/
04-mapas-com-ggplot2.Rmd
335 lines (216 loc) · 6.16 KB
/
04-mapas-com-ggplot2.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
---
title: "Mapas com ggplot2"
output: html_document
---
```{r setup, include=FALSE}
knitr::opts_chunk$set(
echo = TRUE,
message = FALSE,
warning = FALSE,
fig.align = "center",
cache = TRUE
)
```
## Carregar pacotes
```{r}
library(sf)
library(geobr)
library(ggplot2)
library(dplyr)
# remotes::install_github("abjur/abjData")
library(abjData)
```
O pacote {sf} (Simple Features for R) (Pebesma 2020, 2018) possibilita trabalhar com bases de dados espaciais.
Para utilizar esses dados, temos duas abordagens:
- Bases que não são georreferenciadas
- Bases que são georreferenciadas
## Trabalhando com bases não georreferenciadas
Identificar a unidade de análise, e com os joins, unir com uma base georreferenciada.
O pacote **geobr** (Pereira and Goncalves 2020) é um pacote que disponibiliza funções para realizar o download de diversas bases de dados espaciais oficiais do Brasil. Você pode saber mais no repositório do pacote no GitHub: https://ipeagit.github.io/geobr/
## Datasets do Brasil
Quais funções para acessar cada dataset: `geobr::list_geobr()`
```{r}
knitr::kable(geobr::list_geobr())
```
Exemplos:
```{r}
# geobr::read_country() # importa a delimitação do Brasil
# geobr::read_state() # importa a delimitação dos estados do Brasil
# geobr::read_state("DF") # importa a delimitação de um Estado específico, usando a sigla
# geobr::read_municipality() # importa a delimitação de todos os municípios do Brasil. É uma base mais pesada!
# geobr::read_municipality(code_muni = 3550308) # importa a delimitação de um município específico, usando o código do IBGE do município.
```
## Exemplo 1: Trabalhando com os estados brasileiros
### Importar as bases
Não usar View()!
- Delimitação dos Estados:
a) Todos os estados do Brasil
```{r}
estados <- readr::read_rds("../dados/geobr/estados.Rds")
# Como obter essa mesma base?
# estados <- geobr::read_state()
```
b) Apenas um estado: DF
```{r}
estado_df <- readr::read_rds("../dados/geobr/estado_df.Rds")
# Como obter essa mesma base?
# estado_df <- geobr::read_state("DF")
```
### Explorar os dados
Qual é a classe?
```{r}
class(estados)
```
Usamos o pacote ggplot2 para criar os mapas, utilizando o geom_sf()
```{r}
estados %>%
ggplot() +
geom_sf()
glimpse(estados)
```
Empilhando as bases usando os geom's :
```{r}
ggplot() +
geom_sf(data = estados) +
geom_sf(data = estado_df, fill = "blue") +
theme_bw()
```
### Usando o dplyr com objetos sf
- glimpse() - observar o que a base contém
```{r}
glimpse(estados)
```
- filter() - conseguimos filtrar os objetos
```{r}
estados %>%
filter(name_region == "Nordeste") %>%
ggplot() +
geom_sf()
```
- join()
```{r}
class(abjData::pnud_uf)
pnud_uf <- abjData::pnud_uf
pnud_uf_sf <- estados %>%
left_join(abjData::pnud_uf, by = c("code_state" = "uf"))
class(pnud_uf_sf)
glimpse(pnud_uf_sf)
```
### Mapas temáticos
```{r}
# glimpse(pnud_uf_sf)
# LEMBRAR: FILTRAR OS DADOS DE ANO
pnud_uf_sf %>%
filter(ano == 2010) %>%
ggplot() +
geom_sf(aes(fill = idhm), color = "white", size = 0.1) +
theme_void()
```
## Exemplo 2: Escolas em Brasília, DF
### Carregar os pacotes usados
```{r}
library(magrittr)
library(dplyr)
library(ggplot2)
```
### Carregar os dados usados
a) Escolas em Brasília
```{r}
escolas_brasilia <- readr::read_rds("../dados/geobr/escolas_brasilia.Rds")
# Como obter essa mesma base?
# escolas <- geobr::read_schools()
# escolas_brasilia <- escolas %>%
# filter(abbrev_state == "DF", name_muni == "Brasília")
```
b) Delimitação de Brasília
```{r}
municipio_brasilia <- readr::read_rds("../dados/geobr/municipio_brasilia.Rds")
# Como obter essa mesma base?
# municipio_brasilia <- geobr::read_municipality(5300108)
```
### Fazer um mapa!
Passo 1: colocar a delimitação do município e também as escolas
```{r}
ggplot() +
geom_sf(data = municipio_brasilia) +
geom_sf(data = escolas_brasilia)
```
Passo 2: Colorir as escolas por "government_level"
```{r}
ggplot() +
geom_sf(data = municipio_brasilia) +
geom_sf(data = escolas_brasilia, aes(color = government_level))
```
Passo 3: Fazer um facet com "government_level"
```{r}
ggplot() +
geom_sf(data = municipio_brasilia) +
geom_sf(data = escolas_brasilia, aes(color = government_level)) +
facet_wrap(~ government_level)
```
Passo 4: Remover a legenda, mudar o tema, adicionar um título e centralizar o título
```{r}
ggplot() +
geom_sf(data = municipio_brasilia) +
geom_sf(data = escolas_brasilia, aes(color = government_level), show.legend = FALSE) +
facet_wrap(~ government_level) +
theme_void() +
labs(title = "Escolas em Brasília \n") +
theme(plot.title = element_text(hjust = 0.5))
```
# Exemplo 3 - Rodovias em DF
### Carregar os pacotes
```{r}
library(sf)
library(geobr)
library(magrittr)
```
Como buscar a base? Se quiser baixar, remova os comentários (#) dos códigos abaixo:
```{r}
# Link que disponibiliza a base
# u_shp <- "https://www.gov.br/infraestrutura/pt-br/centrais-de-conteudo/rodovias-zip"
# Cirar a pasta para baixar o arquivo
# dir.create("../dados/shp_rod")
# Fazer o download do arquivo zip
# httr::GET(u_shp,
# httr::write_disk("../dados/shp_rod/rodovias.zip"),
# httr::progress())
# Descompactar o zip
# unzip("../dados/shp_rod/rodovias.zip", exdir = "../dados/shp_rod/")
# Importar a base em arquivo .shp
# rodovias <-
# st_read(
# "../dados/shp_rod/rodovias.shp",
# quiet = TRUE#,
# #options = "ENCODING=WINDOWS-1252"
# ) %>%
# # limpar o nome das colunas
# janitor::clean_names()
# filtrar para DF
# rodovias_df <- rodovias %>%
# filter(sg_uf == "DF")
```
### Importar a base
Essa base foi gerada a partir do código no chunk anterior.
```{r}
rodovias_df <- readr::read_rds("../dados/rodovias_df.Rds")
```
### Fazendo um mapa simples
```{r}
ggplot() +
geom_sf(data = rodovias_df)
```
## Juntar os 3 exemplos!
```{r}
# Inicio do ggplot
ggplot() +
# limite do estado
geom_sf(data = estado_df, color = "gray") +
# escolas
geom_sf(data = escolas_brasilia, aes(color = government_level)) +
# rodovias
geom_sf(data = rodovias_df, color = "black") +
# adicionar tema
theme_void()
glimpse(escolas_brasilia)
```