Hướng dẫn cách lấy dữ liệu từ Wikipedia và vẽ đồ thị world map
Duc Nguyen | Chuyên đào tạo kỹ năng R |
www.tuhocr.com
Jan 5, 2023
Import dataset
Sử dụng lệnh IMPORTHTML() trong googlesheet
để import bảng dữ liệu từ wikipedia vào file googlesheet.
Tham khảo Scrape data from wikipedia and put into Google Sheets by Chris Menard.
Các file googlesheet tương ứng:
Load dataset vào R
library("googlesheets4")
options(scipen = 15, digits = 15, width = 200)
coffee_production <- read_sheet('1gKRpLrMr1Tg7PbFCBn5mFQXPSdZf5oPPcch0F8B6E6A')
rice_production <- read_sheet('11EU8qJt14EflHgU2cCENQnIJUZKIClAMWHaFa_CEchk')
fruit_production <- read_sheet('18axSqCjxQq6o7-cfKeAQN8WmROBX9QiInApBdIApOkg')
vegetable_production <- read_sheet('1NHsdl7_bWhRjsFIwVvQX5WpGHtLEMeX6D7qFdCZReMk')
soybean_production <- read_sheet('19m2pofqWczmQlRSkZ582j-ljb-dYFpa1_KxxJIcuags')Clean dataset
Dataset khi import vào R có một số chỗ nho nhỏ cần làm sạch để gom vào dataset master trước khi dùng để vẽ đồ thị world map. Đơn vị quy chuẩn là metric ton (1000 kg).
### Cleaning dataset coffee_production
coffee_production_df <- as.data.frame(coffee_production)
coffee_production_2019 <- coffee_production_df[, c(2, 4)] # chọn những cột quan tâm
### Làm sạch data
gsub(pattern = "China(2013–14 est.)[7]", replacement = "China", x = coffee_production_2019[, 1], fixed = TRUE) -> coffee_production_2019[, 1]
gsub(pattern = "Timor Leste", replacement = "Timor-Leste", x = coffee_production_2019[, 1], fixed = TRUE) -> coffee_production_2019[, 1]
names(coffee_production_2019) <- c("country", "coffee_2019")
### In dataset
head(coffee_production_2019, n = 10)## country coffee_2019
## 1 Brazil 2652000
## 2 Vietnam 1650000
## 3 Colombia 810000
## 4 Indonesia 660000
## 5 Ethiopia 384000
## 6 Honduras 348000
## 7 India 348000
## 8 Uganda 288000
## 9 Mexico 234000
## 10 Guatemala 204000### Cleaning dataset rice_production
rice_production_df <- as.data.frame(rice_production)
rice_production_2020 <- rice_production_df[, c(2, 3)] # chọn những cột quan tâm
### Loại NA
rice_production_2020 <- na.omit(rice_production_2020)
names(rice_production_2020) <- c("country", "rice_2020")
### In dataset
head(rice_production_2020, n = 10)## country rice_2020
## 1 China 211860000
## 2 India 178305000
## 3 Bangladesh 54905891
## 4 Indonesia 54649202
## 5 Vietnam 42758897
## 6 Thailand 30231025
## 7 Myanmar 25100000
## 8 Philippines 19294856
## 9 Brazil 11091011
## 10 Cambodia 10960000### Cleaning dataset fruit_production
fruit_production_df <- as.data.frame(fruit_production)
fruit_production_2020 <- fruit_production_df[, c(2, 3)] # chọn những cột quan tâm
### Loại NA
fruit_production_2020 <- na.omit(fruit_production_2020)
### Làm sạch data
gsub(pattern = "People's Republic of China", replacement = "China", x = fruit_production_2020[, 1], fixed = TRUE) -> fruit_production_2020[, 1]
which(fruit_production_2020[, 1] == "Saint Kitts and Nevis") -> remove_1
fruit_production_2020[-remove_1, ] -> fruit_production_2020
names(fruit_production_2020) <- c("country", "fruit_2020")
### In dataset
head(fruit_production_2020, n = 10)## country fruit_2020
## 1 China 242793824
## 2 India 105971127
## 3 Brazil 39758842
## 4 Turkey 24153128
## 5 Mexico 23837562
## 6 United States 23747765
## 7 Indonesia 22743965
## 8 Spain 19471070
## 9 Iran 18963596
## 10 Italy 17827510### Cleaning dataset vegetable_production
vegetable_production_df <- as.data.frame(vegetable_production)
vegetable_production_2020 <- vegetable_production_df[, c(2, 3)] # chọn những cột quan tâm
### Loại NA
vegetable_production_2020 <- na.omit(vegetable_production_2020)
### Làm sạch data
gsub(pattern = "People's Republic of China", replacement = "China", x = vegetable_production_2020[, 1], fixed = TRUE) -> vegetable_production_2020[, 1]
names(vegetable_production_2020) <- c("country", "vegetable_2020")
### In dataset
head(vegetable_production_2020, n = 10)## country vegetable_2020
## 1 China 594049398
## 2 India 141195036
## 3 United States 33124467
## 4 Turkey 25960714
## 5 Vietnam 17002195
## 6 Egypt 16135024
## 7 Nigeria 15706483
## 8 Mexico 15098212
## 9 Russia 13950679
## 10 Spain 12668790### Cleaning dataset soybean_production
soybean_production_df <- as.data.frame(soybean_production)
soybean_production_2020 <- soybean_production_df[, c(2, 3)] # chọn những cột quan tâm
### Loại NA
soybean_production_2020 <- na.omit(soybean_production_2020)
### Làm sạch data
which(soybean_production_2020[, 1] == "Country") -> remove_2
soybean_production_2020[-remove_2, ] -> soybean_production_2020
names(soybean_production_2020) <- c("country", "soybean_2020")
### In dataset
head(soybean_production_2020, n = 10)## country soybean_2020
## 1 Brazil 121797712
## 2 United States 112549240
## 3 Argentina 48796661
## 4 China 19600000
## 5 India 11226000
## 6 Paraguay 11024460
## 7 Canada 6358500
## 8 Russia 4307593
## 9 Bolivia 2829356
## 10 Ukraine 2797670Merge dataset
Sau khi đã có các dataset con, ta sẽ gộp các dataset này căn cứ theo
cột country.
options("max.print" = 5000)
merge(coffee_production_2019, rice_production_2020, by = "country", all = TRUE) -> data_1
merge(data_1, fruit_production_2020, by = "country", all = TRUE) -> data_2
merge(data_2, vegetable_production_2020, by = "country", all = TRUE) -> data_3
merge(data_3, soybean_production_2020, by = "country", all = TRUE) -> data_4
### In dataset master
dim(data_4) # có 197 quốc gia và vùng lãnh thổ trên thế giới## [1] 197 6data_4## country coffee_2019 rice_2020 fruit_2020 vegetable_2020 soybean_2020
## 1 Afghanistan NA 439549 3459051 1822632 NA
## 2 Albania NA NA 818946 988507 441
## 3 Algeria NA 300 7055092 7986465 NA
## 4 Angola 2100 10000 5174650 743741 40797
## 5 Antigua and Barbuda NA NA 8726 847 NA
## 6 Argentina NA 1222910 7441342 3209268 48796661
## 7 Armenia NA NA 680216 599918 NA
## 8 Australia NA 50226 3539850 1588764 17323
## 9 Austria NA NA 699860 588640 204860
## 10 Azerbaijan NA 9397 1685881 1740427 29
## 11 Bahamas NA NA 48413 33388 NA
## 12 Bahrain NA NA 21284 18179 NA
## 13 Bangladesh NA 54905891 5027255 7138722 104761
## 14 Barbados NA NA 5146 10563 NA
## 15 Belarus NA NA 776183 1782395 NA
## 16 Belgium NA NA 615930 2095600 NA
## 17 Belize NA 13942 211576 11854 13670
## 18 Benin NA 411578 627319 702795 253954
## 19 Bhutan NA 54088 56475 48273 234
## 20 Bolivia 5400 487427 1540081 392752 2829356
## 21 Bosnia and Herzegovina NA NA 432324 799683 37202
## 22 Botswana NA NA 32152 81439 NA
## 23 Brazil 2652000 11091011 39758842 8373666 121797712
## 24 Brunei NA 2511 8133 9858 NA
## 25 Bulgaria NA 65810 464940 340500 6200
## 26 Burkina Faso NA 395443 104416 302869 48000
## 27 Burundi 12000 150000 1723465 482675 2571
## 28 Cambodia NA 10960000 372535 624613 180000
## 29 Cameroon 34200 328503 6410141 3051807 24195
## 30 Canada NA NA 925776 2241369 6358500
## 31 Cape Verde NA NA 8366 30500 NA
## 32 Central African Republic 3900 6095 310775 95169 NA
## 33 Chad NA 278053 125896 110564 NA
## 34 Chile NA 169697 6779886 2134555 NA
## 35 China 116820 211860000 242793824 594049398 19600000
## 36 Colombia 810000 3424119 10521546 2450822 119412
## 37 Comoros NA 30543 50526 5295 NA
## 38 Cook Islands NA NA 1269 1880 NA
## 39 Costa Rica 89520 137504 6190882 177115 NA
## 40 Croatia NA NA 281670 166310 266010
## 41 Cuba 6000 266595 1697454 1628116 NA
## 42 Cyprus NA NA 126480 49940 NA
## 43 Czech Republic NA NA 233610 203050 33020
## 44 Democratic Republic of the Congo 20100 1379000 6747921 591691 26000
## 45 Denmark NA NA 58060 253830 NA
## 46 Djibouti NA NA 4873 35486 NA
## 47 Dominica NA NA 51623 7145 NA
## 48 Dominican Republic 24000 942765 5670664 873844 NA
## 49 East Timor NA NA NA NA 978
## 50 Ecuador 42000 1336502 7630370 421052 27238
## 51 Egypt NA 4893507 14733617 16135024 50000
## 52 El Salvador 45720 28000 316695 121223 5084
## 53 Equatorial Guinea NA NA 70299 NA NA
## 54 Eritrea NA NA 4853 54883 NA
## 55 Estonia NA NA 4190 26810 NA
## 56 Eswatini NA 1000 146442 13154 NA
## 57 Ethiopia 384000 189649 1558021 1622146 208676
## 58 Federated States of Micronesia NA 172 2628 3543 NA
## 59 Fiji NA 8208 40895 55316 NA
## 60 Finland NA NA 25550 270240 NA
## 61 France NA 76320 8887220 4422070 406670
## 62 French Polynesia NA NA 17218 5011 NA
## 63 Gabon 30000 1700 387085 50018 4203
## 64 Gambia NA 28000 9503 12828 NA
## 65 Georgia NA NA 633400 176100 2000
## 66 Germany NA NA 2501450 3437190 90500
## 67 Ghana 2220 973000 6350716 788396 177007
## 68 Greece NA 287410 4436280 1918930 1840
## 69 Grenada NA NA 19111 6438 NA
## 70 Guatemala 204000 32000 6898708 1238156 41000
## 71 Guinea 9600 2916395 1317847 561210 NA
## 72 Guinea-Bissau NA 198000 109077 39426 NA
## 73 Guyana NA 687539 327946 194361 NA
## 74 Haiti 21000 172000 1169114 152995 NA
## 75 Honduras 348000 65634 1548940 363892 1444
## 76 Hong Kong NA NA 5088 36371 NA
## 77 Hungary NA 11740 1164360 666410 165760
## 78 Iceland NA NA NA 4650 NA
## 79 India 348000 178305000 105971127 141195036 11226000
## 80 Indonesia 660000 54649202 22743965 12581898 1040000
## 81 Iran NA 2000000 18963596 12623192 140000
## 82 Iraq NA 464159 2160646 1733642 33
## 83 Ireland NA NA 26150 187590 NA
## 84 Israel NA NA 1419730 1247103 NA
## 85 Italy NA 1507490 17827510 10849360 1005630
## 86 Ivory Coast 108000 1481182 2891070 770581 401
## 87 Jamaica 1260 NA 373962 266000 NA
## 88 Japan NA 9706250 2929692 10221895 218900
## 89 Jordan NA NA 558727 1401350 NA
## 90 Kazakhstan NA 556775 2863721 4450783 260639
## 91 Kenya 49980 180890 4373793 3602389 2396
## 92 Kiribati NA NA 9024 5993 NA
## 93 Kuwait NA NA 124522 376740 NA
## 94 Kyrgyzstan NA 44474 457024 1101996 2371
## 95 Laos 31200 3687336 1146352 1533045 14550
## 96 Latvia NA NA 19500 68500 NA
## 97 Lebanon NA NA 1036334 680318 NA
## 98 Lesotho NA NA 15350 31936 NA
## 99 Liberia 360 270000 205631 120806 3417
## 100 Libya NA NA 685416 688745 NA
## 101 Lithuania NA NA 68580 164250 2560
## 102 Luxembourg NA NA 16040 3460 30
## 103 Madagascar 31200 4232000 1259165 455672 46
## 104 Malawi 960 145446 3713852 1824553 180000
## 105 Malaysia NA 2321636 1113002 1171544 NA
## 106 Maldives NA NA 6144 2611 NA
## 107 Mali NA 3010027 2350297 2535287 14685
## 108 Malta NA NA 10900 40050 NA
## 109 Mauritania NA 365000 29055 4794 NA
## 110 Mauritius NA NA 24434 56606 NA
## 111 Mexico 234000 295338 23837562 15098212 246019
## 112 Moldova NA NA 1141221 222946 33360
## 113 Mongolia NA NA 1600 121569 NA
## 114 Montenegro NA NA 73505 22564 NA
## 115 Morocco NA 46275 5586937 3983906 727
## 116 Mozambique NA 137243 1138328 981152 75000
## 117 Myanmar NA 25100000 2732463 4820496 145000
## 118 Namibia NA NA 61891 65405 NA
## 119 Nauru NA NA 474 465 NA
## 120 Nepal NA 5550878 1503925 4169485 37526
## 121 Netherlands NA NA 738770 5293140 NA
## 122 New Caledonia NA NA 12552 8749 NA
## 123 New Zealand NA NA 1780310 886443 NA
## 124 Nicaragua 132000 476992 581833 236147 10000
## 125 Niger NA 179382 636912 3333839 NA
## 126 Nigeria 2400 8172000 11529922 15706483 600000
## 127 Niue NA NA 906 143 NA
## 128 North Korea NA 2113019 1823821 3318019 229892
## 129 North Macedonia NA 19518 635961 695920 18
## 130 Norway NA NA 23836 185195 NA
## 131 Oman NA NA 505249 836190 NA
## 132 Pakistan NA 8419276 9825573 5572793 152
## 133 Palestine NA NA 109350 465434 NA
## 134 Panama 6000 391600 644813 51842 100
## 135 Papua New Guinea 48000 874 2467868 560596 NA
## 136 Paraguay 1200 1187768 776987 153840 11024460
## 137 Peru 192000 3436637 7375819 2943057 1538
## 138 Philippines 12000 19294856 16482063 6624100 554
## 139 Poland NA NA 4499680 4320800 14940
## 140 Portugal NA 132790 2009626 2288910 NA
## 141 Puerto Rico NA 138 208542 39838 NA
## 142 Qatar NA NA 29144 71035 NA
## 143 Republic of the Congo NA 1211 269986 142528 NA
## 144 Romania NA 24670 2953850 1798720 353640
## 145 Russia NA 1141819 5906985 13950679 4307593
## 146 Rwanda 15000 116504 2176865 661274 23755
## 147 Saint Kitts and Nevis NA NA NA 687 NA
## 148 Saint Lucia NA NA NA 3179 NA
## 149 Saint Vincent and the Grenadines NA NA 77252 5056 NA
## 150 Samoa NA NA 46538 1318 NA
## 151 São Tomé and Príncipe NA NA 50601 3691 NA
## 152 Saudi Arabia NA NA 2913925 1052171 NA
## 153 Senegal NA 1349723 2008315 1000629 NA
## 154 Serbia NA NA 1909656 669062 751578
## 155 Seychelles NA NA 2964 3001 NA
## 156 Sierra Leone 2160 1049795 269722 468497 NA
## 157 Singapore NA NA 5 25569 NA
## 158 Slovakia NA NA 85120 106930 132200
## 159 Slovenia NA NA 186100 133108 5020
## 160 Solomon Islands NA 2745 30094 6042 NA
## 161 Somalia NA 1183 214348 104260 NA
## 162 South Africa NA 3076 7456699 2636219 1245500
## 163 South Korea NA 4713162 2765000 9476881 80926
## 164 South Sudan NA NA 553035 496999 NA
## 165 Spain NA 739230 19471070 12668790 4620
## 166 Sri Lanka NA 5120924 1339584 1306938 7879
## 167 Sudan NA 34133 3263482 3868342 NA
## 168 Suriname NA 285712 97803 22204 12
## 169 Sweden NA NA 49440 342880 NA
## 170 Switzerland NA NA 373177 399411 5247
## 171 Syria NA NA 2449998 2088946 6227
## 172 Taiwan NA 1750729 2653885 2080502 4447
## 173 Tajikistan NA 99000 1342138 2374585 21
## 174 Tanzania 48000 4528000 5664181 2772533 23886
## 175 Thailand 30000 30231025 10098175 2820271 29231
## 176 Timor-Leste 4800 69000 17218 32945 NA
## 177 Togo 12000 160000 66823 149504 1796
## 178 Tokelau NA NA 76 NA NA
## 179 Tonga NA NA 8611 27320 NA
## 180 Trinidad and Tobago 720 734 74453 18420 NA
## 181 Tunisia NA NA 2389063 3138362 NA
## 182 Turkey NA 980000 24153128 25960714 155225
## 183 Turkmenistan NA 150000 683563 678063 NA
## 184 Tuvalu NA NA 869 596 NA
## 185 Uganda 288000 200000 7457778 1380470 75077
## 186 Ukraine NA 60680 2688105 9675389 2797670
## 187 United Arab Emirates NA NA 361471 233009 NA
## 188 United Kingdom NA NA 738454 2525470 NA
## 189 United States NA 10322990 23747765 33124467 112549240
## 190 Uruguay NA 1209000 395578 174117 1990000
## 191 Uzbekistan NA 293451 5824616 9903740 7460
## 192 Vanuatu NA NA 22290 13273 NA
## 193 Venezuela 30000 429179 3558935 1221274 9306
## 194 Vietnam 1650000 42758897 10616559 17002195 65405
## 195 Yemen 7200 NA 1173553 480563 NA
## 196 Zambia 120 34630 116340 434774 296866
## 197 Zimbabwe 600 1336 358622 228485 59656Chuẩn bị dataset
world
Để vẽ đồ thị world map, chúng ta sẽ đưa dataset master này vào data
frame world vốn là dữ liệu chứa thông tin địa lý các quốc
gia trên thế giới.
library("ggplot2")
library("sf")
library("rnaturalearth")
library("rnaturalearthdata")
### Load dataset `world`
world <- ne_countries(scale = "medium", returnclass = "sf")
### Trong dataset `world` có một số quốc gia nhỏ chưa được update thông tin, vì vậy ta tách ra trong data_5
abcd <- c("East Timor", "Eswatini", "Ivory Coast", "Saint Kitts and Nevis", "Saint Vincent and the Grenadines", "Tokelau", "Tuvalu")
sep <- match(abcd, data_4$country)
data_5 <- data_4[-sep, ]
### Khớp lại tên các quốc gia trong `data_5` và `world`
# grep(pattern = "Antigua", world$name)
world$name[15] <- "Antigua and Barbuda"
# grep(pattern = "Bosnia", world$name)
world$name[27] <- "Bosnia and Herzegovina"
# grep(pattern = "Cook", world$name)
world$name[38] <- "Central African Republic"
# grep(pattern = "Central African", world$name)
world$name[47] <- "Cook Islands"
# grep(pattern = "Czech", world$name)
world$name[57] <- "Czech Republic"
# grep(pattern = "Congo", world$name)
world$name[45] <- "Democratic Republic of the Congo"
world$name[46] <- "Republic of the Congo"
# grep(pattern = "Dominican", world$name)
world$name[62] <- "Dominican Republic"
# grep(pattern = "Guinea", world$name)
world$name[84] <- "Equatorial Guinea"
# grep(pattern = "Micronesia", world$name)
world$name[75] <- "Federated States of Micronesia"
# grep(pattern = "Polynesia", world$name)
world$name[181] <- "French Polynesia"
# grep(pattern = "Lao", world$name)
world$name[122] <- "Laos"
# grep(pattern = "Korea", world$name)
world$name[177] <- "North Korea"
world$name[119] <- "South Korea"
# grep(pattern = "Macedonia", world$name)
world$name[142] <- "North Macedonia"
# grep(pattern = "São", world$name)
world$name[202] <- "São Tomé and Príncipe"
# grep(pattern = "Solomon", world$name)
world$name[194] <- "Solomon Islands"
# grep(pattern = "Sudan", world$name)
world$name[189] <- "South Sudan"
### Kiểm tra toàn bộ tên các quốc gia trong `data_5` đã nằm trong `world` chưa? Kết quả là character(0) là OK.
setdiff(data_5$country, world$name)## character(0)Merge toàn bộ data_5 vào trong
world để có thêm các cột liên quan đến sản lượng thực
phẩm.
names(data_5)[1] <- "name"
merge(world, data_5, by = "name", all = TRUE) -> world_productionVẽ đồ thị world map
Để xem hình độ phân giải cao, các bạn right-click vào hình, chọn Open image in new tab.
Sản lượng cà phê trên thế giới năm 2019
# nếu muốn in file PDF có tiếng việt hoàn chỉnh thì dùng lệnh
# cairo_pdf("coffee_2019.pdf", width = 20, height = 10)
ggplot(data = world_production) +
geom_sf(aes(fill = coffee_2019/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
option = "D",
trans = "sqrt",
direction = 1,
na.value = "grey90",
guide = "colourbar") +
ggtitle("Sản lượng cà phê trên thế giới năm 2019", subtitle = paste0("Nguồn: Wikipedia | Thực hiện: www.tuhocr.com")) +
theme(legend.position = "right") +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20))
# dev.off()Sản lượng gạo trên thế giới năm 2020
ggplot(data = world_production) +
geom_sf(aes(fill = rice_2020/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
option = "D",
trans = "sqrt",
direction = 1,
na.value = "grey90",
guide = "colourbar") +
ggtitle("Sản lượng gạo trên thế giới năm 2020", subtitle = paste0("Nguồn: Wikipedia | Thực hiện: www.tuhocr.com")) +
theme(legend.position = "right") +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20))
Sản lượng trái cây trên thế giới năm 2020
ggplot(data = world_production) +
geom_sf(aes(fill = fruit_2020/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
option = "D",
trans = "sqrt",
direction = 1,
na.value = "grey90",
guide = "colourbar") +
ggtitle("Sản lượng trái cây trên thế giới năm 2020", subtitle = paste0("Nguồn: Wikipedia | Thực hiện: www.tuhocr.com")) +
theme(legend.position = "right") +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20))
Sản lượng rau củ quả trên thế giới năm 2020
ggplot(data = world_production) +
geom_sf(aes(fill = vegetable_2020/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
option = "D",
trans = "sqrt",
direction = 1,
na.value = "grey90",
guide = "colourbar") +
ggtitle("Sản lượng rau củ quả trên thế giới năm 2020", subtitle = paste0("Nguồn: Wikipedia | Thực hiện: www.tuhocr.com")) +
theme(legend.position = "right") +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20))
Sản lượng đậu nành trên thế giới năm 2020
ggplot(data = world_production) +
geom_sf(aes(fill = soybean_2020/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
option = "D",
trans = "sqrt",
direction = 1,
na.value = "grey90",
guide = "colourbar") +
ggtitle("Sản lượng đậu nành trên thế giới năm 2020", subtitle = paste0("Nguồn: Wikipedia | Thực hiện: www.tuhocr.com")) +
theme(legend.position = "right") +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20))
Các bạn cũng có thể đối chiếu kết quả này với các đồ thị world map từ
https://www.visualcapitalist.com/cp/mapped-food-production-around-the-world/
Sơ kết
Trên đây là hướng dẫn cách lấy dữ liệu từ Wikipedia và vẽ world map trong R. Để học R bài bản từ A đến Z, kính mời Bạn tham gia khóa học “HDSD R để xử lý dữ liệu” để có nền tảng vững chắc về R nhằm tự tay làm các câu chuyện dữ liệu của riêng mình!
Nội dung khóa học:
www.tuhocr.com
Hành trình ngàn dặm bắt đầu từ bước chân đầu tiên.
ĐĂNG KÝ NGAY:
https://www.tuhocr.com/register
Session info
sessionInfo()## R version 4.2.1 (2022-06-23 ucrt)
## Platform: x86_64-w64-mingw32/x64 (64-bit)
## Running under: Windows 10 x64 (build 19041)
##
## Matrix products: default
##
## locale:
## [1] LC_COLLATE=English_United States.utf8 LC_CTYPE=English_United States.utf8 LC_MONETARY=English_United States.utf8 LC_NUMERIC=C LC_TIME=English_United States.utf8
##
## attached base packages:
## [1] stats graphics grDevices utils datasets methods base
##
## other attached packages:
## [1] rnaturalearthdata_0.1.0 rnaturalearth_0.1.0 sf_1.0-8 ggplot2_3.4.0 googlesheets4_1.0.1
##
## loaded via a namespace (and not attached):
## [1] tidyselect_1.1.2 xfun_0.33 bslib_0.4.0 purrr_0.3.4 lattice_0.20-45 gargle_1.2.1 colorspace_2.0-3 vctrs_0.5.1 generics_0.1.3 viridisLite_0.4.1
## [11] htmltools_0.5.3 s2_1.1.0 yaml_2.3.5 utf8_1.2.2 rlang_1.0.6 e1071_1.7-11 jquerylib_0.1.4 pillar_1.8.1 glue_1.6.2 withr_2.5.0
## [21] DBI_1.1.3 rappdirs_0.3.3 sp_1.5-1 wk_0.6.0 lifecycle_1.0.3 stringr_1.4.1 munsell_0.5.0 gtable_0.3.1 cellranger_1.1.0 evaluate_0.16
## [31] labeling_0.4.2 knitr_1.40 fastmap_1.1.0 curl_4.3.2 class_7.3-20 fansi_1.0.3 highr_0.9 Rcpp_1.0.9 KernSmooth_2.23-20 openssl_2.0.3
## [41] scales_1.2.1 classInt_0.4-7 cachem_1.0.6 jsonlite_1.8.0 farver_2.1.1 fs_1.5.2 askpass_1.1 digest_0.6.29 stringi_1.7.8 dplyr_1.0.10
## [51] grid_4.2.1 cli_3.4.0 tools_4.2.1 magrittr_2.0.3 sass_0.4.2 proxy_0.4-27 tibble_3.1.8 pkgconfig_2.0.3 googledrive_2.0.0 assertthat_0.2.1
## [61] rmarkdown_2.16 httr_1.4.4 rstudioapi_0.14 R6_2.5.1 units_0.8-0 compiler_4.2.1