| title: “Notebook1-Geomática Básica” |
| author: “Anderson Bayardo Palma Oliva” |
| date: 09-10-2022 |
| output: html_notebook |
###Este documento nos muestra los principales cultivos y la producción en el departamento de Nariño.
library(readxl)
(archivos = list.files(pattern='xls'))## [1] "~$Ejercicio 1.xlsx"
## [2] "Agroclimatologia .xlsx"
## [3] "BaseSIPRA2020.xlsx"
## [4] "Bitacora 3.xlsx"
## [5] "bitacora 4 .xlsx"
## [6] "Ejercicio 1.xlsx"
## [7] "Lista de estudiantes-Notas-3-02-22.xls"
## [8] "mppf_dd_web_tcm38-290948.xlsx"
## [9] "Promedios Climatológicos 1981 - 2010 (1).xlsx"
## [10] "Promedios Climatológicos 1981 - 2010.xlsx"
## [11] "Promedios Climatológicos 1971 - 2000.xlsx"
## [12] "TABLERO DE CONTROL 2018-2020 SIN OTRO SI.xlsx"
## [13] "Taller-RP (1).xlsx"
## [14] "Taller-RP.xlsx"
## [15] "Taller-RP_2021_SI.xlsx"(hojas = readxl::excel_sheets("BaseSIPRA2020.xlsx"))## [1] "Agrícola_SIPRA_AGRONET" "InventarioBovino"
## [3] "InventarioPorcino" "InvBufalosCaprinoOvinoEquino"
## [5] "InvAves"eva2020 = readxl::read_excel("BaseSIPRA2020.xlsx", sheet = "Agrícola_SIPRA_AGRONET")
eva2020## # A tibble: 20,345 x 16
## `Codigo del depart~` Departamento `Código del Mu~` Municipio `Grupo cultivo~`
## <chr> <chr> <chr> <chr> <chr>
## 1 cod_depart departamento cod_municipio municipio grupo_cultiv
## 2 05 Antioquia 05002 Abejorral Frutales
## 3 05 Antioquia 05002 Abejorral Frutales
## 4 05 Antioquia 05002 Abejorral Frutales
## 5 05 Antioquia 05002 Abejorral Leguminosas Y O~
## 6 05 Antioquia 05002 Abejorral Leguminosas Y O~
## 7 05 Antioquia 05002 Abejorral Tubérculos Y Pl~
## 8 05 Antioquia 05002 Abejorral Tubérculos Y Pl~
## 9 05 Antioquia 05002 Abejorral Frutales
## 10 05 Antioquia 05002 Abejorral Cereales
## # ... with 20,335 more rows, and 11 more variables:
## # `Subgrupo cultivo según especie` <chr>, Cultivo <chr>, Año <chr>,
## # Periodo <chr>, `Area Sembrada (ha)` <chr>, `Area Cosechada (ha)` <chr>,
## # `Producción (t)` <chr>, `Rendimiento (t/ha)` <chr>,
## # `Ciclo del cultivo` <chr>, `Estado físico de la producción` <chr>,
## # `Nombre científico` <chr>narino2020 = dplyr::filter(eva2020, Departamento == "Nariño")
narino2020## # A tibble: 1,364 x 16
## `Codigo del depart~` Departamento `Código del Mu~` Municipio `Grupo cultivo~`
## <chr> <chr> <chr> <chr> <chr>
## 1 52 Nariño 52019 Albán (S~ Leguminosas Y O~
## 2 52 Nariño 52019 Albán (S~ Leguminosas Y O~
## 3 52 Nariño 52019 Albán (S~ Leguminosas Y O~
## 4 52 Nariño 52019 Albán (S~ Leguminosas Y O~
## 5 52 Nariño 52019 Albán (S~ Leguminosas Y O~
## 6 52 Nariño 52019 Albán (S~ Leguminosas Y O~
## 7 52 Nariño 52019 Albán (S~ Plátanos
## 8 52 Nariño 52019 Albán (S~ Tubérculos Y Pl~
## 9 52 Nariño 52019 Albán (S~ Tubérculos Y Pl~
## 10 52 Nariño 52019 Albán (S~ Tubérculos Y Pl~
## # ... with 1,354 more rows, and 11 more variables:
## # `Subgrupo cultivo según especie` <chr>, Cultivo <chr>, Año <chr>,
## # Periodo <chr>, `Area Sembrada (ha)` <chr>, `Area Cosechada (ha)` <chr>,
## # `Producción (t)` <chr>, `Rendimiento (t/ha)` <chr>,
## # `Ciclo del cultivo` <chr>, `Estado físico de la producción` <chr>,
## # `Nombre científico` <chr>library(dplyr)##
## Attaching package: 'dplyr'## The following objects are masked from 'package:stats':
##
## filter, lag## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, unionlibrary(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.6 v stringr 1.4.0
## v tidyr 1.2.0 v forcats 0.5.1
## v readr 2.1.2## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()narino2020.tmp <- narino2020 %>% select('Código del Municipio':'Ciclo del cultivo')
narino2020.tmp## # A tibble: 1,364 x 12
## `Código del Munic~` Municipio `Grupo cultivo~` `Subgrupo cult~` Cultivo Año
## <chr> <chr> <chr> <chr> <chr> <chr>
## 1 52019 Albán (S~ Leguminosas Y O~ Leguminosas Arveja 2020
## 2 52019 Albán (S~ Leguminosas Y O~ Leguminosas Fríjol 2020
## 3 52019 Albán (S~ Leguminosas Y O~ Leguminosas Fríjol 2020
## 4 52019 Albán (S~ Leguminosas Y O~ Leguminosas Arveja 2020
## 5 52019 Albán (S~ Leguminosas Y O~ Leguminosas Maní 2020
## 6 52019 Albán (S~ Leguminosas Y O~ Leguminosas Maní 2020
## 7 52019 Albán (S~ Plátanos Plátanos Plátano 2020
## 8 52019 Albán (S~ Tubérculos Y Pl~ Tubérculos Arraca~ 2020
## 9 52019 Albán (S~ Tubérculos Y Pl~ Tubérculos Arraca~ 2020
## 10 52019 Albán (S~ Tubérculos Y Pl~ Tubérculos Achira 2020
## # ... with 1,354 more rows, and 6 more variables: Periodo <chr>,
## # `Area Sembrada (ha)` <chr>, `Area Cosechada (ha)` <chr>,
## # `Producción (t)` <chr>, `Rendimiento (t/ha)` <chr>,
## # `Ciclo del cultivo` <chr>narino2020.tmp %>% rename(Cod_Mun = 'Código del Municipio',
Grupo = 'Grupo cultivo según especie',
Subgrupo = 'Subgrupo cultivo según especie',
AreaSiembra = 'Area Sembrada (ha)',
AreaCosecha = 'Area Cosechada (ha)',
Produccion = 'Producción (t)',
Rendimiento = 'Rendimiento (t/ha)', Ciclo='Ciclo del cultivo') -> narino2020
narino2020## # A tibble: 1,364 x 12
## Cod_Mun Municipio Grupo Subgrupo Cultivo Año Periodo AreaSiembra
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <chr>
## 1 52019 Albán (San José Leguminos~ Legumin~ Arveja 2020 2020B 47
## 2 52019 Albán (San José Leguminos~ Legumin~ Fríjol 2020 2020B 37
## 3 52019 Albán (San José Leguminos~ Legumin~ Fríjol 2020 2020A 98
## 4 52019 Albán (San José Leguminos~ Legumin~ Arveja 2020 2020A 82
## 5 52019 Albán (San José Leguminos~ Legumin~ Maní 2020 2020A 5
## 6 52019 Albán (San José Leguminos~ Legumin~ Maní 2020 2020B 3
## 7 52019 Albán (San José Plátanos Plátanos Plátano 2020 2020 829
## 8 52019 Albán (San José Tubérculo~ Tubércu~ Arraca~ 2020 2020A 2.5
## 9 52019 Albán (San José Tubérculo~ Tubércu~ Arraca~ 2020 2020B 2.5
## 10 52019 Albán (San José Tubérculo~ Tubércu~ Achira 2020 2020A 7
## # ... with 1,354 more rows, and 4 more variables: AreaCosecha <chr>,
## # Produccion <chr>, Rendimiento <chr>, Ciclo <chr>narino2020 %>% mutate(AreaSiembra = as.numeric(AreaSiembra),
AreaCosecha = as.numeric(AreaCosecha),
Produccion = as.numeric(Produccion),
Rendimiento = as.numeric(Rendimiento)) -> narino2020 narino2020 ## # A tibble: 1,364 x 12
## Cod_Mun Municipio Grupo Subgrupo Cultivo Año Periodo AreaSiembra
## <chr> <chr> <chr> <chr> <chr> <chr> <chr> <dbl>
## 1 52019 Albán (San José Leguminos~ Legumin~ Arveja 2020 2020B 47
## 2 52019 Albán (San José Leguminos~ Legumin~ Fríjol 2020 2020B 37
## 3 52019 Albán (San José Leguminos~ Legumin~ Fríjol 2020 2020A 98
## 4 52019 Albán (San José Leguminos~ Legumin~ Arveja 2020 2020A 82
## 5 52019 Albán (San José Leguminos~ Legumin~ Maní 2020 2020A 5
## 6 52019 Albán (San José Leguminos~ Legumin~ Maní 2020 2020B 3
## 7 52019 Albán (San José Plátanos Plátanos Plátano 2020 2020 829
## 8 52019 Albán (San José Tubérculo~ Tubércu~ Arraca~ 2020 2020A 2.5
## 9 52019 Albán (San José Tubérculo~ Tubércu~ Arraca~ 2020 2020B 2.5
## 10 52019 Albán (San José Tubérculo~ Tubércu~ Achira 2020 2020A 7
## # ... with 1,354 more rows, and 4 more variables: AreaCosecha <dbl>,
## # Produccion <dbl>, Rendimiento <dbl>, Ciclo <chr>narino2020 %>%
filter(Produccion > 0) %>%
group_by(Cultivo) %>%
summarize(total_produccion = sum(Produccion)) %>%
arrange(desc(total_produccion))## # A tibble: 91 x 2
## Cultivo total_produccion
## <chr> <dbl>
## 1 Papa 924520.
## 2 Plátano 145916.
## 3 Caña panelera 97907.
## 4 Coco 74869.
## 5 Arveja 71504.
## 6 Yuca 54806.
## 7 Lechuga 45092.
## 8 Tomate 43894.
## 9 Cebolla de rama 38642
## 10 Palma de aceite 37816.
## # ... with 81 more rowsnarino2020 %>%
group_by(Cultivo, Municipio) %>%
summarize(max_prod = max(Produccion, na.rm = TRUE)) %>%
slice(which.max(max_prod)) %>%
arrange(desc(max_prod))## `summarise()` has grouped output by 'Cultivo'. You can override using the
## `.groups` argument.## # A tibble: 92 x 3
## # Groups: Cultivo [92]
## Cultivo Municipio max_prod
## <chr> <chr> <dbl>
## 1 Papa Potosí 147702.
## 2 Plátano Tumaco 62220.
## 3 Coco Tumaco 55271.
## 4 Yuca Tumaco 45000
## 5 Palma de aceite Tumaco 37813.
## 6 Limón El Rosario 22800
## 7 Caña panelera Linares 21708.
## 8 Arveja Potosí 17628.
## 9 Cítricos Santa Bárbara (Iscuandé 16545
## 10 Cebolla de rama Potosí 15840
## # ... with 82 more rowsnarino2020 %>%
group_by(Grupo,Municipio) %>%
summarize(max_prod = max(Produccion, na.rm = TRUE)) %>%
slice(which.max(max_prod)) %>%
arrange(desc(max_prod))## `summarise()` has grouped output by 'Grupo'. You can override using the
## `.groups` argument.## # A tibble: 9 x 3
## # Groups: Grupo [9]
## Grupo Municipio max_prod
## <chr> <chr> <dbl>
## 1 Tubérculos Y Plátanos Potosí 147702.
## 2 Plátanos Tumaco 62220.
## 3 Frutales Tumaco 55271.
## 4 Leguminosas Y Oleaginosas Tumaco 37813.
## 5 Cultivos Tropicales Tradicionales Linares 21708.
## 6 Hortalizas Potosí 15840
## 7 Fibras La Florida 1919.
## 8 Cereales Yacuanquer 1775
## 9 Plantas Aromáticas, Condimentarlas Y Medicinales Potosí 65narino2020 %>%
group_by(Cod_Mun, Municipio, Grupo) %>%
filter(Grupo=='Tubérculos Y Plátanos') %>%
summarize(max_prod = max(Produccion, na.rm = TRUE)) %>%
arrange(desc(max_prod)) -> tuberculosyplatanos2020## `summarise()` has grouped output by 'Cod_Mun', 'Municipio'. You can override
## using the `.groups` argument.tuberculosyplatanos2020## # A tibble: 63 x 4
## # Groups: Cod_Mun, Municipio [63]
## Cod_Mun Municipio Grupo max_prod
## <chr> <chr> <chr> <dbl>
## 1 52560 Potosí Tubérculos Y Plátanos 147702.
## 2 52001 Pasto Tubérculos Y Plátanos 119940
## 3 52585 Pupiales Tubérculos Y Plátanos 53244
## 4 52835 Tumaco Tubérculos Y Plátanos 45000
## 5 52506 Ospina Tubérculos Y Plátanos 41138.
## 6 52356 Ipiales Tubérculos Y Plátanos 29115
## 7 52720 Sapuyes Tubérculos Y Plátanos 16270
## 8 52323 Gualmatán Tubérculos Y Plátanos 14100
## 9 52210 Contadero Tubérculos Y Plátanos 13000
## 10 52317 Guachucal Tubérculos Y Plátanos 9782
## # ... with 53 more rowsnarino2020 %>%
group_by(Cod_Mun, Municipio, Grupo) %>%
filter(Grupo=='Plátanos') %>%
summarize(max_prod = max(Produccion, na.rm = TRUE)) %>%
arrange(desc(max_prod)) -> platanos2020## `summarise()` has grouped output by 'Cod_Mun', 'Municipio'. You can override
## using the `.groups` argument.platanos2020## # A tibble: 35 x 4
## # Groups: Cod_Mun, Municipio [35]
## Cod_Mun Municipio Grupo max_prod
## <chr> <chr> <chr> <dbl>
## 1 52835 Tumaco Plátanos 62220.
## 2 52683 Sandoná Plátanos 17608
## 3 52250 El Charco Plátanos 15050
## 4 52418 Los Andes (Sotomayor Plátanos 8000
## 5 52203 Colón (Génova Plátanos 6000
## 6 52381 La Florida Plátanos 5582.
## 7 52693 San Pablo Plátanos 3600
## 8 52520 Francisco Pizarro (Salahonda Plátanos 3570
## 9 52678 Samaniego Plátanos 3345.
## 10 52411 Linares Plátanos 2742.
## # ... with 25 more rowslibrary(AlphaPart)##
## Attaching package: 'AlphaPart'## The following object is masked from 'package:grDevices':
##
## savePlot## The following object is masked from 'package:utils':
##
## write.csvwrite_csv(tuberculosyplatanos2020, "./narino_tuberculosyplatanos_2020.csv")library(AlphaPart)
write_csv(platanos2020, "./narino_platanos_2020.csv")##Bibliografia
Lizarazo, I. Reading and processing municipal agricultural statistics for 2020. Available at: https://rpubs.com/ials2un/readingEVAv1.