Tarea 2

Tarea 2: Mapeando la población de Montevideo

library (tidyverse)

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

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

## v ggplot2 3.3.3     v purrr   0.3.4
## v tibble  3.1.1     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

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

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

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

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

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

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

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

library(readxl)

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

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

A partir del marco muestral y del shape de segmentos censales descargados del INE:

filtro el marco y el shape para trabajar solo con Montevideo

marco2011 <- read_xlsx("Marco_2011_con_barrio_y_Sec_pol.xlsx")
MapaSeg <- st_read("ine_seg_11.shp", stringsAsFactors = TRUE)

## Reading layer `ine_seg_11' from data source 
##   `C:\Users\Usuario\Documents\Diplomatura\Ciencia_datos_ciudades\Datos_ciudades\Tareas\ine_seg_11.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 4313 features and 13 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 366582.2 ymin: 6127919 xmax: 858252.1 ymax: 6671738
## CRS:           NA

datos_mdeo <- filter (marco2011, DPTO =="01") 
Mapa_Mdeo_Seg <- filter (MapaSeg, DEPTO ==1)

agrego el marco muestral a nivel de segmento censal

datos_mdeo <- mutate (datos_mdeo, CODSEG=(substr (CODCOMP,1,7))) %>% 
    mutate (CODSEG=as.integer(CODSEG))

segmentos_mdeo <- group_by (datos_mdeo, CODSEG) %>% 
  summarise (P_TOT= sum (P_TOT),
             P_TOT_HOM = sum (P_TOT_HOM), 
             P_TOT_MUJ = sum  (P_TOT_MUJ),
             V_TOT = sum (V_TOT),
             V_TOT_OC= sum (V_TOT_OC),
             V_TOT_DES= sum (V_TOT_DES))

Le agrego la información del marco censal al shape de Montevideo.

Mapa_Mdeo_Seg <- left_join(Mapa_Mdeo_Seg, segmentos_mdeo, by="CODSEG")

A continuación se presenta la distribución de la población en el mapa según segmento censal.

Mapa_Mdeo_Seg <- mutate(Mapa_Mdeo_Seg, AREAkm=AREA/100000) %>% 
  mutate(pob_km2=(P_TOT/AREAkm))

ggplot(Mapa_Mdeo_Seg)+
  geom_sf(aes(fill=P_TOT))+
  labs(title="Distribución de población Montevideo",
       subtitle="Censo 2011",
       caption = "Fuente: INE 2011",
      fill="Población") +
  scale_fill_distiller(palette = "Spectral")+
  theme_void()

Para simplificar el análisis visual del mapa, veremos cómo es la densidad de población pero viendo cuáles segmentos se encuentran por encima de la media de densidad (932 personas por km2)y cuáles por debajo.

summary(Mapa_Mdeo_Seg$pob_km2)

##    Min. 1st Qu.  Median    Mean 3rd Qu.    Max.    NA's 
##     0.0   474.9   820.3   932.4  1187.8  4992.4       1

Mapa_Mdeo_Seg <- Mapa_Mdeo_Seg %>%
  mutate(categoria=if_else(P_TOT>=932, "MAYOR A MEDIA", "MENOR A MEDIA"))

ggplot(Mapa_Mdeo_Seg %>% filter(categoria!="NA"))+
  geom_sf(aes(fill=categoria))+
  labs(title="Densidad de población Montevideo",
       subtitle="Censo 2011",
       caption = "Fuente: INE 2011",
      fill="Densidad pob. en relación a la media") +
   scale_fill_manual(values=c("mediumvioletred", "midnightblue"))+
    theme_void()

Como puede observarse en el mapa, la población se concentra mayoritariamente en segmentos centrales y costeros de la ciudad.

MapaBarrios <- st_read("ine_barrios_mvd_nbi85.shp", stringsAsFactors = TRUE)

## Reading layer `ine_barrios_mvd_nbi85' from data source 
##   `C:\Users\Usuario\Documents\Diplomatura\Ciencia_datos_ciudades\Datos_ciudades\Tareas\ine_barrios_mvd_nbi85.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 62 features and 3 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 551982.7 ymin: 6133499 xmax: 589227.2 ymax: 6159810
## CRS:           NA

ggplot()+
  geom_sf(data=Mapa_Mdeo_Seg %>% filter(categoria!="NA"), aes(fill=categoria))+
  geom_sf(data=MapaBarrios, color="midnightblue", alpha=0.30)+
  geom_sf_text(data=MapaBarrios,aes(label=NOMBBARR), size=2)+
  labs(title="Densidad de población por barrio",
       subtitle="Censo 2011",
       caption = "Fuente: INE 2011",
       fill="Densidad pob. en relación a la media") +
  scale_fill_manual(values=c("mediumvioletred", "midnightblue"))+
  theme(legend.key.size = unit(0.1, "cm"),
        legend.key.width = unit(0.1,"cm"),
        legend.title=element_text(size=4, face = "bold"), 
        legend.text=element_text(size=2)) +
  theme_void()

Visualizando la densidad por segmentos por barrio vemos que hay barrios que son homogéneso en relación a densidades altas como Pocitos, Carrasco Norte, Malvín, Casavalle, Las Acacias. Y otros barrios presentan diferencias de densidad a la interna.

Tarea 2

Valentina Cancela

29/9/2021

Tarea 2: Mapeando la población de Montevideo