BARRIOS DE LA CIUDAD AUTÓNOMA DE BUENOS AIRES (CABA) - ARGENTINA

library(tidyverse)
## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --
## v ggplot2 3.3.5     v purrr   0.3.4
## v tibble  3.1.4     v dplyr   1.0.7
## v tidyr   1.1.3     v stringr 1.4.0
## v readr   2.0.1     v forcats 0.5.1
## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag()    masks stats::lag()
library(sf)
## Linking to GEOS 3.9.0, GDAL 3.2.1, PROJ 7.2.1

El dataset cargado es:

Los barrios de CABA y su ubicación geografica

barrios_caba_mapa <- st_read("https://cdn.buenosaires.gob.ar/datosabiertos/datasets/barrios/barrios.geojson", stringsAsFactors=TRUE)
## Reading layer `barrios_badata_wgs84' from data source 
##   `https://cdn.buenosaires.gob.ar/datosabiertos/datasets/barrios/barrios.geojson' 
##   using driver `GeoJSON'
## Simple feature collection with 48 features and 6 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: -58.53152 ymin: -34.70529 xmax: -58.33515 ymax: -34.52649
## Geodetic CRS:  WGS 84
barrios_caba <- read.csv("barrios_caba.csv", stringsAsFactors = TRUE)
seleccion_barrios_caba <- select(barrios_caba, barrio, comuna, perimetro, area)

Con este dataset sabemos que hay 48 observaciones, es decir, filas y 4 variables, es decir, columnas (barrio, comuna, perimetro y area)

summary(seleccion_barrios_caba)
##        barrio       comuna         perimetro          area         
##  AGRONOMIA: 1   Min.   : 1.000   Min.   : 4531   Min.   : 1232270  
##  ALMAGRO  : 1   1st Qu.: 4.000   1st Qu.: 6554   1st Qu.: 2222027  
##  BALVANERA: 1   Median : 9.500   Median : 8254   Median : 3679709  
##  BARRACAS : 1   Mean   : 8.458   Mean   : 9863   Mean   : 4242703  
##  BELGRANO : 1   3rd Qu.:12.000   3rd Qu.:11127   3rd Qu.: 5142993  
##  BOCA     : 1   Max.   :15.000   Max.   :22127   Max.   :15845871  
##  (Other)  :42

A partir de este resumen podemos ver el máximo de comunas en las que se agrupan los barrios = 15. El perrímetro y área, máximo y minimo de los barrios. El promedio de perímetro de los barrios es: 9.863, y el promedio de área es: 4.242.703

En el siguiente dataset se agrega informacion geoespacial:

seleccion_barrios_caba_mapa <- select(barrios_caba_mapa, BARRIO, COMUNA, PERIMETRO, AREA, OBJETO, geometry)

Contamos entonces con 48 filas y 6 variables (columnas), además de las mismas que el dataset anterior, tambien tenemos variables de objeto y geometria.

summary(seleccion_barrios_caba_mapa)
##        BARRIO              COMUNA               PERIMETRO 
##  AGRONOMIA: 1   1.00000000000 : 6   10021.45966480000: 1  
##  ALMAGRO  : 1   10.00000000000: 6   10165.61402770000: 1  
##  BALVANERA: 1   15.00000000000: 6   10596.82673920000: 1  
##  BARRACAS : 1   11.00000000000: 4   10785.26108140000: 1  
##  BELGRANO : 1   12.00000000000: 4   10990.96447150000: 1  
##  BOCA     : 1   4.00000000000 : 4   11033.51030190000: 1  
##  (Other)  :42   (Other)       :18   (Other)          :42  
##                    AREA       OBJETO            geometry 
##  1232270.15874000010 : 1   BARRIO:48   MULTIPOLYGON :48  
##  1279951.37256000005 : 1               epsg:4326    : 0  
##  1334146.08282999997 : 1               +proj=long...: 0  
##  1385411.51374000008 : 1                                 
##  1406833.59580000001 : 1                                 
##  15845871.28800000064: 1                                 
##  (Other)             :42

A partir de este resumen podemos observar que existen 48 barrios y se agrupan por comuna.

Analizando un poco más los datos que tenemos, a partir de un grafico podemos entender más:

GRAFICO HISTROGRAMA

ggplot(seleccion_barrios_caba)+
  geom_histogram(aes(x=comuna, fill=area))
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Este gráfico nos muestra la superficie de cada comuna, es decir a partir del dato de área y de cada comuna, sabemos cuales son las más grandes (la 1, 4, 10, 15), y las que ocupan menos espacio.

GRAFICO DE BARRAS

ggplot(seleccion_barrios_caba)+
  geom_bar(aes(x=comuna, fill=barrio))+
  labs (title="Barrios por comuna", subtitle = "CABA")

Con el gráfico de barras pudimos ordenar los barrios dentro de cada comuna.

MAPA DE BARRIOS DE CABA

A partir del dataset con información geografica de los barrios de caba podemos observar el siguiente mapa:

ggplot()+
  geom_sf(data=seleccion_barrios_caba_mapa)+
  theme_bw()

Un simple mapa que muestra cómo estan ordenados los 48 barrios de la CABA en el espacio.

Ahora vemos el mapa de CABA con la ubicación de las comunas:

ggplot(seleccion_barrios_caba_mapa)+
  geom_sf(aes(fill=COMUNA), color="white")+
  labs(title="COMUNAS DE CABA", caption = "Fuente: BA Data", fill = "Número de comuna")+
    theme_light()

Otro mapa similar al anterior, pero en vez de rellenar con comunas, en este caso con el área:

ggplot(seleccion_barrios_caba_mapa)+
  geom_sf(aes(fill=BARRIO), color="white")+
  labs(title="LOS BARRIOS DE CABA")+
  theme_gray()