Kontrola shody dat

Vkládat data přímo do slotu data nefunguje, protože se tím ztratí správná korespondence mezi řádky a prostorovými objekty. Jak tedy přidat data o příjmech k polygonálním datům? Přesně k tomuto účelu slouží funkce merge() z balíčku sp.

Funkci merge() možná znáš z práce s datovými rámci. sp::merge() má téměř stejnou strukturu, ale předáváš jí objekt Spatial*** a datový rámec — a vrátí nový objekt Spatial***, jehož datový slot je výsledkem sloučení původního datového slotu s datovým rámcem. Aby sloučení fungovalo, musí mít prostorový objekt i datový rámec sloupec se shodujícími se ID.

Jak nyc_tracts, tak nyc_income obsahují sloupce s ID sčítacích obvodů, takže jsou ideálními kandidáty pro sloučení obou datových sad. Vždy je ale dobré ověřit, že navrhovaná ID jsou unikátní a že pro každý řádek v obou datových sadách existuje odpovídající záznam.

Tuto kontrolu proveďme ještě před samotným sloučením.

Toto cvičení je součástí kurzu

Vizualizace geoprostorových dat v R

Pokyny k cvičení

Pomocí any() a duplicated() na nyc_income$tract zkontroluj, zda má každý řádek v nyc_income unikátní ID sčítacího obvodu.
Pomocí any() a duplicated() na nyc_tracts$TRACTCE zkontroluj, zda má každý řádek v nyc_tracts unikátní ID sčítacího obvodu.
Pomocí all() na nyc_tracts$TRACTCE %in% nyc_income$tract ověř, zda jsou všechny sčítací obvody z nyc_tracts obsaženy i v nyc_income.
Pomocí all() na nyc_income$tract %in% nyc_tracts$TRACTCE ověř, zda jsou všechny sčítací obvody z nyc_income obsaženy i v nyc_tracts.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Check for duplicates in nyc_income


# Check for duplicates in nyc_tracts


# Check nyc_tracts in nyc_income


# Check nyc_income in nyc_tracts

Upravit a spustit kód

Toto cvičení je součástí kurzu

Vizualizace geoprostorových dat v R

SkillTag.level.intermediateSkillTag.label

4.6+

Začněte kurz zdarma

Rovnou se pustíme do vizualizace prostorových dat – konkrétně prodejů nemovitostí v malém americkém městě – pomocí ggplot2. Představíme ti také balíček ggmap jako rychlý způsob, jak do grafů přidat prostorový kontext. Povíme si, co dělá prostorová data výjimečnými, a seznámíme tě s nejběžnějšími typy prostorových dat, se kterými budeme v kurzu pracovat.

Exercise 1: Úvod do prostorových dat Exercise 2: Stažení podkladové mapy Exercise 3: Dáme to dohromady Exercise 4: Pochopení dat skrze estetiku Exercise 5: Užitečné možnosti funkcí get_map() a ggmap()Exercise 6: Různé typy map Exercise 7: Využití silných stránek ggplot2 Exercise 8: Rychlá alternativa Exercise 9: Běžné typy prostorových dat Exercise 10: Kreslení polygonů Exercise 11: Choropletová mapa Exercise 12: Rastrová data jako heatmapa

S prostorovými daty uloženými v datových rámcích toho lze zvládnout hodně, ale práce se výrazně zjednoduší, pokud jsou uložena ve speciálních prostorových objektech. V této kapitole se seznámíš s třídami prostorových objektů z balíčku sp, zejména pro bodová a polygonová data. Na příkladu mapy světa se naučíš tyto objekty prozkoumávat a filtrovat. Odměnou za zvládnutí těchto tříd bude balíček tmap, který prostorové objekty vyžaduje jako vstup, ale vytváření map s ním je skutečně snadné! Kapitolu zakončíš vytvořením mapy světové populace.

Exercise 1: Seznámení s objekty sp Exercise 2: Podívejme se na prostorový objekt Exercise 3: Co se skrývá uvnitř prostorového objektu?Exercise 4: Složitější prostorový objekt Exercise 5: sp a S4 Exercise 6: Procházení hierarchie Exercise 7: Ještě hlouběji do králičí nory Exercise 8: Další třídy a metody sp Exercise 9: Vytváření podmnožin pomocí indexu Exercise 10: Přístup k datům v objektech sp Exercise 11: Výběr podmnožiny podle atributů dat Exercise 12: tmap – balíček pro práci s objekty sp Exercise 13: Úvod do tmap Exercise 14: Postupné sestavování grafu po vrstvách Exercise 15: Proč je Grónsko tak velké?Exercise 16: Uložení grafu z balíčku tmap

Zatímco balíček sp nabízí určité třídy pro rastrová data, balíček raster poskytuje třídy užitečnější. Seznámíš se s nimi, zjistíš, jaké mají výhody, a naučíš se je zobrazovat. Příklady navazují na téma populace z 2. kapitoly, tentokrát se ale podíváš na podrobnější datové sady – jak prostorově, tak demograficky. V druhé části kapitoly se budeme věnovat barvám, které jsou nezbytnou součástí každé vizualizace, a pro mapy platí obzvlášť.

Exercise 1: Balíček raster Exercise 2: Co je to rastrový objekt?Exercise 3: Užitečné metody Exercise 4: Složitější objekt Exercise 5: Balíček pro práci s rastrovými objekty Exercise 6: Barevné škály Exercise 7: Vyber správnou paletu Exercise 8: Přidání vlastní spojité barevné palety do grafů ggplot2 Exercise 9: Vlastní paleta v tmap Exercise 10: Více o barevných škálách Exercise 11: Příklad intervalové škály Exercise 12: Příklad divergentní škály Exercise 13: Příklad s kvalitativní paletou

V této kapitole projdeš celým procesem tvorby vizualizace – od surových prostorových souborů až po přidání popisku ke hotové mapě. Cestou se naučíš načítat prostorová data do R, dozvíš se více o projekcích a souřadnicových referenčních systémech, zjistíš, jak k prostorovému objektu přidat další data, a získáš tipy na finální úpravy map.

Exercise 1: Načítání prostorových dat Exercise 2: Načtení shapefile Exercise 3: Načtení rastrového souboru Exercise 4: Získávání dat pomocí balíčku Exercise 5: Souřadnicové referenční systémy Exercise 6: Sloučení dat z různých CRS/projekcí Exercise 7: Převod mezi souřadnicovými referenčními systémy a projekcemi Exercise 8: Přidávání dat do prostorových objektů Exercise 9: Špatný přístup Exercise 10: Kontrola shody dat

Aktuální cvičení

Exercise 11: Spojování datových atributů Exercise 12: První vizualizace Exercise 13: Vylepšení mapy Exercise 14: Výběr čtvrtí Exercise 15: Přidání popisků čtvrtí Exercise 16: Úpravy legendy a závěrečné doladění Exercise 17: Závěrečné shrnutí