Cuaderno 3
Andres Camilo Medrano
7/4/2022
library(tidyverse)## -- Attaching packages --------------------------------------- tidyverse 1.3.1 --## v ggplot2 3.3.5 v purrr 0.3.4
## v tibble 3.1.6 v dplyr 1.0.8
## v tidyr 1.2.0 v stringr 1.4.0
## v readr 2.1.2 v forcats 0.5.1## -- Conflicts ------------------------------------------ tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()library(dplyr)
library(readr)
library(ggplot2)
library(readxl)INTRODUCCIÓN
Para el análisis de datos sobre producción, rendimiento o área cosechada de un grupo de cultivo de interes en un intervalo de tiempo (2006-2018), es necesario consultar la base de datos que reposa en la evaluaciones agropecuarias municipales para el departamento de Norte de santander. Con ayuda de diagramas de barras y de tortas se presenta la información de manera más didactica para el correcto análisis y conclusión.
Leer el archivo de interes
(eva = read_csv("C:/Users/andre/OneDrive/Escritorio/Documentos U/12 matricula/Geomatica/Proyectos/Evaluaciones_Agropecuarias_Municipales_EVA.csv", col_names = TRUE))## Rows: 9751 Columns: 17
## -- Column specification --------------------------------------------------------
## Delimiter: ","
## chr (10): DEPARTAMENTO, MUNICIPIO, GRUPO
## DE CULTIVO, SUBGRUPO
## DE CULTIVO, ...
## dbl (7): CÓD.
## DEP., CÓD. MUN., AÑO, Área Sembrada
## (ha), Área Cosechada
## (ha...
##
## i Use `spec()` to retrieve the full column specification for this data.
## i Specify the column types or set `show_col_types = FALSE` to quiet this message.## # A tibble: 9,751 x 17
## `CÓD. \nDEP.` DEPARTAMENTO `CÓD. MUN.` MUNICIPIO `GRUPO \nDE CULTIVO`
## <dbl> <chr> <dbl> <chr> <chr>
## 1 54 NORTE DE SANTANDER 54405 LOS PATIOS HORTALIZAS
## 2 54 NORTE DE SANTANDER 54518 PAMPLONA HORTALIZAS
## 3 54 NORTE DE SANTANDER 54518 PAMPLONA HORTALIZAS
## 4 54 NORTE DE SANTANDER 54405 LOS PATIOS HORTALIZAS
## 5 54 NORTE DE SANTANDER 54518 PAMPLONA HORTALIZAS
## 6 54 NORTE DE SANTANDER 54405 LOS PATIOS HORTALIZAS
## 7 54 NORTE DE SANTANDER 54518 PAMPLONA HORTALIZAS
## 8 54 NORTE DE SANTANDER 54405 LOS PATIOS HORTALIZAS
## 9 54 NORTE DE SANTANDER 54518 PAMPLONA HORTALIZAS
## 10 54 NORTE DE SANTANDER 54405 LOS PATIOS HORTALIZAS
## # ... with 9,741 more rows, and 12 more variables:
## # `SUBGRUPO \nDE CULTIVO` <chr>, CULTIVO <chr>,
## # `DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO` <chr>, AÑO <dbl>,
## # PERIODO <chr>, `Área Sembrada\n(ha)` <dbl>, `Área Cosechada\n(ha)` <dbl>,
## # `Producción\n(t)` <dbl>, `Rendimiento\n(t/ha)` <dbl>,
## # `ESTADO FISICO PRODUCCION` <chr>, `NOMBRE \nCIENTIFICO` <chr>,
## # `CICLO DE CULTIVO` <chr>names(eva)## [1] "CÓD. \nDEP."
## [2] "DEPARTAMENTO"
## [3] "CÓD. MUN."
## [4] "MUNICIPIO"
## [5] "GRUPO \nDE CULTIVO"
## [6] "SUBGRUPO \nDE CULTIVO"
## [7] "CULTIVO"
## [8] "DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO"
## [9] "AÑO"
## [10] "PERIODO"
## [11] "Área Sembrada\n(ha)"
## [12] "Área Cosechada\n(ha)"
## [13] "Producción\n(t)"
## [14] "Rendimiento\n(t/ha)"
## [15] "ESTADO FISICO PRODUCCION"
## [16] "NOMBRE \nCIENTIFICO"
## [17] "CICLO DE CULTIVO"Limpiando atributos de la base de datos
Como la tabla presenta atributos que pueden ser de poca importancia, es posible removerlos
## # A tibble: 9,751 x 13
## `CÓD. MUN.` MUNICIPIO `GRUPO \nDE CULTIVO` `SUBGRUPO \nDE CULTIVO` CULTIVO
## <dbl> <chr> <chr> <chr> <chr>
## 1 54405 LOS PATIOS HORTALIZAS ACELGA ACELGA
## 2 54518 PAMPLONA HORTALIZAS ACELGA ACELGA
## 3 54518 PAMPLONA HORTALIZAS ACELGA ACELGA
## 4 54405 LOS PATIOS HORTALIZAS ACELGA ACELGA
## 5 54518 PAMPLONA HORTALIZAS ACELGA ACELGA
## 6 54405 LOS PATIOS HORTALIZAS ACELGA ACELGA
## 7 54518 PAMPLONA HORTALIZAS ACELGA ACELGA
## 8 54405 LOS PATIOS HORTALIZAS ACELGA ACELGA
## 9 54518 PAMPLONA HORTALIZAS ACELGA ACELGA
## 10 54405 LOS PATIOS HORTALIZAS ACELGA ACELGA
## # ... with 9,741 more rows, and 8 more variables:
## # `DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO` <chr>, AÑO <dbl>,
## # PERIODO <chr>, `Área Sembrada\n(ha)` <dbl>, `Área Cosechada\n(ha)` <dbl>,
## # `Producción\n(t)` <dbl>, `Rendimiento\n(t/ha)` <dbl>,
## # `ESTADO FISICO PRODUCCION` <chr>Para continuar con la limpieza, se pueden cambiar los nombres de los atributos
eva.tmp %>% dplyr::rename('Cod_Mun' = 'CÓD. MUN.',
'Grupo' = 'GRUPO \nDE CULTIVO',
'Subgrupo' = 'SUBGRUPO \nDE CULTIVO',
'Year' = 'AÑO',
'AreaSembrada' = 'Área Sembrada\n(ha)',
'AreaCosechada' = 'Área Sembrada\n(ha)',
'Produccion' = 'Producción\n(t)', 'Rendimiento' = 'Rendimiento\n(t/ha)',
'Sistema' = 'DESAGREGACIÓN REGIONAL Y/O SISTEMA PRODUCTIVO',
'Estado' = 'ESTADO FISICO PRODUCCION') -> new_eva
new_eva## # A tibble: 9,751 x 13
## Cod_Mun MUNICIPIO Grupo Subgrupo CULTIVO Sistema Year PERIODO AreaCosechada
## <dbl> <chr> <chr> <chr> <chr> <chr> <dbl> <chr> <dbl>
## 1 54405 LOS PATIOS HORT~ ACELGA ACELGA ACELGA 2006 2006B 3
## 2 54518 PAMPLONA HORT~ ACELGA ACELGA ACELGA 2006 2006B 1
## 3 54518 PAMPLONA HORT~ ACELGA ACELGA ACELGA 2007 2007A 1
## 4 54405 LOS PATIOS HORT~ ACELGA ACELGA ACELGA 2007 2007B 3
## 5 54518 PAMPLONA HORT~ ACELGA ACELGA ACELGA 2007 2007B 1
## 6 54405 LOS PATIOS HORT~ ACELGA ACELGA ACELGA 2008 2008A 3
## 7 54518 PAMPLONA HORT~ ACELGA ACELGA ACELGA 2008 2008A 1
## 8 54405 LOS PATIOS HORT~ ACELGA ACELGA ACELGA 2008 2008B 3
## 9 54518 PAMPLONA HORT~ ACELGA ACELGA ACELGA 2008 2008B 1
## 10 54405 LOS PATIOS HORT~ ACELGA ACELGA ACELGA 2009 2009A 2
## # ... with 9,741 more rows, and 4 more variables: `Área Cosechada\n(ha)` <dbl>,
## # Produccion <dbl>, Rendimiento <dbl>, Estado <chr>Analizando la base de datos
Después de haber realizado la limpieza y procesamiento de la base de datos correspondiente a la evaluación agropecuaria municipal, es posible identificar los grupos de cultivos más importantes en el departamento de Norte de Santander y el total de la producción.
new_eva %>%
filter(Produccion > 0) %>%
group_by(Grupo) %>%
summarize(total_produccion = sum(Produccion)) %>%
arrange(desc(total_produccion)) -> pt
pt## # A tibble: 11 x 2
## Grupo total_produccion
## <chr> <dbl>
## 1 TUBERCULOS Y PLATANOS 3564160
## 2 HORTALIZAS 2188261
## 3 CEREALES 2107524
## 4 OTROS PERMANENTES 1015639
## 5 FRUTALES 948593
## 6 OLEAGINOSAS 712280
## 7 LEGUMINOSAS 153888
## 8 OTROS TRANSITORIOS 11087
## 9 PLANTAS AROMATICAS, CONDIMENTARIAS Y MEDICINALES 4587
## 10 FIBRAS 660
## 11 FLORES Y FOLLAJES 247Agrupando por cultivo
new_eva %>%
filter(Produccion > 0) %>%
group_by(CULTIVO) %>%
summarize(total_produccion = sum(Produccion)) %>%
arrange(desc(total_produccion)) -> pt2
pt2## # A tibble: 76 x 2
## CULTIVO total_produccion
## <chr> <dbl>
## 1 ARROZ 1936135
## 2 YUCA 1551561
## 3 TOMATE 1121408
## 4 PAPA 948998
## 5 PLATANO 938902
## 6 CEBOLLA DE BULBO 769775
## 7 PALMA DE ACEITE 712280
## 8 CAÑA PANELERA 502380
## 9 CAÑA AZUCARERA 233260
## 10 CAFE 201094
## # ... with 66 more rowsnew_eva %>%
filter(Rendimiento > 0) %>%
group_by(CULTIVO) %>%
summarize(total_rendimiento = sum(Rendimiento)) %>%
arrange(desc(total_rendimiento)) -> pt3
pt3## # A tibble: 76 x 2
## CULTIVO total_rendimiento
## <chr> <dbl>
## 1 TOMATE 24111.
## 2 PAPA 6013.
## 3 CEBOLLA DE BULBO 5882.
## 4 YUCA 4880.
## 5 PIMENTON 3346.
## 6 ARRACACHA 3200.
## 7 CAÑA AZUCARERA 2910.
## 8 NARANJA 2885.
## 9 PLATANO 2515.
## 10 ZANAHORIA 2257.
## # ... with 66 more rowsCon la anterior información es posible filtar los grupos de cultivos más importantes, saber el total de producción y adicionar el porcentaje de producción como un nuevo atributo
pt2 %>% filter(total_produccion > 950000) -> main.groups2
(value = sum(main.groups2$total_produccion))## [1] 4609104main.groups2$percent = main.groups2$total_produccion/valuept3 %>% filter(total_rendimiento > 4000) -> main.groups3
(value = sum(main.groups3$total_rendimiento))## [1] 40887.18main.groups3$percent = main.groups3$total_rendimiento/valueGráfica de torta
Para una mejor visualización de los grupos de cultivos más importantes del departamento Norte de Santander, se pueden separar por porcentaje
bp2<- ggplot(main.groups2, aes(x="", y=percent, fill=CULTIVO))+
geom_bar(stat = "identity")+geom_text(aes(label = paste0(round(percent,2),"%")),position = position_stack(vjust = 0.5))
pie2 <- bp2 + coord_polar(theta = "y")+theme_void()+scale_fill_brewer(palette = "Spectral")
pie2
bp3<- ggplot(main.groups3, aes(x="", y=percent, fill=CULTIVO))+
geom_bar(stat = "identity")+geom_text(aes(label = paste0(round(percent,2),"%")),position = position_stack(vjust = 0.5))
pie3 <- bp3 + coord_polar(theta = "y")+theme_void()+scale_fill_brewer(palette = "Spectral")
pie3
Producción de cada grupo de cultivo por municipio
new_eva %>%
group_by(CULTIVO, MUNICIPIO) %>%
summarize(total_prod = sum(Produccion, na.rm = TRUE)) %>%
slice(which.max(total_prod)) %>%
arrange(desc(total_prod)) -> leaders2## `summarise()` has grouped output by 'CULTIVO'. You can override using the
## `.groups` argument.leaders2## # A tibble: 78 x 3
## # Groups: CULTIVO [78]
## CULTIVO MUNICIPIO total_prod
## <chr> <chr> <dbl>
## 1 ARROZ CUCUTA 1318525
## 2 TOMATE OCAÑA 675200
## 3 YUCA TIBU 496623
## 4 PALMA DE ACEITE TIBU 480110
## 5 PAPA SILOS 405351
## 6 CEBOLLA DE BULBO SAN CALIXTO 181900
## 7 CAÑA AZUCARERA EL ZULIA 152483
## 8 CAÑA PANELERA CONVENCION 134741
## 9 PLATANO SARDINATA 86490
## 10 PIÑA TEORAMA 76520
## # ... with 68 more rowsDiagrama de barras
Filtrando el total de producción de cada departamento es posible construir una gráfica de barras que nos muestre el aporte en producción de cada municio de Norte de Santander
leaders2 %>% filter(total_prod > 400000) -> main.leaders2
p2<-ggplot(data=main.leaders2, aes(x=MUNICIPIO, y=total_prod)) +
geom_bar(stat="identity", fill="Red4")+theme_light()
p2
Dinámica del cultivo más importante (2006-2018)
Para éste caso, el arroz (grupo de cereales) es el de mayor producción en el municipio de Cúcuta, Norte de Santander
new_eva %>%
filter(MUNICIPIO=="CUCUTA" & CULTIVO=="ARROZ") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, Produccion, Year) -> cucuta_arroz
cucuta_arroz## # A tibble: 24 x 4
## # Groups: Year, CULTIVO [13]
## MUNICIPIO CULTIVO Produccion Year
## <chr> <chr> <dbl> <dbl>
## 1 CUCUTA ARROZ 51000 2006
## 2 CUCUTA ARROZ 54000 2007
## 3 CUCUTA ARROZ 49770 2007
## 4 CUCUTA ARROZ 56700 2008
## 5 CUCUTA ARROZ 63647 2008
## 6 CUCUTA ARROZ 70700 2009
## 7 CUCUTA ARROZ 79000 2009
## 8 CUCUTA ARROZ 60000 2010
## 9 CUCUTA ARROZ 45000 2010
## 10 CUCUTA ARROZ 65170 2011
## # ... with 14 more rowsGráfica del cultivo más importante en Cúcuta
g <- ggplot(aes(x=Year, y=Produccion/1000), data = cucuta_arroz) + geom_bar(stat='identity', fill="Red4") + labs(y='Produccion de arroz [Ton x 1000]') + theme_light()
g + ggtitle("Evolución de la producción del cultivo de arroz en Cúcuta del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO=="CUCUTA" & CULTIVO=="ARROZ") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, Rendimiento, Year) -> cucuta_arroz2
cucuta_arroz2## # A tibble: 24 x 4
## # Groups: Year, CULTIVO [13]
## MUNICIPIO CULTIVO Rendimiento Year
## <chr> <chr> <dbl> <dbl>
## 1 CUCUTA ARROZ 6.3 2006
## 2 CUCUTA ARROZ 6.24 2007
## 3 CUCUTA ARROZ 6.3 2007
## 4 CUCUTA ARROZ 6.3 2008
## 5 CUCUTA ARROZ 5.44 2008
## 6 CUCUTA ARROZ 6.86 2009
## 7 CUCUTA ARROZ 6.99 2009
## 8 CUCUTA ARROZ 6.32 2010
## 9 CUCUTA ARROZ 5.33 2010
## 10 CUCUTA ARROZ 6.86 2011
## # ... with 14 more rowsGráfica del cultivo más importante en Cúcuta
ggg2 <- ggplot(aes(x=Year, y=Rendimiento), data = cucuta_arroz2) + geom_bar(stat='identity', fill="Red4") + labs(y='Rendimiento de arroz [Ton/ha]') + theme_light()
ggg2 + ggtitle("Evolución del rendimiento del cultivo de arroz en Cúcuta del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO=="CUCUTA" & CULTIVO=="ARROZ") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, AreaCosechada, Year) -> Area_cucuta_arroz
Area_cucuta_arroz## # A tibble: 24 x 4
## # Groups: Year, CULTIVO [13]
## MUNICIPIO CULTIVO AreaCosechada Year
## <chr> <chr> <dbl> <dbl>
## 1 CUCUTA ARROZ 8100 2006
## 2 CUCUTA ARROZ 8660 2007
## 3 CUCUTA ARROZ 7948 2007
## 4 CUCUTA ARROZ 9180 2008
## 5 CUCUTA ARROZ 11720 2008
## 6 CUCUTA ARROZ 10310 2009
## 7 CUCUTA ARROZ 11300 2009
## 8 CUCUTA ARROZ 9500 2010
## 9 CUCUTA ARROZ 8444 2010
## 10 CUCUTA ARROZ 12000 2011
## # ... with 14 more rowsg <- ggplot(aes(x=Year, y=AreaCosechada/1000), data = Area_cucuta_arroz) + geom_bar(stat='identity', fill="Red4") + labs(y='Area cosechada de arroz [Ha]') + theme_light()
g + ggtitle("Evolución del área cosechada del cultivo de arroz en Cúcuta del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
Dinámica del cultivo de palma (2006-2018)
new_eva %>%
filter(MUNICIPIO=="TIBU" & CULTIVO=="PALMA DE ACEITE") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, Produccion, Year) -> tibu_palma
tibu_palma## # A tibble: 12 x 4
## # Groups: Year, CULTIVO [12]
## MUNICIPIO CULTIVO Produccion Year
## <chr> <chr> <dbl> <dbl>
## 1 TIBU PALMA DE ACEITE 15500 2007
## 2 TIBU PALMA DE ACEITE 14960 2008
## 3 TIBU PALMA DE ACEITE 16800 2009
## 4 TIBU PALMA DE ACEITE 20000 2010
## 5 TIBU PALMA DE ACEITE 29493 2011
## 6 TIBU PALMA DE ACEITE 32940 2012
## 7 TIBU PALMA DE ACEITE 38843 2013
## 8 TIBU PALMA DE ACEITE 43193 2014
## 9 TIBU PALMA DE ACEITE 56811 2015
## 10 TIBU PALMA DE ACEITE 54158 2016
## 11 TIBU PALMA DE ACEITE 78384 2017
## 12 TIBU PALMA DE ACEITE 79028 2018Gráfica del cultivo de palma 2016-2018
g22 <- ggplot(aes(x=Year, y=Produccion/1000), data = tibu_palma) + geom_bar(stat='identity', fill="Red4") + labs(y='Produccion de palma de aceite [Ton x 1000]') + theme_light()
g22 + ggtitle("Evolución de la producción del cultivo de palma de aceite en tibu del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO=="TIBU" & CULTIVO=="PALMA DE ACEITE") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, AreaCosechada, Year) -> Area_tibu_palma
Area_tibu_palma## # A tibble: 12 x 4
## # Groups: Year, CULTIVO [12]
## MUNICIPIO CULTIVO AreaCosechada Year
## <chr> <chr> <dbl> <dbl>
## 1 TIBU PALMA DE ACEITE 5300 2007
## 2 TIBU PALMA DE ACEITE 7533 2008
## 3 TIBU PALMA DE ACEITE 8682 2009
## 4 TIBU PALMA DE ACEITE 9831 2010
## 5 TIBU PALMA DE ACEITE 10980 2011
## 6 TIBU PALMA DE ACEITE 13404 2012
## 7 TIBU PALMA DE ACEITE 14894 2013
## 8 TIBU PALMA DE ACEITE 16394 2014
## 9 TIBU PALMA DE ACEITE 22350 2015
## 10 TIBU PALMA DE ACEITE 23322 2016
## 11 TIBU PALMA DE ACEITE 25122 2017
## 12 TIBU PALMA DE ACEITE 27402 2018g22 <- ggplot(aes(x=Year, y=AreaCosechada/1000), data = Area_tibu_palma) + geom_bar(stat='identity', fill="Red4") + labs(y='Area cosechada de palma de aceite [Ha]') + theme_light()
g22 + ggtitle("Evolución del área cosechada del cultivo de palma de aceite en Tibu del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO=="TIBU" & CULTIVO=="PALMA DE ACEITE") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, Rendimiento, Year) -> rendi_tibu_palma
rendi_tibu_palma## # A tibble: 12 x 4
## # Groups: Year, CULTIVO [12]
## MUNICIPIO CULTIVO Rendimiento Year
## <chr> <chr> <dbl> <dbl>
## 1 TIBU PALMA DE ACEITE 3.52 2007
## 2 TIBU PALMA DE ACEITE 3.4 2008
## 3 TIBU PALMA DE ACEITE 3.5 2009
## 4 TIBU PALMA DE ACEITE 2.99 2010
## 5 TIBU PALMA DE ACEITE 3 2011
## 6 TIBU PALMA DE ACEITE 3 2012
## 7 TIBU PALMA DE ACEITE 2.9 2013
## 8 TIBU PALMA DE ACEITE 2.9 2014
## 9 TIBU PALMA DE ACEITE 2.9 2015
## 10 TIBU PALMA DE ACEITE 2.54 2016
## 11 TIBU PALMA DE ACEITE 3.39 2017
## 12 TIBU PALMA DE ACEITE 3.39 2018g2234 <- ggplot(aes(x=Year, y=Rendimiento), data = rendi_tibu_palma) + geom_bar(stat='identity', fill="Red4") + labs(y='Rendimiento de palma de aceite [Ton/ha]') + theme_light()
g2234 + ggtitle("Evolución del rendimiento del cultivo de palma de aceite en Tibu del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
Dinámica del cultivo de yuca (2006-2018)
new_eva %>%
filter(MUNICIPIO=="TIBU" & CULTIVO=="YUCA") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, Produccion, Year) -> tibu_yuca
tibu_yuca## # A tibble: 12 x 4
## # Groups: Year, CULTIVO [12]
## MUNICIPIO CULTIVO Produccion Year
## <chr> <chr> <dbl> <dbl>
## 1 TIBU YUCA 55000 2007
## 2 TIBU YUCA 33600 2008
## 3 TIBU YUCA 33600 2009
## 4 TIBU YUCA 33600 2010
## 5 TIBU YUCA 33360 2011
## 6 TIBU YUCA 42263 2012
## 7 TIBU YUCA 41600 2013
## 8 TIBU YUCA 45500 2014
## 9 TIBU YUCA 45500 2015
## 10 TIBU YUCA 45500 2016
## 11 TIBU YUCA 41600 2017
## 12 TIBU YUCA 45500 2018Gráfica del cultivo de yuca 2016-2018
g33 <- ggplot(aes(x=Year, y=Produccion/1000), data = tibu_yuca) + geom_bar(stat='identity', fill="Red4") + labs(y='Produccion de yuca [Ton x 1000]') + theme_light()
g33 + ggtitle("Evolución de la producción del cultivo de yuca en tibu del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO=="TIBU" & CULTIVO=="YUCA") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, AreaCosechada, Year) -> Area_tibu_yuca
Area_tibu_yuca## # A tibble: 12 x 4
## # Groups: Year, CULTIVO [12]
## MUNICIPIO CULTIVO AreaCosechada Year
## <chr> <chr> <dbl> <dbl>
## 1 TIBU YUCA 3600 2007
## 2 TIBU YUCA 3200 2008
## 3 TIBU YUCA 3200 2009
## 4 TIBU YUCA 3200 2010
## 5 TIBU YUCA 2800 2011
## 6 TIBU YUCA 3251 2012
## 7 TIBU YUCA 3200 2013
## 8 TIBU YUCA 3500 2014
## 9 TIBU YUCA 3500 2015
## 10 TIBU YUCA 3500 2016
## 11 TIBU YUCA 3200 2017
## 12 TIBU YUCA 3500 2018g33 <- ggplot(aes(x=Year, y=AreaCosechada/1000), data = Area_tibu_yuca) + geom_bar(stat='identity', fill="Red4") + labs(y='Area cosechada de yuca [Ha]') + theme_light()
g33 + ggtitle("Evolución del área cosechada del cultivo de yuca en Tibu del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
Dinámica del cultivo de tomate (2006-2018)
new_eva %>%
filter(MUNICIPIO=="OCAÑA" & CULTIVO=="TOMATE") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, Produccion, Year) -> ocaña_tomate
ocaña_tomate ## # A tibble: 24 x 4
## # Groups: Year, CULTIVO [13]
## MUNICIPIO CULTIVO Produccion Year
## <chr> <chr> <dbl> <dbl>
## 1 OCAÑA TOMATE 22000 2006
## 2 OCAÑA TOMATE 14000 2007
## 3 OCAÑA TOMATE 14000 2007
## 4 OCAÑA TOMATE 17100 2008
## 5 OCAÑA TOMATE 20900 2008
## 6 OCAÑA TOMATE 28800 2009
## 7 OCAÑA TOMATE 23040 2009
## 8 OCAÑA TOMATE 26400 2010
## 9 OCAÑA TOMATE 31200 2010
## 10 OCAÑA TOMATE 33600 2011
## # ... with 14 more rowsGráfica del cultivo de tomate 2016-2018
g44 <- ggplot(aes(x=Year, y=Produccion/1000), data = ocaña_tomate) + geom_bar(stat='identity', fill="Red4") + labs(y='Produccion de tomate [Ton x 1000]') + theme_light()
g44 + ggtitle("Evolución de la producción del cultivo de tomate en Ocaña del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")
new_eva %>%
filter(MUNICIPIO=="OCAÑA" & CULTIVO=="TOMATE") %>%
group_by(Year, CULTIVO) %>%
select(MUNICIPIO, CULTIVO, AreaCosechada, Year) -> Area_ocaña_tomate
Area_ocaña_tomate## # A tibble: 24 x 4
## # Groups: Year, CULTIVO [13]
## MUNICIPIO CULTIVO AreaCosechada Year
## <chr> <chr> <dbl> <dbl>
## 1 OCAÑA TOMATE 440 2006
## 2 OCAÑA TOMATE 350 2007
## 3 OCAÑA TOMATE 350 2007
## 4 OCAÑA TOMATE 450 2008
## 5 OCAÑA TOMATE 550 2008
## 6 OCAÑA TOMATE 600 2009
## 7 OCAÑA TOMATE 480 2009
## 8 OCAÑA TOMATE 550 2010
## 9 OCAÑA TOMATE 650 2010
## 10 OCAÑA TOMATE 700 2011
## # ... with 14 more rowsg44 <- ggplot(aes(x=Year, y=AreaCosechada/1000), data = Area_ocaña_tomate) + geom_bar(stat='identity', fill="Red4") + labs(y='Area cosechada de tomate [Ha]') + theme_light()
g44 + ggtitle("Evolución del área cosechada del cultivo de tomate en Ocaña del 2006 al 2018") + labs(caption= "Based on EVA data (Minagricultura, 2020)")