-
Notifications
You must be signed in to change notification settings - Fork 2
/
Mapas por desagregaciones geograficas de Mexico.Rmd
1705 lines (1339 loc) · 90.4 KB
/
Mapas por desagregaciones geograficas de Mexico.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
---
title: "Mapas por desagregaciones geográficas de México"
author: "Diana Villasana Ocampo"
output:
html_document:
code_folding: hide
highlight: tango
theme: flatly
toc: true
toc_depth: 3
toc_float:
collapsed: yes
---
\usepackage{color}
<style type="text/css">
body {
text-align: justify;
font-style: normal;
font-family: "Montserrat";
font-size: 12px
}
h1.title {
font-size: 40px;
color: #1C3BA4;
}
h1 {
color: #B6854D;
}
h2 {
color: #172984;
}
h3 {
color: #172984;
}
</style>
<style>
.nav>li>a {
position: relative;
display: block;
padding: 10px 15px;
color: #1C3BA4
}
.nav-pills>li.active>a, .nav-pills>li.active>a:hover, .nav-pills>li>a:focus {
color: #ffffff;
background-color: #09C2BC
}
</style>
<style>
.tile1-text {
position: relative;
display: block;
padding: 10px 15px;
color: #0A6A87;
list-style: none;
}
.top1-tiles a:nth-of-type(1):hover, .top-tiles1 a:nth-of-type(1):focus{
color: #ffffff;
background: #0A6A87
}
</style>
<style>
.tile2-text {
position: relative;
display: block;
padding: 10px 15px;
color: #0A6CC8;
list-style: none;
}
.top2-tiles a:nth-of-type(1):hover, .top2-tiles a:nth-of-type(1):focus{
color: #ffffff;
background: #0A6CC8
}
</style>
\color{#B6854D}{\text{}}{-}
<style>
.math {
font-size: 15px;
color: #B6854D;
}
</style>
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE, message = FALSE, warning = FALSE, cache = TRUE, cache.lazy = FALSE, collapse = TRUE,
class.source = "fold-hide")
```
```{r,echo=FALSE, eval=FALSE}
rm(list = ls())
```
```{r, echo = FALSE}
require(showtext)
# activar showtext
showtext_auto()
font_add_google("Montserrat", "montserrat")
```
```{r, echo = FALSE, results=FALSE}
require(dplyr) #A Grammar of Data Manipulation
require(forcats) #Tools for Working with Categorical Variables (Factors)
require(ggplot2) # Generar gráficos ggplot y la geometría de un mapa
require(ggthemes) # Extra Themes, scale and Geoms for ggplot2
require(ggmap) #Spatial Visualization with ggplot2
require(ggpubr) #Based Publication Ready Plots with ggplot2
require(knitr)
require(kableExtra)
require(lubridate)
require(openxlsx)
require(readxl)
require(RColorBrewer) #ColorBrewer Palettes
require(rgdal) #Para importar shapefiles.
require(sp) # Classes and Methos for Spatial Data
require(spdplyr) #Data manipulation verbs for the sptial classes
require(tidyverse)
require(tmap)
require(tmaptools)
require(tibble)
require(unikn) # Paleta de colores
require(viridisLite) # Paleta de colores
require(doMC) # Foreach Parallel Adaptor for 'parallel'
registerDoMC(cores = 5) #
#memory.size()
#invisible(utils::memory.limit(size = 60000))
```
# Objetivo
Se presentan algunos ejercicios básicos de la cartografía digital con `R` y haciendo uso de algunas paqueterías para integrar herramientas geográficas y estadísticas. Así bien, para visualizar y modelar datos geográficos con el software de código abierto y tratar de entender principalmente el manejo de Sistemas de Información Geográfica (`SIG`) y visualizar datos e información que requiera de una localización específica.
# Sistema de Información Geográfica
El Instituto Nacional de Estadística, Geografía e Informática (INEGI) tiene puestos a disposición del público los shapefiles con los distintos niveles de información geográfica. Estos archivos digitales se encuentran disponibles en el [`Marco Geoestadístico Nacional (MGN)`](https://www.inegi.org.mx/temas/mg/#Descargas), el cual es un sistema único y se presenta la división del territorio nacional en diferentes niveles de desagregación para referir geográficamente la información estadística de los censos y encuestas. Se integra al Sistema Nacional de Información Estadística y Geográfica (SNIEG).
Este producto integra información vectorial, tablas de atributos y catálogos. Muestra la división geoestadística del territorio nacional en sucesivos niveles del territorio. Esta división está dada por los llamados **límites estadísticos**, que pueden coincidir con los límites político-administrativos oficiales, los cuales tienen sustento legal.
```{r,echo=FALSE}
require(kableExtra)
require(knitr)
tabla <- data.frame(Division = c("Estatales", "Municipales", "Localidades rurales amanzanadas", "Localidades urbanas", "Localidades rurales amanzanadas y no amanzanadas", "Áreas geoestadísticas básicas rurales", "Áreas geoestadísticas básicas urbanas", "Manzanas urbanas y rurales (incluyendo caserío disperso)", "Territorio insular"),
Unidades_territoriales= c("32", "2 469","45 397","4 911", "295 779", "17 469", "63 982", "2 513 853", "350"),
Datos_vectoriales = c(rep("Polígonos",4), "Puntos", rep("Polígonos",4)))
kable(tabla,
col.names = c("División", "Unidades territoriales", "Datos vectoriales"),
align = "c",
caption = c("Tabla: Subdivisiones territoriales básicas del INEGI.")) %>%
kable_styling(position = "center",
bootstrap_options = c("condensed", "responsive", "bordered", "hover")) %>%
kable_classic(full_width = F, html_font = "montserrat") %>%
row_spec(0, color = "black", bold = TRUE) %>%
collapse_rows(columns = 1, valign = "middle") %>%
pack_rows("AGEE", 1, 1, label_row_css = "background-color: #DFE5E5; font-size: 10px; color: #030557; padding: 3px 10px;") %>%
pack_rows("AGEM", 2, 2, label_row_css = "background-color: #DFE5E5; font-size: 10px; color: #030557; padding: 3px 10px;") %>%
pack_rows("Localidades", 3, 5, label_row_css = "background-color: #DFE5E5; font-size: 10px; color: #030557; padding: 3px 10px;") %>%
pack_rows("AGEB", 6, 7, label_row_css = "background-color: #DFE5E5; font-size: 10px; color: #030557; padding: 3px 10px;") %>%
pack_rows("MZA",8, 8, label_row_css = "background-color: #DFE5E5; font-size: 10px; color: #030557; padding: 3px 10px;") %>%
pack_rows("TI", 9, 9, label_row_css = "background-color: #DFE5E5; font-size: 10px; color: #030557; padding: 3px 10px;")
```
### Especificación del sistema de coordenadas
Ocurre a menudo que las capas de información vectorial se han obtenido de fuentes con sistemas de coordenadas distintas; por lo que se debe transformar la información para homogenizarla y representarla en el proyecto.
La [`Norma Técnica para el Sistema Geodésico Nacional`](https://www.inegi.org.mx/contenidos/temas/MapaDigital/Doc/asignar_sistema_coordenadas.pdf) define las disposiciones con el fin de que el marco sea homogéneo, compatible y comparable; y establece que el Marco de Referencia oficial para los Estados Unidos Mexicanos es el International Terrestrial Reference Frame 2008, con datos de época 2010.0 (ITRF08 ) asociado al elipsoide de referencia
definido en el GRS80.
A continuación se enlista los datos del sistema de coordenadas para la estandarización de la información:
```{r, echo= FALSE}
tabla <- data.frame(Parametros = c("Cónica Conforme de Lambert (`CCL`)", "Dátum:","Elipsoide","Meridiano origen", "Latitud origen","Primer paralelo estándar", "Segundo paralelo estándar", "Falso Este","Falso Norte"),
Datos = c("", "ITRF2008", "GRS80","102° 00' 00' W.", "12° 00' 00' N.", "17° 30' N", "29° 30'N", "2 500 000", "0"))
kable(tabla,
col.names = c("Parámetros", ""),
align = "c",
caption = c("Tabla: Características técnicas de la información")) %>%
kable_styling(position = "center",
bootstrap_options = c("condensed", "responsive", "bordered", "hover"),
font_size = 10) %>%
kable_classic(full_width = F, html_font = "montserrat") %>%
row_spec(0, color = "white", background = "#050844", bold = TRUE)
```
### Geospatial Data Abstraction Library (`GDAL`)
En este documento se va a hacer uso del paquete `rgdal` el cual permite importar, exportar o bien manipular los datos especiales:
- `readOGR()` y `writeOGR()`: para datos vectoriales
- `readGDAL()` y `writeGDAL()`: para rasters
También el paquete `gdalUtils` permite reproyectar, transformar, reclasificar, etc.
La función `ogrDrivers` permite visualizar los tipos de formatos que el paquete `rgdal` permite trabajar:
```{r, echo=FALSE}
kable(ogrDrivers(),
align = "c") %>%
kable_styling(position = "center",
bootstrap_options = c("condensed", "responsive", "bordered", "hover"),
font_size = 10) %>%
kable_classic(full_width = TRUE, html_font = "montserrat") %>%
row_spec(0, color = "black", bold = TRUE) %>%
scroll_box(width = "100%", height = "300px")
```
```{r, echo=FALSE}
require(tidyverse)
require(knitr)
require(lubridate)
tribble(~Tema, ~Métodos , ~`Librería y función`,
"Importación de datos" , "Archivo shapefiles .shp" ,"`rgdal::readOGR()`",
"Mapas coropléticos" , "Función para crear polígonos" ,"`ggplot2:: geom_polygon()`",
"" , "`fortify()` + datos" ,"`ggplot() + geom_map()`",
"" , ".shp + datos" , "`ggspatial::layer_spatial()`",
"" , ".shp + datos" , "`ggplot2::geom_sf()`",
"" , ".shp + datos" , "`tmap::shape()`",
"Etiquetado de mapas" , "Como texto" , "`ggplot2::geom_label`",
"" , "Ubicación en centroides" , "`sp::coordinates()`",
"" , "Etiquetado parcial" , "`ifelse() + ggreppel::geom_label_repel()`"
) %>% kable(.,caption="Temas cubiertos en este documento.")
```
## Base de datos
### Índice de marginación
Para conocer las desigualdades territoriales, desde 1993 la Secretaría General del Consejo Nacional de Población (CONAPO) realiza un ejercicio que permite construir el Índice de marginación con base en los resultados censales, una medida que permite identificar las zonas y regiones con más carencias dentro del país. Este índice resume y permite diferenciar los estados, municipios, localidades y áreas geoestadísticas básicas del país según el impacto global de las carencias que padece la población como resultado de la falta de acceso a la educación, la residencia en viviendas inadecuadas, la percepción de ingresos monetarios insuficientes y las relacionadas con la residencia en localidades pequeñas.
Hoy este índice se ha convertido en una de las principales herramientas analíticas y operativas para la definición y focalización de políticas públicas enfocadas al abatimiento de las carencias socioeconómicas de la población mexicana.
Para este ejercicio se hace uso de las bases de datos que contienen las estimaciones del índice de marginación en los diferentes niveles de desagregación geográfica censal. Permitiendo de esta manera hacer de manera visual los territorios de desigualdad que enfrenta el país.
La base de datos del índice de marginación en los diferentes niveles de desagregación se encuentra disponible en la página de [datos abiertos](https://www.gob.mx/conapo/documentos/indices-de-marginacion-2020-284372).
# Estructura de un mapa{.tile-text .top-tiles .tabset .tabset-fade .tabset-pills}
## Entidad Federativa {.tabset .tabset-fade .tabset-pills}
### .shp
La función `readOGR` del paquete `rgdal`, extrae automáticamente la información utilizada por otros paquetes `SIG` de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos `OGR` y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos.
Para leer un archivo `shapefile`, se establecen los siguientes argumentos, como `dsn`, en donde se indica el directorio que contiene los shapes y `layer` que es el nombre explícito de la capa a trabajar y dichas capas deben de ir sin la extensión `.shp`.
A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística estatal `agee`.
```{r, class.source = "fold-show"}
require(rgdal)
shape_estados <- readOGR(dsn ="MGN 2020/conjunto_de_datos",
layer = "00ent",
encoding = "UTF-8",
use_iconv = TRUE)
```
La función `rename()` del paquete `dplyr` permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.
```{r,class.source = "fold-show"}
shape_estados@data <- shape_estados@data %>%
rename("CVE_GEO" = "CVEGEO")
```
Un objeto `SpatialPolygons` se puede combinar con una data.frame para crear lo que se llama `SpatialPolygonsDataFrame`. La diferencia está en los atributos asociados con los polígonos. Un objeto `SpatialPolygonsDataFrame` tiene información adicional asociada a los polígonos (ejemplo, nombre de la entidad, población, etc.) mientras que `SpatialPolygons` contiene solo la información espacial (vértices) sobre el polígono.
```{r,class.source = "fold-show"}
class(shape_estados)
```
Si el archivo no tuviera Sitema de Referencia de Coordenadas `CRS` asignado se debería utilizal la función `proj4string()` para asignar el `CRS` adecuado. En cambio, si se quisiera cambiar el sistema de referencia (transormar) debe utilizarse la función `spTransform()` del paquete `sp`.
La función `proj4string()`representa el sistema de referencia de coordenadas utilizado en los datos.
```{r,class.source = "fold-show"}
proj4string(shape_estados)
```
### IME_2020
La base de datos del índice de marginación por estados se encuentra disponible en la página oficial de [CONAPO]( https://www.gob.mx/conapo/documentos/indices-de-marginacion-2020-284372) o bien se puede consultar en la página de [Datos Abiertos](https://datos.gob.mx/) y se presenta en formato `.xlsx` [Consulta](https://datos.gob.mx/busca/dataset/indice-de-marginacion-carencias-poblacionales-por-localidad-municipio-y-entidad).
Para poder trabajar con la base de datos del índice de marginación a nivel estatal, se elimina la fila que contiene los datos a nivel nacional con la función `::filter()` del paquete `dplyr` y por otro lado se cambia el nombre de la columna `CVE_ENT` que hace referencia a la clave geográfica del estado por `CVE_GEO` para fines prácticos.
```{r, class.source = "fold-show"}
IME_2020 <- read_xlsx("Data/IME_2020.xlsx", sheet = "IME_2020") %>%
filter(NOM_ENT != "Nacional") %>%
mutate(CVE_GEO = CVE_ENT) %>%
as.data.frame()
```
Ahora bien, para la realización de los *mapas cloropléticos* que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del **grado de marginación** que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.
```{r, echo=FALSE}
require(kableExtra)
require(knitr)
tabla <- IME_2020 %>%
mutate(GM_2020 = fct_relevel(GM_2020, levels = c("Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"))) %>%
dplyr::select(GM_2020) %>%
group_by(GM_2020) %>%
summarise(N = n()) %>%
ungroup() %>%
as.data.frame()
kable(tabla,
col.names = c("Grado de \n marginación", "Estados"),
align = "c",
caption = c("Tabla: Entidades según el grado de marginación.")) %>%
kable_styling(position = "center",
bootstrap_options = c("condensed", "responsive", "bordered", "hover"),
font_size = 10) %>%
kable_classic(full_width = F, html_font = "montserrat") %>%
row_spec(0, color = "black", bold = TRUE) %>%
gsub("font-size: initial !important;", "font-size: 11pt !important;", .) %>%
gsub("text-align: initial !important;", "text-align: justify !important;", .)
```
### Layers{.tile1-text .top1-tiles .tabset .tabset-pills}
Existen dos maneras de trabajar los datos de los mapas:
- Es trabajar con los objetos `SpatialPolygonsDataFrame` o bien `spdf` y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de `join_` o `merge` del paquete `dplyr`.
- O bien utilizar la función `fortify()` del paquete `ggplot2`, que permite convertir un objeto (ej.`spdf`) a un *data.frame*. Al hacer este tipo de conversión permite aplicar un `join` para unir ambas estructuras de datos al nuevo formato del data.frame.
#### data.frame
##### $$SpatialPolygons \Rightarrow data.frame$$
Cuando es necesario cambiar los ID's de las características en los objetos `SpatialLines` o `SpatialPolygons`, se puede usar la función `spChFIDs()` de la paquetería `sp`. Donde los nuevos ID's deben ser un vector de caracteres únicos de la longitud correcta.
La función `fortify()` convierte un objeto S3 para convertir objetos diversos a un data.frame para `ggplot2`. El data.frame resultante de la conversión de un objeto *spdf* es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.
```{r capas_estados, class.source = "fold-show"}
capas_estados <- shape_estados %>%
sp::spChFIDs(., str_pad(shape_estados@data$CVE_GEO, 2, "left", pad = "0")) %>%
fortify(., id = "CVE_GEO") %>%
left_join(., IME_2020 %>% dplyr::select(CVE_GEO, NOM_ENT, GM_2020),
by = c("id" = "CVE_GEO"))
```
#### SpatialPolygons
##### $$SpatialPolygons \Rightarrow SpatialPolygons + Datos$$
```{r, class.source = "fold-show"}
layer_estados <- merge(shape_estados,
IME_2020 %>%
dplyr::select(c(-CVE_ENT, -NOM_ENT)) %>%
mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
by = "CVE_GEO")
```
##### $$Data.frame \Rightarrow SpatialPolygonsDataFrame$$
Para poder emparejar polígonos y puntos, los objetos espaciales deben tener el mismo `CRS`. Para después poder calcular el área de cada polígono o bien se puede reproyectar los datos espaciales usando la función `spTransform`:
```{r, class.source = "fold-show", eval= FALSE}
tabla <- SpatialPointsDataFrame(data = capas_estados,
coords = capas_estados %>%
dplyr::select(long, lat),
match.ID = FALSE,
proj4string = CRS("+proj=lcc +lat_0=12 +lon_0=-102 +lat_1=17.5 +lat_2=29.5 +x_0=2500000 +y_0=0 +ellps=GRS80 +units=m +no_defs"))
```
#### Tibble
##### $$SpatialPolygons \Rightarrow tbl_df/ tbl / data.frame$$
Conversión de datos: `st_as_sf`, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos `sf`. Este tipo de función es un poco más amigable de usar.
La función `as_tibble` de la paquetería `tibble`, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un `data.frame`.
```{r}
# Paquetes
require(tibble)
require(sf)
tbl_estados <- as_tibble(st_as_sf(shape_estados)) %>%
merge(., IME_2020 %>% dplyr::select(CVE_GEO, GM_2020))
```
## Municipio{.tabset .tabset-fade .tabset-pills}
### .shp
La función `readOGR` del paquete `rgdal`, extrae automáticamente la información utilizada por otros paquetes `SIG` de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos `OGR` y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos.
Para leer un archivo `shapefile`, se establecen los siguientes argumentos, como `dsn`, en donde se indica el directorio que contiene los shapes y `layer` que es el nombre explícito de la capa a trabajar y dichas capas deben de ir sin la extensión `.shp`.
A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística municipal `agem`.
```{r,results=FALSE,class.source = "fold-show"}
shape_municipios <- readOGR(dsn ="MGN 2020/conjunto_de_datos",
layer = "00mun",
encoding = "UTF-8",
use_iconv = TRUE)
```
La función `rename()` del paquete `dplyr` permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.
```{r,class.source = "fold-show"}
shape_municipios@data <- shape_municipios@data %>%
rename("CVE_GEO" = "CVEGEO")
```
### IMM_2020
La base de datos del índice de marginación por municipios se encuentra disponible en la página oficial de [CONAPO]( https://www.gob.mx/conapo/documentos/indices-de-marginacion-2020-284372) o bien se puede consultar en la página de [Datos Abiertos](https://datos.gob.mx/) y se presenta en formato `.xlsx` [Consulta](https://datos.gob.mx/busca/dataset/indice-de-marginacion-carencias-poblacionales-por-localidad-municipio-y-entidad).
Para poder trabajar con la base de datos del índice de marginación a nivel municipal, se elimina la fila que contiene los datos a nivel nacional con la función `::filter()` del paquete `dplyr` y por otro lado se cambia el nombre de la columna `CVE_MUN` que hace referencia a la clave geográfica del municipio por `CVE_GEO` para fines prácticos.
```{r, class.source = "fold-show"}
IMM_2020 <- read_xlsx("Data/IMM_2020.xlsx", sheet = "IMM_2020") %>%
filter(NOM_ENT != "Nacional") %>%
mutate(CVE_GEO = CVE_MUN) %>%
as.data.frame()
```
Ahora bien, para la realización de los *mapas cloropléticos* que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del **grado de marginación** que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.
```{r, echo = FALSE}
tabla <- IMM_2020 %>%
mutate(GM_2020 = fct_relevel(GM_2020, levels = c("Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"))) %>%
dplyr::select(GM_2020) %>%
group_by(GM_2020) %>%
summarise(N = n()) %>%
ungroup() %>%
as.data.frame()
kable(tabla,
col.names = c("Grado de \n marginación", "Municipios"),
align = "c",
caption = c("Tabla: Municipios según el grado de marginación.")) %>%
kable_styling(position = "center",
bootstrap_options = c("condensed", "responsive", "bordered", "hover"),
font_size = 10) %>%
kable_classic(full_width = F, html_font = "montserrat") %>%
row_spec(0, color = "black", bold = TRUE) %>%
gsub("font-size: initial !important;", "font-size: 11pt !important;", .) %>%
gsub("text-align: initial !important;", "text-align: justify !important;", .)
```
### Layers{.tile1-text .top1-tiles .tabset .tabset-pills}
Existen dos maneras de trabajar los datos de los mapas:
- Es trabajar con los objetos `SpatialPolygonsDataFrame` o bien `spdf` y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de `join_` o `merge` del paquete `dplyr`.
- O bien utilizar la función `fortify()` del paquete `ggplot2`, que permite convertir un objeto (ej.`spdf`) a un *data.frame*. Al hacer este tipo de conversión permite aplicar un `join` para unir ambas estructuras de datos al nuevo formato del data.frame.
#### data.frame
##### $$SpatialPolygons \Rightarrow data.frame$$
Cuando es necesario cambiar los ID's de las características en los objetos `SpatialLines` o `SpatialPolygons`, se puede usar la función `spChFIDs()` de la paquetería `sp`. Donde los nuevos ID's deben ser un vector de caracteres únicos de la longitud correcta.
La función `fortify()` convierte un objeto S3 para convertir objetos diversos a un data.frame para `ggplot2`. El data.frame resultante de la conversión de un objeto *spdf* es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.
```{r capas_municipio, class.source = "fold-show"}
capas_municipio <- shape_municipios %>%
sp::spChFIDs(., str_pad(shape_municipios@data$CVE_GEO, 5, "left", pad = "0")) %>%
fortify(., id = "CVE_GEO") %>%
left_join(., IMM_2020 %>% dplyr::select(CVE_GEO, CVE_ENT, NOM_ENT, NOM_MUN, GM_2020), by = c("id" = "CVE_GEO"))
```
#### SpatialPolygons
##### $$SpatialPolygons \Rightarrow SpatialPolygons + Datos$$
```{r, class.source = "fold-show"}
layer_municipios <- merge(shape_municipios,
IMM_2020 %>% dplyr::select(c(-CVE_ENT, -CVE_MUN)) %>%
mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
by = "CVE_GEO")
```
#### Tibble
##### $$SpatialPolygons \Rightarrow tbl_df/ tbl / data.frame$$
Conversión de datos: `st_as_sf`, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos `sf`. Este tipo de función es un poco más amigable de usar.
La función `as_tibble` de la paquetería `tibble`, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un `data.frame`.
```{r}
# Paquetes
require(tibble)
require(sf)
tbl_municipios <- as_tibble(st_as_sf(shape_municipios)) %>%
merge(., IMM_2020 %>% dplyr::select(CVE_GEO, GM_2020))
```
### Zonas Metropolitanas
```{r, class.source = "fold-show"}
ZM_2015 <- read_xlsx("Data/ZM_2015.xlsx", sheet = "ZM_2015")
```
```{r, echo = FALSE}
kable(head(ZM_2015, 10),
align = "c",
caption = c("Base: Zonas Metropolitanas 2015.")) %>%
kable_styling(position = "center",
font_size = 11,
bootstrap_options = c("condensed", "responsive", "bordered")) %>%
kable_classic(full_width = T, html_font = "montserrat") %>%
row_spec(0, color = "black", bold = TRUE) %>%
footnote(footnote_as_chunk = T,
general_title = "Fuentes:",
general = "Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")
```
## Localidad{.tabset .tabset-fade .tabset-pills}
### .shp
La función `readOGR` del paquete `rgdal`, extrae automáticamente la información utilizada por otros paquetes `SIG` de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos `OGR` y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos.
Para leer un archivo `shapefile`, se establecen los siguientes argumentos, como `dsn`, en donde se indica el directorio que contiene los shapes y `layer` que es el nombre explícito de la capa a trabajar y dichas capas deben de ir sin la extensión `.shp`.
A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística por localidad.
```{r,results=FALSE,class.source = "fold-show"}
shape_localidad <- readOGR(dsn ="MGN 2020/conjunto_de_datos",
layer = "00l",
encoding = "UTF-8",
use_iconv = TRUE)
```
La función `rename()` del paquete `dplyr` permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.
```{r,class.source = "fold-show"}
shape_localidad@data <- shape_localidad@data %>%
rename("CVE_GEO" = "CVEGEO")
```
### IML_2020
La base de datos del índice de marginación por localidades se encuentra disponible en la página oficial de [CONAPO]( https://www.gob.mx/conapo/documentos/indices-de-marginacion-2020-284372) o bien se puede consultar en la página de [Datos Abiertos](https://datos.gob.mx/) y se presenta en formato `.xlsx` [Consulta](https://datos.gob.mx/busca/dataset/indice-de-marginacion-carencias-poblacionales-por-localidad-municipio-y-entidad).
Para poder trabajar con la base de datos del índice de marginación a nivel localidad, se cambia el nombre de la columna `CVE_LOC` que hace referencia a la clave geográfica de la localidad por `CVE_GEO` para fines prácticos.
```{r}
IML_2020 <- read_xlsx("Data/IML_2020.xlsx", sheet = "IML_2020") %>%
mutate(CVE_GEO = CVE_LOC) %>%
as.data.frame()
```
Ahora bien, para la realización de los *mapas cloropléticos* que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del **grado de marginación** que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.
```{r, echo=FALSE}
require(kableExtra)
require(knitr)
tabla <- IML_2020 %>%
mutate(GM_2020 = fct_relevel(GM_2020, levels = c("Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"))) %>%
dplyr::select(GM_2020) %>%
group_by(GM_2020) %>%
summarise(N = n()) %>%
ungroup() %>%
as.data.frame()
kable(tabla,
col.names = c("Grado de \n marginación", "Localidades"),
align = "c",
caption = c("Tabla: Localidades según el grado de marginación.")) %>%
kable_styling(position = "center",
bootstrap_options = c("condensed", "responsive", "bordered", "hover"),
font_size = 10) %>%
kable_classic(full_width = F, html_font = "montserrat") %>%
row_spec(0, color = "black", bold = TRUE) %>%
gsub("font-size: initial !important;", "font-size: 11pt !important;", .) %>%
gsub("text-align: initial !important;", "text-align: justify !important;", .)
```
### Layers{.tile1-text .top1-tiles .tabset .tabset-pills}
Existen dos maneras de trabajar los datos de los mapas:
- Es trabajar con los objetos `SpatialPolygonsDataFrame` o bien `spdf` y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de `join_` o `merge` del paquete `dplyr`.
- O bien utilizar la función `fortify()` del paquete `ggplot2`, que permite convertir un objeto (ej.`spdf`) a un *data.frame*. Al hacer este tipo de conversión permite aplicar un `join` para unir ambas estructuras de datos al nuevo formato del data.frame.
#### data.frame
##### $$SpatialPolygons \Rightarrow data.frame$$
Cuando es necesario cambiar los ID's de las características en los objetos `SpatialLines` o `SpatialPolygons`, se puede usar la función `spChFIDs()` de la paquetería `sp`. Donde los nuevos ID's deben ser un vector de caracteres únicos de la longitud correcta.
La función `fortify()` convierte un objeto S3 para convertir objetos diversos a un data.frame para `ggplot2`. El data.frame resultante de la conversión de un objeto *spdf* es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.
```{r capas_localidad, class.source = "fold-show"}
capas_localidad <- shape_localidad %>%
sp::spChFIDs(., str_pad(shape_localidad@data$CVE_GEO, 9, "left", pad = "0")) %>%
fortify(., id = c("CVE_GEO")) %>%
right_join(., IML_2020 %>% dplyr::select(CVE_GEO, ENT, NOM_ENT, MUN, NOM_MUN, NOM_LOC, GM_2020),
by = c("id" = "CVE_GEO"))
length(unique(capas_localidad$id))
```
#### SpatialPolygon
##### $$SpatialPolygons \Rightarrow SpatialPolygons + Datos$$
```{r, class.source = "fold-show"}
layer_localidad <- merge(shape_localidad,
IML_2020 %>%
dplyr::select(c(-CVE_LOC)) %>%
mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
by = "CVE_GEO")
```
#### Tibble
##### $$SpatialPolygons \Rightarrow tbl_df/ tbl / data.frame$$
Conversión de datos: `st_as_sf`, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos `sf`. Este tipo de función es un poco más amigable de usar.
La función `as_tibble` de la paquetería `tibble`, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un `data.frame`.
```{r}
# Paquetes
require(tibble)
require(sf)
tbl_localidad <- as_tibble(st_as_sf(shape_localidad)) %>%
merge(., IML_2020 %>% dplyr::select(CVE_GEO, GM_2020))
```
## AGEB{.tabset .tabset-fade .tabset-pills}
### .shp
La función `readOGR` del paquete `rgdal`, extrae automáticamente la información utilizada por otros paquetes `SIG` de código abierto como QGIS y permite a R manejar una gama más amplia de formatos de datos espaciales. Esta función lee datos `OGR` y datos vectoriales, pero solamente permite manejar capas con características geométricas (no mezcla puntos, líneas o polígonos en una sola capa) y a su vez establecerá un sistema de referencia espacial si la capa tiene dichos metadatos.
Para leer un archivo `shapefile`, se establecen los siguientes argumentos, como `dsn`, en donde se indica el directorio que contiene los shapes y `layer` que es el nombre explícito de la capa a trabajar y dichas capas deben de ir sin la extensión `.shp`.
A continuación se lee el archivo .shp que contiene de manera integrada la división de el área geoestadística a nivel ageb `ageb`.
```{r,results=FALSE,class.source = "fold-show"}
shape_ageb <- readOGR(dsn ="MGN 2020/conjunto_de_datos",
layer = "00a",
encoding = "UTF-8",
use_iconv = TRUE)
```
La función `rename()` del paquete `dplyr` permite cambiar el nombre de la columna de la clave geoestadística a nivel estatal dentro de la base de datos del shape.
```{r,class.source = "fold-show"}
shape_ageb@data <- shape_ageb@data %>%
rename("CVE_GEO" = "CVEGEO")
```
### IMU_2020
La base de datos del índice de marginación por ageb se encuentra disponible en la página oficial de [CONAPO]( https://www.gob.mx/conapo/documentos/indices-de-marginacion-2020-284372) o bien se puede consultar en la página de [Datos Abiertos](https://datos.gob.mx/) y se presenta en formato `.xlsx` [Consulta](https://datos.gob.mx/busca/dataset/indice-de-marginacion-carencias-poblacionales-por-localidad-municipio-y-entidad).
Para poder trabajar con la base de datos del índice de marginación a nivel ageb, se cambia el nombre de la columna ``CVE_AGEB` que hace referencia a la clave geográfica de la ageb por `CVE_GEO` para fines prácticos.
```{r}
IMU_2020 <- read_xlsx("Data/IMU_2020.xlsx", sheet = "IMU_2020") %>%
mutate(CVE_GEO = CVE_AGEB) %>%
as.data.frame()
```
Ahora bien, para la realización de los *mapas cloropléticos* que muestran áreas geográficas divididas o regiones que están coloreadas en relación con una variable de interés. Para este documento se decide hacer uso del **grado de marginación** que permite englobar a las unidades geográficas que presentan las mismas condiciones de exclusión social en cinco categorías.
```{r, echo=FALSE}
require(kableExtra)
require(knitr)
tabla <- IMU_2020 %>%
mutate(GM_2020 = fct_relevel(GM_2020, levels = c("Muy alto", "Alto", "Medio", "Bajo", "Muy bajo"))) %>%
dplyr::select(GM_2020) %>%
group_by(GM_2020) %>%
summarise(N = n()) %>%
ungroup() %>%
as.data.frame()
kable(tabla,
col.names = c("Grado de \n marginación", "Ageb"),
align = "c",
caption = c("Tabla: Agebs según el grado de marginación.")) %>%
kable_styling(position = "center",
bootstrap_options = c("condensed", "responsive", "bordered", "hover"),
font_size = 10) %>%
kable_classic(full_width = F, html_font = "montserrat") %>%
row_spec(0, color = "black", bold = TRUE) %>%
gsub("font-size: initial !important;", "font-size: 11pt !important;", .) %>%
gsub("text-align: initial !important;", "text-align: justify !important;", .)
```
### Layers{.tile1-text .top1-tiles .tabset .tabset-pills}
Existen dos maneras de trabajar los datos de los mapas:
- Es trabajar con los objetos `SpatialPolygonsDataFrame` o bien `spdf` y tratar de unir los datos que se desean analizar, llamando algunas de las funciones de `join_` o `merge` del paquete `dplyr`.
- O bien utilizar la función `fortify()` del paquete `ggplot2`, que permite convertir un objeto (ej.`spdf`) a un *data.frame*. Al hacer este tipo de conversión permite aplicar un `join` para unir ambas estructuras de datos al nuevo formato del data.frame.
#### data.frame
##### $$SpatialPolygons \Rightarrow data.frame$$
Cuando es necesario cambiar los ID's de las características en los objetos `SpatialLines` o `SpatialPolygons`, se puede usar la función `spChFIDs()` de la paquetería `sp`. Donde los nuevos ID's deben ser un vector de caracteres únicos de la longitud correcta.
La función `fortify()` convierte un objeto S3 para convertir objetos diversos a un data.frame para `ggplot2`. El data.frame resultante de la conversión de un objeto *spdf* es sumamente largo, tiene una fila por cada cambio en un polígono y un columna de grupo para separar cada polígono.
```{r capas_ageb, class.source = "fold-show"}
capas_ageb <- shape_ageb %>%
sp::spChFIDs(., str_pad(shape_ageb@data$CVE_GEO, 13, "left", pad = "0")) %>%
fortify(., id = "CVE_GEO") %>%
right_join(., IMU_2020 %>% dplyr::select(CVE_GEO, ENT, NOM_ENT, MUN, NOM_MUN, LOC, NOM_LOC, GM_2020),
by = c("id" = "CVE_GEO"))
```
#### SpatialPolygons
##### $$SpatialPolygons \Rightarrow SpatialPolygons + Datos$$
```{r, class.source = "fold-show"}
layer_ageb <- merge(shape_ageb,
IMU_2020 %>%
dplyr::select(c(-CVE_AGEB)) %>%
mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto", "Alto", "Medio", "Bajo", "Muy bajo")),
by = "CVE_GEO")
```
#### Tibble
##### $$SpatialPolygons \Rightarrow tbl_df/ tbl / data.frame$$
Conversión de datos: `st_as_sf`, convierte un objeto externo en un spatial object. A continuación, se muestra un ejemplo de cómo visualizar objetos `sf`. Este tipo de función es un poco más amigable de usar.
La función `as_tibble` de la paquetería `tibble`, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un `data.frame`.
```{r}
# Paquetes
require(tibble)
require(sf)
tbl_ageb <- as_tibble(st_as_sf(shape_ageb)) %>%
merge(., IMU_2020 %>% dplyr::select(CVE_GEO, GM_2020))
```
### Zona Metropolitanas
```{r capas_zm, class.source = "fold-show"}
capas_zm <- shape_ageb %>%
sp::spChFIDs(., str_pad(shape_ageb@data$CVE_GEO, 13, "left", pad = "0")) %>%
fortify(., id = "CVE_GEO") %>%
right_join(., IMU_2020 %>% dplyr::select(CVE_GEO, ENT, NOM_ENT, MUN, NOM_MUN, LOC, NOM_LOC, GM_2020),
by = c("id" = "CVE_GEO")) %>%
mutate(CVE_MUN = paste0(ENT, MUN)) %>%
right_join(., ZM_2015 %>% dplyr::select(CVE_MUN, CVE_ZM, NOM_ZM),
by = "CVE_MUN")
```
# Mapas por desagregación geográfica {.tile1-text .top1-tiles .tabset .tabset-pills}
### Estructura básica de un mapa
La forma más básica de mapear datos en `R` es crear un objeto `ggplot()` regular y mapear los argumentos `x = longuitude` y la `y = latitude`. Se puede usar esta técnica para crear mapas de áreas geográficas, como estados o países, y para gráficar ubicaciones como puntos, líneas y otras formas. El paquete `ggplot2` incluye algunos conjuntos de funciones `geom` que permiten graficar con información geográfica. Teniendo en cuenta que el data.frame incluye las columnas con ubicación (`long` y `lat`). También incluye una columna que describe el orden en que se deben conectar estos puntos para formar un polígono (`order`), el nombre del estado (`NOM_ENT`) y una columna de `group` que separa los puntos en polígonos únicos que se deben trazar.
```{r, class.source = "fold-hide"}
p <- ggplot() +
geom_polygon(data = capas_estados,
mapping = aes(x = long,
y = lat,
group = group),
fill = "#ECECEC",
color = "dark grey",
size = 0.5) +
expand_limits(x = capas_estados$long,
y = capas_estados$lat) +
theme(plot.title = element_text(size = 24, hjust = 0.15, family = "montserrat", face = "bold"),
plot.caption = element_text(size = 10, hjust = 0.2, vjust = 1, family = "montserrat")) +
labs(title = "Estructura básica de un mapa",
caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
p
```
## Entidad Federativa{.tabset .tabset-fade .tabset-pills}
### `geom_map`
La función `ggmap()` devuelve un objeto `ggplot`. Puede usar este objeto `ggplot` resultante como lo haría con cualquier otro objeto ggplot (ejemplo, agregar geoms, cambiar tema). [GitHub: fresques/ggmap](https://github.com/fresques/ggmap)
Una de las bondades del paquete `ggmap`, permite hacer mediante el uso de herramientas de *Google Maps* directamente desde `R`. Este paquete permite extraer un mapa base de *Google Maps* y algunos otros servidores de mapas, para que luego se puedan trazar y agregar puntos, polígonos, líneas y otros elementos usando funciones `ggplot2`. Este paquete usa la `API` de *Google Maps*. Otras funciones en el paquete `ggmap`, necesita una clave `API` de Google Maps para que funcione.
```{r, class.source = "fold-hide"}
# Paquete
require(ggmap)
p <- IME_2020 %>%
mutate(GM_2020 = fct_relevel(.$GM_2020,"Muy alto","Alto","Medio","Bajo","Muy bajo")) %>%
ggplot() +
geom_map(map = capas_estados,
aes(map_id = CVE_GEO, fill = GM_2020, color = "GM_2020")) +
expand_limits(x = capas_estados$long,
y = capas_estados$lat) +
theme_transparent() +
theme(plot.title = element_text(size = 22, hjust = 0.15, family = "montserrat", face = "bold"),
plot.caption = element_text(size = 10, hjust = 0.2, vjust = 1, family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 10, family = "montserrat"),
legend.title = element_text(size = 12, hjust = 0.5, family = "montserrat", face = "bold"),
legend.position = c(0.8, 0.7)) +
scale_fill_viridis_d(option = "A", begin = 0.3, end = 0.8) +
scale_color_manual(values = c("#BDBDBD")) +
guides(color = 'none') +
labs(title = "Índice de marginación a nivel estatal, 2020",
fill = stringr::str_wrap("Grado de marginación", 10),
caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
#path = "Images/IME_2020_gmap.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)
p
```
### `geom_polygon`
La función `geom_polygon()` de la paquetería `ggplot2`, devuelve un objeto `ggplot` en el cual dibuja líneas entre puntos y los cierra ( es decir, dibuja una línea desde el último punto hasta el primer punto). En el cual es importante tener en cuenta que el data.frame incluye columnas con la ubicación de las áreas geográficas y se agregan como argumentos en la función `aes(x = long, y = lat)`. También se incluye una columna que describe el orden en que se deben conectar estos puntos para formar un polígono (`order`), el nombre del estado (`id`) y una columna de grupo que separa los puntos en polígonos únicos que se deben trazar `aes (group = group)`.
```{r, class.source = "fold-hide"}
# Paleta de colores
require(unikn)
p <- ggplot() +
geom_polygon(data = capas_estados,
mapping = aes(x = long,
y = lat,
group = group,
fill = fct_relevel(GM_2020,"Muy alto","Alto","Medio","Bajo","Muy bajo")),
color = "dark grey",
size = 0.5) +
expand_limits(x = capas_estados$long,
y = capas_estados$lat) +
theme_transparent() +
theme(plot.title = element_text(size = 21, hjust = 0.15, family = "montserrat", face = "bold"),
plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 10, family = "montserrat"),
legend.title = element_text(size = 12, hjust = 0.5, family = "montserrat", face = "bold"),
legend.position = c(0.8, 0.7)) +
scale_fill_manual(values = rev(usecol(pal = pal_petrol, n = 5))) +
scale_color_manual(values = c("#BDBDBD")) +
guides(color = guide_legend(override.aes = list(fill = usecol(pal = pal_petrol, n = 5)))) +
labs(title = "Índice de marginación a nivel estatal, 2020",
fill = stringr::str_wrap("Grado de marginación", 10),
caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
#path = "Images/IME_2020_geom_polygon.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)
p
```
### `tmap`
Con el paquete `tmap` se pueden generar mapas temáticos con gran flexibilidad. La sintaxis para crear gráficos es similar a la de *ggplot2*, pero adaptada a los mapas. Además, ofrece un sistema de trazado coherente para mapas temáticos que se basan en la estructura de las capas en los gráficos. Los mapas temáticos se crean apilando capas, donde cada capa y cada dato se pueden asignar a una o más `aes ()`. También es posible escalarlos y agregando posibles atributos del mapa, como una barra de escala o una brújula.
Una de las ventajas a diferencia de ggplot(), es más rápido de generar los gráficos y permite trabajar con múltiples capas a la vez. Además, permite hacerlo de manera interactiva como un widget HTML.
La función `tm_shape`, crea un elemento que especifica un objeto de `SpatialPolygonsDataFrame`, sin la necesidad de convertir los datos a un data.frame. [GitHub: r-tmap/tmap](https://github.com/r-tmap/tmap)
```{r, fig.width=10,fig.height=10}
# Paquetes
require(tmap)
require(tmaptools)
p <- tm_shape(layer_estados) +
tm_polygons("GM_2020",
title = stringr::str_wrap("Grado de marginación", 10),
#palette = hcl.colors(18, palette = "Inferno")[3:9],
palette = "BuPu") +
tm_borders(col = "grey20", lwd = 0.5) +
tm_layout(title.snap.to.legend = TRUE,
title = "Índice de marginación a nivel estatal, 2020",
title.fontfamily = "montserrat",
title.fontface = "bold",
title.size = 2,
main.title.fontface = "bold",
main.title.position = c("center", "top"),
main.title.size = 7,
main.title.fontfamily = "montserrat",
legend.outside.position = "right",
legend.title.fontfamily = "montserrat",
legend.title.fontface = "bold",
legend.text.fontfamily = "montserrat",
legend.title.size = 1.2,
legend.text.size = 1,
inner.margins = c(t = 0.05, r = 0.02, b = 0.11, l = 0.15),
fontfamily = "montserrat",
frame = FALSE) +
tm_legend(legend.position = c("right", "center")) +
tm_credits(expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")),
position=c("left", "bottom"),
size = 1.1)
#path = "Images/IME_2020_tmap.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)
p
```
### `ggspatial`
Cualquier capa espacial se puede agregar a un `ggplot()` usando la función `layer_spatial()` del paquete `ggspatial` (bueno, cualquier objeto de los paquetes `sf`, `sp` o `raster`...). Estas capas entrenarán las escalas y a diferencia de las funciones `geom_` o `stat_`, `layer_spatial()` siempre toma sus datos primero sin necesidad de especificar los límites de las escalas. [Estructura ggspatial](https://paleolimbot.github.io/ggspatial/articles/ggspatial.html).
```{r}
# Paquete
require(ggspatial)
p <- ggplot() +
layer_spatial(layer_estados, aes(fill = GM_2020)) +
theme_transparent() +
theme(plot.title = element_text(size = 22, hjust = 0.15, family = "montserrat", face = "bold"),
plot.caption = element_text(size = 11, hjust = 0.2, vjust = 1, family = "montserrat"),
legend.key.size = unit(0.5, "cm"),
legend.text = element_text(size = 12, family = "montserrat"),
legend.title = element_text(size = 10, hjust = 0.5, family = "montserrat", face = "bold"),
legend.position = c(0.8, 0.7)) +
scale_fill_brewer(palette = rev("BuPu")) +
scale_color_manual(values = c("#BDBDBD")) +
guides(color = guide_legend(override.aes = list(fill = usecol(pal = pal_petrol, n = 5)))) +
labs(title = "Índice de marginación a nivel estatal, 2020",
fill = stringr::str_wrap("Grado de marginación", 10),
caption = expression(paste("Fuentes: Estimaciones del CONAPO con base en el INEGI, Censo de Población y Vivienda 2020")))
#path = "Images/IME_2020_ggspatial.pdf"
#ggexport (p, width = 8, height = 5, res = 400, filename = path)
p
```
### `geom_sf`
Conversión de datos: `st_as_sf`, convierte un objeto externo en un spatial object.
Los objetos espaciales creados por el paquete `sp` (que hasta hace poco era la forma estándar de manejar datos espaciales en `R)` se pueden formatear en un formato de características simples usando la función `st_as_sf()`:
```{r, eval = FALSE, class.source = "fold-show"}
#Paquetes
require(sf)
estados_sf <- st_as_sf(capas_estados,
coords = c("long","lat"),
crs = "+proj=lcc +lat_0=12 +lon_0=-102 +lat_1=17.5 +lat_2=29.5 +x_0=2500000 +y_0=0 +ellps=GRS80 +units=m +no_defs")
```
A continuación, se muestra un ejemplo de cómo visualizar objetos `sf`. Este tipo de función es un poco más amigable de usar.
La función `as_tibble` de la paquetería `tibble`, genera una base de datos genérica de S3 con métodos más eficientes para matrices y data.frame. Su envoltorio delgado permite trabajar de manera más rápida que un `data.frame`.
```{r}
# Paquetes
require(ggplot2)