Objetivo del taller

El objetivo principal es aprender a utilizar la librería leaflet de R para hacer mapas interactivos. Empezaremos con mapas muy simples con uno o varios marcadores y terminaremos con mapas que representan fronteras mediante polígonos.

Requerimientos

Para hacer el taller necesitaremos los siguientes paquetes: opencage, leaflet, tidyverse, htmlwidgets, rworldmap, sp y sf. Lo primero que haremos es instalar aquellas que no tengamos ya instaladas con el siguiente código:

paquetes_necesarios <- c("opencage", "leaflet", "tidyverse", 
                         "htmlwidgets", "rworldmap","sp", "sf")

paquetes_no_instalados <- paquetes_necesarios[!(paquetes_necesarios %in% installed.packages()[,"Package"])]

if(length(paquetes_no_instalados)) install.packages(paquetes_no_instalados)

También vamos a necesitar geolocalizar algunos lugares en el mapa. Una buena manera de hacerlo es utilizar opencage. Lo primero que tienes que hacer es crear una cuenta gratuita de opencage aquí. Lo siguiente es añadir el API key en el fichero .Renviron como una variable de entorno para que no tengas que introducirla manualmente cuando lo uses:

cat("OPENCAGE_KEY=COPIA-AQUI-TU-API-KEY\n",
    file = file.path(normalizePath("~/"), ".Renviron"), append = TRUE)

Para hacer los mapas vamos a usar Leaflet, una librería de JavaScript que tiene un paquete para R llamado leaflet muy bien documentado en esta página.

Pintar un punto

Lo primero que vamos a hacer es pintar un punto en un mapa conocidas sus coordenadas geográficas:

library(leaflet)
library(opencage)

sitio <- opencage_forward(placename = "Murcia, Spain", limit = 1)

# Pintamos el mapa
leaflet() %>% 
  addTiles() %>% 
  addMarkers(lng=sitio$results$geometry.lng, 
             lat=sitio$results$geometry.lat)

Añadimos un popup:

leaflet() %>% 
  addTiles() %>% 
  addMarkers(lng=sitio$results$geometry.lng, 
             lat=sitio$results$geometry.lat, 
             popup="Murcia")

Pintar varios puntos

Para pintar puntos ubicados en un data frame utilizamos el símbolo ~ para referirnos a las columnas en donde están las coordenadas:

library(tidyverse)

sitios <- c("Venecia, Italia",
            "Petra, Jordania",
            "Taj Mahal, India",
            "New York, USA",
            "Pekin, China")

sapply(sitios, function(x) opencage_forward(x, limit=1)$results) %>% 
  bind_rows() -> coordenadas

coordenadas %>%
  leaflet() %>%
  addTiles() %>%
  addMarkers(lng = ~geometry.lng, 
             lat = ~geometry.lat)

También podemos utilizar una columna para añadir un popup:

coordenadas %>%
  leaflet() %>%
  addTiles() %>%
  addMarkers(lng = ~geometry.lng, 
             lat = ~geometry.lat,
             popup = ~formatted)

Los popup se pueden hacer más atractivos e informativos con tags de html:

coordenadas %>%
  leaflet() %>%
  addTiles() %>%
  addMarkers(lng = ~geometry.lng, 
             lat = ~geometry.lat,
             popup = ~paste0("<b>", formatted, "</b>", 
                             "<br>",
                             "<b>Longitud: </b>", geometry.lng, 
                             "<br>",
                             "<b>Latitud: </b>", geometry.lat))

Se puede cambiar el mapa base con la función addProviderTiles. Si quieres saber rápidamente las opciones posibles, puedes ejecutar names(providers) y aquí tienes información detallada con ejemplos de todos ellos:

coordenadas %>%
  leaflet() %>%
  addProviderTiles(provider="Esri.WorldImagery") %>% 
  addMarkers(lng = ~geometry.lng, 
             lat = ~geometry.lat,
             popup = ~paste0("<b>", formatted, "</b>", 
                             "<br>",
                             "<b>Longitud: </b>", geometry.lng, 
                             "<br>",
                             "<b>Latitud: </b>", geometry.lat))

Para guardar en disco el mapa, utilizamos el paquete htmlwidgets, aunque lo primero que hacemos es almacenarlo como un objeto de R (lo llamamos mi_mapa en nuestro ejemplo):

coordenadas %>%
  leaflet() %>%
  addProviderTiles(provider="Esri.WorldImagery") %>% 
  addMarkers(lng = ~geometry.lng, 
             lat = ~geometry.lat,
             popup = ~paste0("<b>", formatted, "</b>", 
                             "<br>",
                             "<b>Longitud: </b>", geometry.lng, 
                             "<br>",
                             "<b>Latitud: </b>", geometry.lat)) -> mi_mapa

library(htmlwidgets)
saveWidget(mi_mapa, file = "mi_mapa.html")

Ejercicio 1 (15 min.):

Instrucciones:

Pintar muchísimos puntos (clustering)

Lo que hemos visto hasta ahora es válido para pocos puntos. Si queremos pintar muchos, el mapa puede funcionar mal o ser dificil de entender. Una buena opción es agrupar los puntos. En el siguiente ejemplo, utilizamos la librería rworldmap tan solo para generar coordenadas geográficas aleatorias dentro de España:

library(rworldmap)

Spain_polyg <- subset(countriesCoarse, ISO3 =="ESP")
plot(Spain_polyg)

Spain_coord <- spsample(Spain_polyg, 50000, "random") %>% as.data.frame()

Spain_coord %>% 
  leaflet() %>%
  addTiles() %>%
  addCircleMarkers(lng = ~x, 
                   lat = ~y,
                   color="blue",
                   stroke=FALSE,
                   fillOpacity = 0.8,
                   clusterOptions = markerClusterOptions())

Poligonos (librería sp)

En el siguiente ejemplo vamos a trabajar con una estructura de R llamada SpatialPolygonsDataFrame, que se puede leer con el paquete sp. Esta es una estuctura compleja que incluye información acerca de las fronteras de los polígonos, la proyección geográfica de los mismos y datos asociados a cada polígono dentro del objeto @data.

En la página web de gadm podemos encontrar archivos RDS con las fronteras de todos los países del mundo en distintos niveles políticos y formato SpatialPolygonsDataFrame.

En este ejemplo vamos a hacer un mapa a nivel de Comunidad Autónoma, para lo cual nos vamos a bajar el archivo gadm36_ESP_1_sp.rds de aquí.

Los datos de un SpatialPolygonsDataFrame se pueden enriquecer con información externa para crear mapas mas informativos. En nuestro caso vamos a colorear las comunidades autónomas con los datos de población del INE, que nos bajamos de aquí. Elegir las siguientes opciones:

Descargaremos los datos del INE en formato csv separado por ; y tanto el archivo rds como el csv lo guardaremos en la carpeta data de nuestro working directory.

Empezamos cargando el fichero rds con el SpatialPolygonsDataFrame, echándole un vistazo y arreglándolo un poco:

library(sp)

spain <- readRDS("data/gadm36_ESP_1_sp.rds") 

class(spain)

plot(spain)

# Warning: Arreglamos un error
spain@data[spain@data$NAME_1=="Comunidad de Madrid", 'CC_1'] <- '13'
spain@data[spain@data$NAME_1=="Aragón", 'CC_1'] <- '02'

Leemos los datos que nos hemos decargado del INE:

poblacion <- read.csv("data/4925sc.csv", 
                      skip = 8, 
                      nrows = 19, 
                      header = FALSE, 
                      sep =";")
str(poblacion)

Creamos una variable para poder cruzar el SpatialPolygonsDataFrame con los datos del INE. Utilizamos funciones de dplyr, que es un paquete para manejo de datos que está dentro de tidyverse:

poblacion %>% 
  mutate(nombre=str_trim(V1)) %>% 
  mutate(CC_1 = str_sub(nombre, 1, 2)) %>% 
  select(CC_1, nombre, poblacion_miles = V2)-> poblacion

Hacemos el join para añadir los datos al @data:

spain@data %>% inner_join(poblacion, by = "CC_1") -> spain@data

Creamos una función para mapear los colores de la variable poblacion_miles:

pal <- colorNumeric(
  palette = "Blues",
  domain = spain@data$poblacion_miles)

Pintamos el mapa con los colores de la función pal:

leaflet(spain) %>% 
  addTiles()  %>% 
  addPolygons(weight=2, 
              fillOpacity = 0.8,               
              color = ~pal(poblacion_miles),
             popup=~nombre) %>% 
  addLegend(pal = pal,
            values = ~poblacion_miles,
            title = "Poblacion (miles)")

Poligonos (librería sf)

Recientemente ha salido un formato llamado sf más eficiente y más sencillo de utilizar para trabajar con datos datos espaciales. Es como un data frame pero la última columna contiene información de la geometría de cada fila. En gadm nos podemos descargar las fronteras de los países también en este nuevo formato.

library(sf)
spain <- readRDS("data/gadm36_ESP_1_sf.rds")

Arreglamos el sf y hacemos el mapa igual que antes:

# Warning: Arreglamos un error
spain[spain$NAME_1=="Comunidad de Madrid", 'CC_1'] <- '13'
spain[spain$NAME_1=="Aragón", 'CC_1'] <- '03'

spain %>% inner_join(poblacion, by = "CC_1") -> spain

pal <- colorNumeric(
  palette = "Blues",
  domain = spain$poblacion_miles)

leaflet(spain) %>% 
  addTiles()  %>% 
  addPolygons(weight=2, 
              fillOpacity = 0.8,               
              color = ~pal(poblacion_miles),
              popup = ~nombre) %>% 
  addLegend(pal = pal,
            values = ~poblacion_miles,
            title = "Poblacion (miles)")

Ejercicio 2 (30 min.)

Representar en un mapa la tasa de paro por comunidad autónoma. Los datos se pueden obtener aquí