R que R

Maps: Mapas de España con archivos shapefile

Fri, Nov 8, 2019
R Maps
#maps #mapas #Spain #España #Comunidades Autónomas #Provincias #Municipios #ggplot2 #shapefiles


Paquetes de R


# para manipular dataframes
library(tidyverse)

# para importar archivos shapefiles
library(rgdal)

# Para transformar los archivos shapefiles 
library(broom)


Comunidades Autónomas Españolas


En primer lugar vamos a exponer cómo realizar un mapa de España diferenciando las distintas Comunidades Autónomas que la componen. Para ello descargamos el archivo shapefile con la información geográfica de las autonomías españolas de arcgis.com. Nótese que un archivo shapefile (SHP) es un formato de datos espaciales de representación vectorial desarrollado por la compañía ESRI que sirve para almacenar información de la ubicación de distintas entidades geográficas. Dicha información geométrica se puede representar con puntos, líneas o polígonos (áreas).


La función readOGR()del paquete rgdal permite leer archivos shapefile (.shp) que en nuestro caso hemos descargado previamente desde la página mencionada y guardado en una carpeta de nuestro ordenador. Por su parte, con la función tidy() del paquete broom creamos un dataframe (data_ccaa) que nos servirá para su representación gráfica posterior.


Descarga y formato de archivos shapefile


setwd("C:/Users/Usuario/Desktop/r_que_r/r_que_r/content/datasets/ComunidadesAutonomas_ETRS89_30N")


# Guardamos el archivo shapefile

shapefile_ccaa <- readOGR("Comunidades_Autonomas_ETRS89_30N.shp")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\Usuario\Desktop\r_que_r\r_que_r\content\datasets\ComunidadesAutonomas_ETRS89_30N\Comunidades_Autonomas_ETRS89_30N.shp", layer: "Comunidades_Autonomas_ETRS89_30N"
## with 19 features
## It has 3 fields

# Para convertir el archivo shapefile en un dataframe utilizamos la función tidy()

data_ccaa <- tidy(shapefile_ccaa)

# primeras observaciones del dataset

head(data_ccaa)
## # A tibble: 6 x 7
##      long      lat order hole  piece group id   
##     <dbl>    <dbl> <int> <lgl> <fct> <fct> <chr>
## 1 323065. 4288359.     1 FALSE 1     0.1   0    
## 2 323295. 4288263.     2 FALSE 1     0.1   0    
## 3 323997. 4288366.     3 FALSE 1     0.1   0    
## 4 324629. 4287514.     4 FALSE 1     0.1   0    
## 5 325061. 4287374.     5 FALSE 1     0.1   0    
## 6 325720. 4286706.     6 FALSE 1     0.1   0


Vemos que el dataframe creado no contiene los nombres de las distintas CCAA españolas pero, en cambio, dicho dataframe indica el “id” de las mismas. No obstante, el archivo shapefile original si contiene información de los nombres de las Comunidades Autónomas. Por tanto, podemos extraer los nombres en un nuevo dataframe (nombres_ccaa) y añadir el “id” de cada una de las regiones. El objetivo es, posteriormente, unir los dos dataframes por la columna común “id”.



nombres_ccaa <- data.frame(shapefile_ccaa$Texto)

head(nombres_ccaa)
##     shapefile_ccaa.Texto
## 1             Andalucía
## 2                Aragón
## 3 Principado de Asturias
## 4         Islas Baleares
## 5               Canarias
## 6              Cantabria

nombres_ccaa$id <- as.character(seq(0, nrow(nombres_ccaa)-1))

head(nombres_ccaa)
##     shapefile_ccaa.Texto id
## 1             Andalucía  0
## 2                Aragón  1
## 3 Principado de Asturias  2
## 4         Islas Baleares  3
## 5               Canarias  4
## 6              Cantabria  5



data_ccaa_mapa <- left_join(data_ccaa, nombres_ccaa, by = "id")

head(data_ccaa_mapa)
## # A tibble: 6 x 8
##      long      lat order hole  piece group id    shapefile_ccaa.Texto
##     <dbl>    <dbl> <int> <lgl> <fct> <fct> <chr> <fct>               
## 1 323065. 4288359.     1 FALSE 1     0.1   0     Andalucía           
## 2 323295. 4288263.     2 FALSE 1     0.1   0     Andalucía           
## 3 323997. 4288366.     3 FALSE 1     0.1   0     Andalucía           
## 4 324629. 4287514.     4 FALSE 1     0.1   0     Andalucía           
## 5 325061. 4287374.     5 FALSE 1     0.1   0     Andalucía           
## 6 325720. 4286706.     6 FALSE 1     0.1   0     Andalucía


Mapa de las Comunidades Autónomas usando {ggplot2}

Para representar en un mapa utilizando la información del dataframe obtenido del archivo shapefile podemos utilizar el paquete {ggplot2} y la función geom_polygon(). De esta forma, utilizando las funciones de este paquete, podemos customizar el gráfico y modificar sus características.



data_ccaa_mapa %>%
  ggplot() +
  geom_polygon(aes( x= long, y = lat, group = group),
               fill = "violetred4",
               color = "white") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    panel.background = element_rect(colour= "darkgrey", size= 0.5)) +
  ggtitle("Comunidades Autónomas Españolas")


Provincias Españolas


En este subapartado vamos a realizar el mismo análisis realizado previamente pero identificando en esta ocasión las provincias españolas. Para ello, al igual que hicimos en el ejercicio anterior descargamos el archivo shapefile de arcgis.com.


Descarga y formato de archivos shapefile


setwd("C:/Users/Usuario/Desktop/r_que_r/r_que_r/content/datasets/Provincias_ETRS89_30N")


# Guardamos el archivo shapefile

shapefile_provincias <- readOGR("Provincias_ETRS89_30N.shp")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\Usuario\Desktop\r_que_r\r_que_r\content\datasets\Provincias_ETRS89_30N\Provincias_ETRS89_30N.shp", layer: "Provincias_ETRS89_30N"
## with 52 features
## It has 5 fields

# Para convertir el archivo shapefile en un dataframe utilizamos la función tidy()

data_provincias <- tidy(shapefile_provincias)

# primeras observaciones del dataset

head(data_provincias)
## # A tibble: 6 x 7
##      long      lat order hole  piece group id   
##     <dbl>    <dbl> <int> <lgl> <fct> <fct> <chr>
## 1 497824. 4784874.     1 FALSE 1     0.1   0    
## 2 498457. 4784220.     2 FALSE 1     0.1   0    
## 3 498532. 4783866.     3 FALSE 1     0.1   0    
## 4 498382. 4783793.     4 FALSE 1     0.1   0    
## 5 498946. 4783509.     5 FALSE 1     0.1   0    
## 6 499046. 4782937.     6 FALSE 1     0.1   0


De nuevo vemos que el dataset creado contiene información del “id” pero no los nombres de las distintas provincias españolas. Obtenemos de nuevo los nombres del archivo shapefile original y realizamos el mismo ejercicio del punto anterior para obtener en nuestro dataframe una columna para el “id” y otra con el nombre de cada provincia española junto a la información de cada provincia para su representación gráfica.



nombres_provincias <- data.frame(shapefile_provincias$Texto)

head(nombres_provincias)
##   shapefile_provincias.Texto
## 1                     Ã\201lava
## 2                   Albacete
## 3                   Alicante
## 4                   Almería
## 5                     Ã\201vila
## 6                    Badajoz

nombres_provincias$id <- as.character(seq(0, nrow(nombres_provincias)-1))

head(nombres_provincias)
##   shapefile_provincias.Texto id
## 1                     Ã\201lava  0
## 2                   Albacete  1
## 3                   Alicante  2
## 4                   Almería  3
## 5                     Ã\201vila  4
## 6                    Badajoz  5



data_provincias_mapa <- left_join(data_provincias, nombres_provincias, by = "id")

head(data_provincias_mapa)
## # A tibble: 6 x 8
##      long      lat order hole  piece group id    shapefile_provincias.Texto
##     <dbl>    <dbl> <int> <lgl> <fct> <fct> <chr> <fct>                     
## 1 497824. 4784874.     1 FALSE 1     0.1   0     "Ã\u0081lava"             
## 2 498457. 4784220.     2 FALSE 1     0.1   0     "Ã\u0081lava"             
## 3 498532. 4783866.     3 FALSE 1     0.1   0     "Ã\u0081lava"             
## 4 498382. 4783793.     4 FALSE 1     0.1   0     "Ã\u0081lava"             
## 5 498946. 4783509.     5 FALSE 1     0.1   0     "Ã\u0081lava"             
## 6 499046. 4782937.     6 FALSE 1     0.1   0     "Ã\u0081lava"


Mapa de las Provincias usando ggplot

Utilizamos el mismo código para realizar un mapa similar al anterior pero, en este caso, identificando las provincias españolas.



data_provincias_mapa %>%
  ggplot() +
  geom_polygon(aes( x= long, y = lat, group = group),
               fill = "violetred4",
               color = "white") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    panel.background = element_rect(colour= "darkgrey", size= 0.5)) +
  ggtitle("Provincias Españolas")

Municipios Españoles


Por último realizamos un mapa donde se representen los distintos municipios de España. En este caso el archivo shapefile con información geográfica de los municipios españoles lo descargamos de opendata.esri.es. La operativa es similar a la realizada en el punto anterior aunque en lugar de utilizar los nombres de los municipios utilizaremos los códigos provistos por el INE (CODIGOINE).


Descarga y formato de archivos shapefile


setwd("C:/Users/Usuario/Desktop/r_que_r/r_que_r/content/datasets/Municipios_IGN")

# Guardamos el archivo shapefile

shapefile_municipios <- readOGR("Municipios_IGN.shp")
## OGR data source with driver: ESRI Shapefile 
## Source: "C:\Users\Usuario\Desktop\r_que_r\r_que_r\content\datasets\Municipios_IGN\Municipios_IGN.shp", layer: "Municipios_IGN"
## with 8205 features
## It has 10 fields
## Integer64 fields read as strings:  OBJECTID

# Para convertir el archivo shapefile en un dataframe utilizamos la función tidy()

data_municipios <- tidy(shapefile_municipios)

# primeras observaciones del dataset

head(data_municipios)
## # A tibble: 6 x 7
##    long   lat order hole  piece group id   
##   <dbl> <dbl> <int> <lgl> <fct> <fct> <chr>
## 1 -1.58  42.4     1 FALSE 1     0.1   0    
## 2 -1.58  42.4     2 FALSE 1     0.1   0    
## 3 -1.58  42.4     3 FALSE 1     0.1   0    
## 4 -1.58  42.4     4 FALSE 1     0.1   0    
## 5 -1.58  42.4     5 FALSE 1     0.1   0    
## 6 -1.58  42.4     6 FALSE 1     0.1   0


El código de los municipios se encuentra en el archivo original con el nombre CODIGOINE. Guardamos los códigos en un nuevo data frame llamado codigo_municipios. Al igual que hemos hecho anteriormente identificamos el “id” de cada municipio, que llamamos codigo_municipios, y, posteriormente, utilizando la función left_join() unimos los dos dataframes en uno llamado data_municipios_mapa que nos servirá para realizar el mapa final.


codigo_municipios <- data.frame(shapefile_municipios$CODIGOINE)

head(codigo_municipios)
##   shapefile_municipios.CODIGOINE
## 1                          31164
## 2                          31165
## 3                          31166
## 4                          31167
## 5                          31168
## 6                          19306

codigo_municipios$id <- as.character(seq(0, nrow(codigo_municipios)-1))

head(codigo_municipios)
##   shapefile_municipios.CODIGOINE id
## 1                          31164  0
## 2                          31165  1
## 3                          31166  2
## 4                          31167  3
## 5                          31168  4
## 6                          19306  5



data_municipios_mapa <- left_join(data_municipios, codigo_municipios, by = "id") %>%
  mutate(codigo_ine = as.character(`shapefile_municipios.CODIGOINE`)) %>%
  select(-`shapefile_municipios.CODIGOINE`)

head(data_municipios_mapa)
## # A tibble: 6 x 8
##    long   lat order hole  piece group id    codigo_ine
##   <dbl> <dbl> <int> <lgl> <fct> <fct> <chr> <chr>     
## 1 -1.58  42.4     1 FALSE 1     0.1   0     31164     
## 2 -1.58  42.4     2 FALSE 1     0.1   0     31164     
## 3 -1.58  42.4     3 FALSE 1     0.1   0     31164     
## 4 -1.58  42.4     4 FALSE 1     0.1   0     31164     
## 5 -1.58  42.4     5 FALSE 1     0.1   0     31164     
## 6 -1.58  42.4     6 FALSE 1     0.1   0     31164


Mapa de los Municipios usando ggplot

Una vez tenemos el dataframe con la información geográfica de los municipios españoles junto al código (CODIGOINE) y el “id” de cada uno de ellos procedemos a realizar el mapa correspondiente utilizando {ggplot2} de la misma forma que hemos hecho en los subapartados previos.



data_municipios_mapa %>%
  ggplot() +
  geom_polygon(aes( x= long, y = lat, group = group),
               fill = "violetred4",
               color = "white",
               size = 0.05) +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    panel.background = element_rect(colour= "darkgrey", size= 0.5)) +
  ggtitle("Municipios Españoles")


Mapa del porcentaje de Riesgo de Pobreza por Comunidad Autónoma


A modo de ejemplo vamos a representar el porcentaje de Riesgo de Pobreza por Comunidad Autónoma en un mapa. Los datos, referentes al año 2017, los obtenemos del Instituto Nacional de Estadística.



setwd("C:/Users/Usuario/Desktop/r_que_r/r_que_r/content/datasets")

library(readxl)

riesgo_pobreza <- read_excel("riesgo_pobreza.xls")

head(riesgo_pobreza, n=20)
## # A tibble: 19 x 3
##       id Region                     Riesgo_pobreza
##    <dbl> <chr>                               <dbl>
##  1     0 Andalucía                            32  
##  2     1 Aragón                               14.2
##  3     2 Principado de Asturias               14  
##  4     3 Balears, Illes                       15.4
##  5     4 Canarias                             32.1
##  6     5 Cantabria                            19.9
##  7     6 Castilla y León                      16.1
##  8     7 Castilla - La Mancha                 29.9
##  9     8 Cataluña                             13.6
## 10     9 Comunitat Valenciana                 26  
## 11    10 Extremadura                          37.6
## 12    11 Galicia                              18.8
## 13    12 Comunidad de Madrid                  16.1
## 14    13 Región de Murcia                     28.6
## 15    14 Comunidad Foral de Navarra            8.9
## 16    15 País Vasco                            8.6
## 17    16 La Rioja                             16.6
## 18    17 Ceuta                                38.3
## 19    18 Melilla                              21.4


Utilizamos la función left_join() para combinar el nuevo dataframe (riesgo_pobreza) con el que utilizamos previamente para realizar el mapa base (data_ccaa_mapa).



riesgo_pobreza$id <- as.character(riesgo_pobreza$id)

riesgo_pobreza_grafico <- data_ccaa_mapa %>%
  left_join(riesgo_pobreza, by= "id")

head(riesgo_pobreza_grafico)
## # A tibble: 6 x 10
##     long    lat order hole  piece group id    shapefile_ccaa.~ Region
##    <dbl>  <dbl> <int> <lgl> <fct> <fct> <chr> <fct>            <chr> 
## 1 3.23e5 4.29e6     1 FALSE 1     0.1   0     Andalucía        Andal~
## 2 3.23e5 4.29e6     2 FALSE 1     0.1   0     Andalucía        Andal~
## 3 3.24e5 4.29e6     3 FALSE 1     0.1   0     Andalucía        Andal~
## 4 3.25e5 4.29e6     4 FALSE 1     0.1   0     Andalucía        Andal~
## 5 3.25e5 4.29e6     5 FALSE 1     0.1   0     Andalucía        Andal~
## 6 3.26e5 4.29e6     6 FALSE 1     0.1   0     Andalucía        Andal~
## # ... with 1 more variable: Riesgo_pobreza <dbl>


Por último realizamos el gráfico utilizando ggplot2 como hemos hecho previamente. Como ya se ha expuesto, podemos customizar nuestro grafico utilizando las funciones de dicho paquete. En el siguiente mapa realizamos algunas modificaciones (color de fondo, tamaño del texto del título, subtítulo, leyenda, cambio en la posición de la leyenda, etc.) sobre el mapa previo para ejemplificar la forma en la que podemos aplicar dichas modificaciones a nuestro gusto.



riesgo_pobreza_grafico %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill=Riesgo_pobreza), color= "white", size = 0.2) +
  labs( title = "Tasa de Riesgo de Pobreza por Comunidades Autónomas",
        subtitle = "Unidades: Porcentaje",
        caption = "Fuente: INE",
        fill = "Tasa (%)") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.3),
    plot.margin = unit(c(0.5,2,0.5,1), "cm"))


Como utilizamos valores continuos R utiliza un rango de colores azules para su representación gráfica. No obstante, nos puede interesar establecer grupos o categorías de valores para su representación. En este caso podemos calcular, por ejemplo, los quintiles de los nuestros valores y asignarles una categoría.



quantile(riesgo_pobreza_grafico$Riesgo_pobreza, probs = c(0.2, 0.4, 0.6, 0.8))
##  20%  40%  60%  80% 
## 14.2 16.1 18.8 32.0

# En función de los resultados obtenidos establecemos nuestros cortes en los siguientes valores:
corte <- c(12, 18, 24, 30)


# Los valores mínimo y máximo son:

val_min <- min(riesgo_pobreza_grafico$Riesgo_pobreza)
val_max <- max(riesgo_pobreza_grafico$Riesgo_pobreza)


# Y por tanto, los rangos serán los siguientes:

breaks <- c(val_min, corte, val_max)

riesgo_pobreza_grafico$breaks <- cut(riesgo_pobreza_grafico$Riesgo_pobreza,
                                     breaks = breaks,
                                     include.lowest = T)

breaks_scale <- levels(riesgo_pobreza_grafico$breaks)
labels_scale <- rev(breaks_scale)


Con respecto a los colores a utilizar podemos indicar los colores de nuestra elección, como ya hemos realizado en algún post anterior, o podemos hacer uso de alguna paleta de colores existente. Un ejemplo de posibles paletas se encuentra en el paquete wesanderson, las cuales se pueden visualizar aquí. Para ello cargamos la librería y guardamos una de las paletas (Darjeeling1).



library(wesanderson)

colores <- wes_palette("Darjeeling1", 5, type = "discrete")


Por último realizamos el gráfico indicando los cortes (rangos) que nos interesan y los colores para cada una de las categorías de la siguiente manera:



riesgo_pobreza_grafico %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill=breaks), color= "white", size = 0.2) +
  labs( title = "Tasa de Riesgo de Pobreza por Comunidades Autónomas",
        subtitle = "Unidades: Porcentaje",
        caption = "Fuente: INE",
        fill = "Tasa (%)") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.3),
    plot.margin = unit(c(0.5,2,0.5,1), "cm")) +
  scale_fill_manual(
    values = rev(colores),
    breaks = rev(breaks_scale))

 

En el último gráfico se visualiza claramente que las Comunidades Autónomas con menor tasa de riesgo de pobreza son el País Vasco y Navarra mientras que Extremadura, Andalucía y las Islas Canarias presentan los valores más elevados.


Mapa de la Tasa de Mortalidad por Provincia


En esta ocasión vamos a representar en un mapa la tasa de mortalidad (defunciones por mil habitantes) por provincia. Los datos, de nuevo, los obtenemos del Instituto Nacional de Estadística.



setwd("C:/Users/Usuario/Desktop/r_que_r/r_que_r/content/datasets")

tasa_mortalidad <- read_excel("tasa_mortalidad.xls")

head(tasa_mortalidad) 
## # A tibble: 6 x 3
##      id Provincia    TM
##   <dbl> <chr>     <dbl>
## 1     0 Álava      8.46
## 2     1 Albacete   9.53
## 3     2 Alicante   8.81
## 4     3 Almería    7.78
## 5     4 Ávila     12.7 
## 6     5 Badajoz   10.3


Utilizamos de nuevo la función left_join() para combinar el nuevo dataframe (tasa_mortalidad) con el que utilizamos previamente para realizar el mapa base (data_provincias_mapa).



tasa_mortalidad$id <- as.character(tasa_mortalidad$id)

tasa_mortalidad_grafico <- data_provincias_mapa %>%
  left_join(tasa_mortalidad, by= "id")

head(tasa_mortalidad_grafico)
## # A tibble: 6 x 10
##      long    lat order hole  piece group id    shapefile_provin~ Provincia    TM
##     <dbl>  <dbl> <int> <lgl> <fct> <fct> <chr> <fct>             <chr>     <dbl>
## 1 497824. 4.78e6     1 FALSE 1     0.1   0     "Ã\u0081lava"     Álava      8.46
## 2 498457. 4.78e6     2 FALSE 1     0.1   0     "Ã\u0081lava"     Álava      8.46
## 3 498532. 4.78e6     3 FALSE 1     0.1   0     "Ã\u0081lava"     Álava      8.46
## 4 498382. 4.78e6     4 FALSE 1     0.1   0     "Ã\u0081lava"     Álava      8.46
## 5 498946. 4.78e6     5 FALSE 1     0.1   0     "Ã\u0081lava"     Álava      8.46
## 6 499046. 4.78e6     6 FALSE 1     0.1   0     "Ã\u0081lava"     Álava      8.46


Por último realizamos el gráfico con ggplot usando el mismo theme que el utilizado en el mapa de las Comunidades Autónomas. Sin embargo, en esta ocasión, cambiamos la paleta de colores utilizando la función scale_fill_gradient() mediante la cual seleccionamos el color amarillo para los valores más bajos y el color rojo para los valores más altos.



tasa_mortalidad_grafico %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill= TM), color= "white", size = 0.2) +
  labs( title = "Tasa Bruta de Mortalidad por Provincia",
        subtitle = "Defunciones por mil habitantes",
        caption = "Fuente: INE",
        fill = "") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.3),
    plot.margin = unit(c(0.5,2,0.5,1), "cm")) +
  scale_fill_gradient(low = "yellow", high = "red")


Para establecer grupos o categorías de valores como la realizada para las Comunidades Autónomas realizaremos una operativa similar a la realizada previamente. En primer lugar identificaremos los cortes el valor mínimo y máximo del rango.



quantile(tasa_mortalidad_grafico$TM, probs = c(0.2, 0.4, 0.6, 0.8))
##   20%   40%   60%   80% 
##  8.07  9.13 10.26 11.70

# En función de los resultados obtenidos establecemos nuestros cortes en los siguientes valores:
corte <- c(8, 9.5, 10.5, 12)


# Los valores mínimo y máximo son:

val_min <- min(tasa_mortalidad_grafico$TM)
val_max <- max(tasa_mortalidad_grafico$TM)


# Y por tanto, los rangos serán los siguientes:

breaks <- c(val_min, corte, val_max)

tasa_mortalidad_grafico$breaks <- cut(tasa_mortalidad_grafico$TM,
                                     breaks = breaks,
                                     include.lowest = T)

breaks_scale <- levels(tasa_mortalidad_grafico$breaks)
labels_scale <- rev(breaks_scale)


Por último realizamos el gráfico indicando los cortes (rangos) establecidos y los colores para cada una de las categorías. En esta ocasión cargamos una nueva paleta (Moonrise3) de la misma librería usada en previamente.



colores <- wes_palette("Moonrise3", 5, type = "discrete")



tasa_mortalidad_grafico %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill=breaks), color= "white", size = 0.2) +
  labs( title = "Tasa Bruta de Mortalidad por Provincia",
        subtitle = "Defunciones por mil habitantes",
        caption = "Fuente: INE",
        fill = "") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.3),
    plot.margin = unit(c(0.5,2,0.5,1), "cm")) +
  scale_fill_manual(
    values = rev(colores),
    breaks = rev(breaks_scale))


Mapa de la Renta Media por Persona por Municipios Españoles


Por último vamos a realizar un mapa a nivel de Municipios donde se exponga la Renta Media por Persona en el año 2016, según los datos obtenidos del INE.


En primer lugar, haciendo uso de los códigos de los municipios que se pueden consultar en el INE, vamos a comprobar, de forma aleatoria, la existencia de algunos de ellos utilizando el dataset utilizado previamente (data_municipios_mapa) y los representaremos gráficamente:



data_municipios_mapa$codigo_ine <- as.numeric(data_municipios_mapa$codigo_ine)


# Probando Abengibre (02001) en la Provincia de Albacete (2)

prueba <- data_municipios_mapa %>%
  filter(codigo_ine == 22001)

prueba %>%
  ggplot() +
  geom_polygon(aes( x= long, y = lat, group = group),
               fill = "blueviolet",
               color = "white", 
               size = 0.1) +
  theme_minimal()



# Probando Agost (03002) en la Provincia de Alicante (3)

prueba <- data_municipios_mapa %>%
  filter(codigo_ine == 03002)

prueba %>%
  ggplot() +
  geom_polygon(aes( x= long, y = lat, group = group),
               fill = "blueviolet",
               color = "white", 
               size = 0.1) +
  theme_minimal()



# Probando Allande (33001) en la Provincia de Asturias (33)

prueba <- data_municipios_mapa %>%
  filter(codigo_ine == 33001)

prueba %>%
  ggplot() +
  geom_polygon(aes( x= long, y = lat, group = group),
               fill = "blueviolet",
               color = "white", 
               size = 0.1) +
  theme_minimal()


En segundo lugar cargamos el archivo donde se encuentra la información de la Renta Media (por persona) en cada Municipio.



setwd("C:/Users/Usuario/Desktop/r_que_r/r_que_r/content/datasets")

renta_media <- read_excel("renta_media.xls")

head(renta_media)
## # A tibble: 6 x 3
##   Provincia Municipio       renta_media
##   <chr>     <chr>           <chr>      
## 1 Albacete  02001 Abengibre 9690       
## 2 Albacete  02002 Alatoz    8008       
## 3 Albacete  02003 Albacete  10795      
## 4 Albacete  02004 Albatana  8082       
## 5 Albacete  02005 Alborea   7573       
## 6 Albacete  02006 Alcadozo  8100


En el dataframe el nombre del código y del municipio aparecen en la misma columna (Municipio). Para separar ambos conceptos en dos columnas utilizamos la función separate().



renta_media_separado <- renta_media %>%
  separate(Municipio, c("cod", "municipio"), 
           sep = " ", 
           extra = "merge") 

head(renta_media_separado)
## # A tibble: 6 x 4
##   Provincia cod   municipio renta_media
##   <chr>     <chr> <chr>     <chr>      
## 1 Albacete  02001 Abengibre 9690       
## 2 Albacete  02002 Alatoz    8008       
## 3 Albacete  02003 Albacete  10795      
## 4 Albacete  02004 Albatana  8082       
## 5 Albacete  02005 Alborea   7573       
## 6 Albacete  02006 Alcadozo  8100


# Nombramos la columna codigo_ine 

renta_media_separado$codigo_ine <- as.numeric(renta_media_separado$cod)

head(renta_media_separado)
## # A tibble: 6 x 5
##   Provincia cod   municipio renta_media codigo_ine
##   <chr>     <chr> <chr>     <chr>            <dbl>
## 1 Albacete  02001 Abengibre 9690              2001
## 2 Albacete  02002 Alatoz    8008              2002
## 3 Albacete  02003 Albacete  10795             2003
## 4 Albacete  02004 Albatana  8082              2004
## 5 Albacete  02005 Alborea   7573              2005
## 6 Albacete  02006 Alcadozo  8100              2006


Unimos los dos dataframes usando left_join().



renta_media_grafico <- data_municipios_mapa %>%
  left_join(renta_media_separado, by = "codigo_ine")


Antes de realizar el mapa general vamos a visualizar previamente algunas provincias, también seleccionadas de forma aleatoria, con el objetivo de representar graficamente los distintos municipios de cada una de ellas atendiendo a su Renta Media. Aprovechamos este ejercicio para utilizar diferentes opciones para seleccionar colores a la hora de representar los municipios. Nótese que los municipios coloreados en gris son aquellos en los que el INE no provee información sobre la Renta Media.




# Provincia de Castellón

renta_media_grafico %>%
  filter(Provincia =="Castellón") %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill= as.double(renta_media)), color= "white", size = 0.1) +
  labs( title = "Castellón",
        subtitle = "Renta Media por Persona en 2016",
        caption = "Fuente: INE",
        fill = "") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.3),
    plot.margin = unit(c(0.5,2,0.5,1), "cm")) 



# Provincia de Gipuzkoa

renta_media_grafico %>%
  filter(Provincia =="Guipozkoa") %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill= as.double(renta_media)), color= "white", size = 0.1) +
  labs( title = "Gipuzkoa",
        subtitle = "Renta Media por Persona en 2016",
        caption = "Fuente: INE",
        fill = "") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.3),
    plot.margin = unit(c(0.5,2,0.5,1), "cm")) +
  scale_fill_gradient(low = "red", high = "green")



# Provincia de Zaragoza

renta_media_grafico %>%
  filter(Provincia =="Zaragoza") %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill= as.double(renta_media)), color= "white", size = 0.1) +
  labs( title = "Zaragoza",
        subtitle = "Renta Media por Persona en 2016",
        caption = "Fuente: INE",
        fill = "") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.8),
    plot.margin = unit(c(0.5,2,0.5,1), "cm")) +
  scale_fill_gradientn(colours= terrain.colors(10))



# Provincia de Valencia

renta_media_grafico %>%
  filter(Provincia =="Valencia") %>%
  ggplot(aes(x=long, y= lat, group = group)) +
  geom_polygon(aes(fill= as.double(renta_media)), color= "white", size = 0.1) +
  labs( title = "Valencia",
        subtitle = "Renta Media por Persona en 2016",
        caption = "Fuente: INE",
        fill = "") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_rect(fill = "snow", color = NA),
    panel.background = element_rect(fill= "snow", color = NA),
    plot.title = element_text(size = 16, hjust = 0),
    plot.subtitle = element_text(size = 12, hjust = 0),
    plot.caption = element_text(size = 8, hjust = 1),
    legend.title = element_text(color = "grey40", size = 8),
    legend.text = element_text(color = "grey40", size = 7, hjust = 0),
    legend.position = c(0.93, 0.8),
    plot.margin = unit(c(0.5,2,0.5,1), "cm"))  +
  scale_fill_gradientn(colours= rainbow(4))


Para finalizar realizamos el mapa general donde representaremos el conjunto de Municipios Españoles según su Renta Media por persona. Sin entrar en detalle, siendo posible identificar diversas dinámicas, en términos generales el mapa refleja claramente la notable diferencia existente entre el norte y el sur del país en términos de Renta Media.



renta_media_grafico %>%
  ggplot(aes(x = long, y = lat, group = group)) +
  geom_polygon(aes(fill = as.numeric(renta_media)), 
               color = "snow", 
               size = 0.001) +
  labs( title = "Mapa de los Municipios Españoles",
        subtitle = "Renta Media por Persona en 2016",
        caption = "Fuente: INE",
        fill = "Renta Media") +
  theme_minimal() +
  theme(
    axis.line = element_blank(),
    axis.text = element_blank(),
    axis.title = element_blank(),
    axis.ticks = element_blank(),
    plot.background = element_blank(),
    panel.background = element_blank(),
    plot.title = element_text(size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 10, hjust = 0.5),
    plot.caption = element_text(size = 6, hjust = 1),
    legend.title = element_text(color = "grey40", size = 7),
    legend.text = element_text(color = "grey40", size = 5, hjust = 0),
    legend.position = c(0.93, 0.2)) +
  scale_fill_gradientn(colours= rainbow(5))