Paquetes a utilizar

library(pacman)
p_load(rmdformats,readr,readxl,ggplot2,plotly,DT,xfun,gridExtra,leaflet)

Importar datos

setwd("~/Documents/APLICADA")
CM <- read_excel("Concentracion_Mov.xlsx")
datatable(CM)

Origen de los datos

content <- paste(sep = "<br/>",
  "<b><a href='https://www.ruoa.unam.mx/index.php?page=estaciones&id=6#datos'>ERNO</a></b>","Lng: -110.9706, Lat: 29.0814")


m <- leaflet() %>%
  addTiles() %>%  
  addMarkers(lng=-110.9706, lat= 29.0814, popup= content)

m

Analisis explratorio de datos

Empezamos este análisis utulizando una matriz de diagramas de dispersión

Cual de las variables de movilidad afectan mas a la incidencia de contaminantes atmosféricos?

Nuestra hipótesis es que a medida que las personas aumemtan su estadía en sus casas (y por consecuente no usan su automovil o el transporte público) los contaminantes atmosféricos bajan su concentración

pairs(CM)

Serie de tiempo de los datos

Para entender como serie de tiempo la movilidad de google VS los contaminantes de la estacion ERNO, haremos un grafico interactivo con GGPPLOT2

movilidad <- ggplot(CM) +
  geom_line(aes(x=Fecha,y=Reactivacion_Comercial,colour="Recreación y comercio")) +
  geom_line(aes(x=Fecha,y=Supermercado_Farmacia,colour="Abarrotes y farmacias")) +
  geom_line(aes(x=Fecha,y=Parques_Centros,colour="Parques")) +
  geom_line(aes(x=Fecha,y=Estaciones_Transito,colour="Estaciones de tránsito")) +
  geom_line(aes(x=Fecha,y=Lugares_Trabajo,colour="Lugares de trabajo"))+
  geom_line(aes(x=Fecha,y=Residencia,colour="Lugares residenciales")) +
  labs(title="Reporte de movilidad",x="Fecha",y="Procentaje de cambio de movilidad")
ggplotly(movilidad)

Descarga este codigo

xfun::embed_file("multiple_tiempo.Rmd")

Download multiple_tiempo.Rmd

Descarga de los datos

• Datos de concentracion de contaminantes y de movilidad

xfun::embed_file("Concentracion_Mov.xlsx")

Download Concentracion_Mov.xlsx