinados shapifiles podem ser porduzidos com uma quantidade muito grande de pontos para definir os contornos da região de interesse. Nestes casos, os mapas que serão plotados serão pesados e provavelmente demoram a carregar. Existe uma forma de deixar esses arquivos mais leves nestes cenários.

# Carregando o pacote
library(rmapshaper)

# Simplificando o shape
Recife_simples = ms_simplify(input = recife,
                             keep = 0.1,
                             keep_shapes = TRUE)

O argumento input é o shape a ser simplificado, o keep é a proporção dos pontos que você deseja manter e o keep_shapes = TRUE impede que características pequenas dos polígonos sumam, no caso de uma grande simplificação.

# Plotando o objeto simplificado
ggplot(data = Recife_simples) +
  geom_sf(fill = "White") +
  theme_light()

2 - Mapa de pontos

Quando possuímos as coordenadas (lat/long) da ocorrência de um evento de interesse, uma visualização apropriada é a criação de um mapa de pontos. Neste mapa é possível avaliar a existência de aglomerações dos pontos em algumas localidades da região de interesse.

Atividade: Importem o arquivo nyshape.shp e armazenem em um objeto chamado NYShp.

# Visualizando o objeto
NYShp

Simple feature collection with 71 features and 3 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -74.25559 ymin: 40.49612 xmax: -73.70001 ymax: 40.91553
Geodetic CRS:  WGS84(DD)
# A tibble: 71 x 4
   shape_leng boro_cd shape_area                                        geometry
        <dbl>   <dbl>      <dbl>                              <MULTIPOLYGON [°]>
 1     51550.     311 103177785. (((-73.97299 40.60881, -73.97259 40.60667, -73…
 2     65822.     313  88195686. (((-73.98372 40.59582, -73.98305 40.59541, -73…
 3     52246.     312  99525500. (((-73.9714 40.64826, -73.97121 40.64762, -73.…
 4     37008.     304  56663217. (((-73.89647 40.68234, -73.89653 40.682, -73.8…
 5     62240.     209 114266297. (((-73.83979 40.83562, -73.83967 40.8356, -73.…
 6     83998.     212 154896607. (((-73.79386 40.88364, -73.79417 40.88299, -73…
 7     35876.     206  42664311. (((-73.87185 40.84376, -73.87192 40.84345, -73…
 8     47817.     208  92071724. (((-73.89663 40.91142, -73.89663 40.9113, -73.…
 9     32820.     226  50566411. (((-73.8679 40.90294, -73.86796 40.90281, -73.…
10     43327.     317  93810207. (((-73.90755 40.65119, -73.90849 40.65059, -73…
# … with 61 more rows

Atividade: Importem o arquivo NYPD.csv e armazenem em um objeto chamado NYPD.

O arquivo contém dados sobre crimes ocorridos na cidade de Nova York. Entre as variáveis disponibilizadas, podemos citar o tipo do crime (TYPE), as coordenadas (latitude e longitude), entre outras.

# Visualizando o objeto
NYPD

# A tibble: 407 x 6
   LAW_CAT_CD TYPE      BORO_NM         Day Longitude Latitude
   <chr>      <chr>     <chr>         <dbl>     <dbl>    <dbl>
 1 FELONY     VANDALISM QUEENS            1     -73.7     40.7
 2 FELONY     ROBBERY   BRONX             1     -73.9     40.9
 3 FELONY     ROBBERY   QUEENS            3     -73.8     40.7
 4 FELONY     ROBBERY   BROOKLYN          4     -74.0     40.7
 5 FELONY     ROBBERY   QUEENS            2     -73.8     40.7
 6 FELONY     VANDALISM QUEENS            5     -73.8     40.7
 7 FELONY     ROBBERY   STATEN ISLAND     6     -74.2     40.6
 8 FELONY     ROBBERY   QUEENS            3     -73.7     40.7
 9 FELONY     ROBBERY   BRONX             2     -73.9     40.9
10 FELONY     MURDER    QUEENS            3     -73.8     40.7
# … with 397 more rows

Vamos fazer o mapa de pontos dos crimes na cidade de Nova York usando o ggplot2.

#Plotando as localizações dos delitos
ggplot(data = NYShp) +
  geom_sf(fill = "White") +
  geom_point(data = NYPD,
             aes(x = Longitude,
                 y = Latitude),
             colour = 'Dark Blue') +
  theme_light()

Vale ressaltar que o data indicado na função ggplot é o shape, já no geom_point foi preciso especificar um data diferente, a base de dados.

O pacote ggmap fornece uma função que nos permite criar um mapa de pontos diferente.

#Uma outra possibilidade
library(ggmap)
qmplot(x = Longitude, 
       y = Latitude, 
       data = NYPD,
       colour = I('red'), 
       size = I(1.5), 
       darken = 0.3)

No mapa acima, o size controla o tamanho, o darken a opacidade e o colour a cor do ponto. Percebam, que não precisamos do shape para construir o mapa.

Tanto com o ggplot como no ggmap é possível criar mapas de pontos indicando os diferentes tipos de crime, por exemplo.

# Mapa de pontos indicando o tipo de crime com o ggplot2 
mapa1 = ggplot(data = NYShp) +
  geom_sf(fill = "White") +
  geom_point(data = NYPD,
             aes(x = Longitude,
                 y = Latitude,
                 colour = TYPE),
             size = 0.8) +
  theme_light()


# Mapa de pontos indicando o tipo de crime com o ggmap 
mapa2 = qmplot(x = Longitude, 
       y = Latitude, 
       data = NYPD,
       colour = TYPE, 
       size = I(1), 
       darken = 0.3)

# Carregando pacote
library(gridExtra)

#Plotando os dois maps
grid.arrange(mapa1,mapa2, ncol=2)

Atividade: Com base no conteúdo da disciplina visto até o momento, crie o código necessário para reproduzir a visualização abaixo.

3 - Mapa coroplético

Mapas coropléticos são usados em cenários no qual a variável de interesse foi observada de forma agregada para alguma partição em áreas do espaço de interesse. Por exemplo, suponha que foram observados o número de roubos de carros nos bairros da cidade do Rio de Janeiro. Neste cenário, a região de interesse é o Rio de Janeiro, que está particionada em seus bairros e a variável foi observada de forma agregada paea cada área.

Atividade: Importe o arquivo Vendas_agregada_bairro.csv e guarde em um objeto chamado base_venda.

A base fornece o registro do número de produtos vendidos (por semestre e no ano todo) por bairro de um determinado produto, entre outras.

#Visualinado a base de dados
base_venda

# A tibble: 94 x 6
   no_bairro_residencia num.vendas.1sem num.vendas.2sem num.vendas gasto
   <chr>                          <dbl>           <dbl>      <dbl> <dbl>
 1 PAU FERRO                          1               0          1  4460
 2 SANTO ANTONIO                      6               2          8  4590
 3 PAISSANDU                         11               4         15  4369
 4 ILHA DO LEITE                     18               1         19  4614
 5 SOLEDADE                           1              20         21  4788
 6 JAQUEIRA                          20               4         24  4652
 7 TORREAO                            3              27         30  4794
 8 CABANGA                            6              25         31  4647
 9 SANTANA                           12              21         33  4852
10 DERBY                             20              14         34  4832
# … with 84 more rows, and 1 more variable: porc_panfletagem <dbl>

Para criarmos um mapa coropléticos precisamos inicialmente acrescentar a variável de interesse ao shape. Faremos isso, fazendo um merge da base com o shape. Neste caso, usamos o left_join passando como base inicial o shape, para garantir que a base que será retornada terá exatamente as linhas que já existem no shape e usamos os nomes dos bairros para fazer a junção.

#Fazendo a relacao dos dois data frames
recife = left_join(x = recife, 
                   y = base_venda, 
                   by = c("EBAIRRNOME" = "no_bairro_residencia"))

# Visualizando o objeto
recife

Simple feature collection with 94 features and 15 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 277547.5 ymin: 9098032 xmax: 295287.7 ymax: 9123296
Projected CRS: SIRGAS 2000 / UTM zone 25S
First 10 features:
  CBAIRRCODI VBAIRROID         EBAIRRNOME CRPAAACODI CMICROCODI TBAIRRULAT
1         19         0             RECIFE          1          1 1899-12-30
2         27         0      SANTO ANTONIO          1          2 1899-12-30
3         35         0           SAO JOSE          1          2 1899-12-30
4         43         0 ILHA JOANA BEZERRA          1          3 1899-12-30
  CEMPRECODI AUSUACMATR         EBAIRRNO_1 EBAIRRLINK num.vendas.1sem
1          0          0             Recife       <NA>              39
2          0          0      Santo Antônio       <NA>               6
3          0          0           São José       <NA>             163
4          0          0 Ilha Joana Bezerra       <NA>             187
  num.vendas.2sem num.vendas gasto porc_panfletagem
1              42         81  4811        0.7075714
2               2          8  4590        0.1632857
3              58        221  4980        0.7220000
4             271        458  5082        0.7294286
                        geometry
1 MULTIPOLYGON (((294617.4 91...
2 MULTIPOLYGON (((293353.3 91...
3 MULTIPOLYGON (((292458 9107...
4 MULTIPOLYGON (((290464.9 91...
 [ reached 'max' / getOption("max.print") -- omitted 6 rows ]

A seguir, apresentamos o mapa coroplético do número de produtos vendidos no ano.

#Mapa coropletico do numero de vendas de produto
ggplot(data = recife) +
  geom_sf(aes(fill = num.vendas))

Como alterar características deste gráfico?

#Modificando o mapa coropletico
ggplot(data = recife) +
  geom_sf(aes(fill = num.vendas)) +
  scale_fill_gradient(name = "Vendas", 
                      low = "White", 
                      high = "Red") +
  theme_light() +
  theme(legend.title = element_text(size = 16,
                                    colour = "Red",
                                    face = "bold"),
        legend.text = element_text(size = 10,
                                    colour = "Red"))

O pacote tmap é outro pacote bastante útil para a criação de mapas coropléticos.

#Carregando pacote tmap
library(tmap)

#Construindo o mapa coropletico para vendas
tm_shape(shp = recife) + 
  tm_fill(col = "num.vendas",
          palette = "Greens",
          title = "Vendas")

## tm_shape - cria um elemento tmap que especifica um objeto espacial
## tm_fill - cria um elemento tmap que desenha e preenche o mapa
#Argumentos:
#shp - um objeto da classe sf
#col - a variavel/atributo que deseja plotar
#palette - a paleta de cores
#title - Nome que deseja mostrar no titulo da legenda


#Transformando em uma geometria valida
recife = st_make_valid(x = recife)

## st_make_valid - transforma uma geometria invalida em uma valida
#Argumentos:
#x - um objeto da classe sf

#Modificando o numero de intervalos
tm_shape(shp = recife) + 
  tm_fill(col = "num.vendas",
          n = 4,
          palette = "Greens",
          title = "Vendas")

#Definindo os limites e o numero de intervalos
mapa = tm_shape(shp = recife) + 
  tm_fill(col = "num.vendas",
          breaks = quantile(recife$num.vendas, probs = seq(0,1,.1)),
          palette = "Greens",
          title = "Vendas") +
  tm_borders(lwd = 0.75,
             lty = "solid")

## tm_borders - desenha as bordas que separam os poligonos
#Argumentos:
#lwd - espessura da borda
#lty - tipo de linha


#Visualizando o mapa
mapa

#Mudando o estilo do mapa com tm_style (pre-definido)
mapa + 
  tm_style("cobalt")

#Mudando o estilo do mapa com tm_layout (criar)
mapa + 
  tm_layout(title = "2018",
            legend.outside = TRUE,
            legend.text.color = "Dark Green")

## tm_layout - especifica configuracoes para o layout do mapa
#Argumentos:
#title - um titulo acima da legenda
#legend.outside - para a legenda aparecer ao lado de fora do mapa
#legend.text.color - cor da legenda

#Incluindo texto nos mapas
mapa +
  tm_text(text = "EBAIRRNOME",
          size = "num.vendas",
          legend.size.show = FALSE) +
  tm_layout(legend.outside = TRUE)

## tm_text - especifica nomes para os poligonos
#Argumentos:
#text - variavel que deseja aparecer como texto nos poligonos 
#size - numero ou uma variavel que vai determinar o tamanho da fonte
#legend.size.show - se deseja apresentar a legenda para os diferentes tamanhos da letra

#Grafico para mais de uma variavel
tm_shape(shp = recife) + 
  tm_fill(col = c("num.vendas.1sem","num.vendas.2sem"),
          title = c("1 Sem", "2 Sem"),
          palette = "Reds") +
  tm_facets(nrow = 1) +
  tm_borders() +
  tm_layout(legend.position = c("left","bottom"))

#Colocando todos os graficos em uma mesma escala
tm_shape(shp = recife) + 
  tm_fill(col = c("num.vendas.1sem","num.vendas.2sem"),
          title = "Vendas",
          palette = "Reds") +
  tm_facets(nrow = 1,
            free.scales = FALSE) +
  tm_borders() +
  tm_layout(panel.labels = c("1 Sem","2 Sem"))