Daten aus unterschiedlichen CRS/Projektionen zusammenführen

Jedes räumliche Objekt hat ein zugehöriges Koordinatenreferenzsystem (CRS). In der Regel wird es beim Import der Daten gesetzt und direkt aus den räumlichen Dateien ausgelesen. So haben neighborhoods und nyc_tracts ihre Informationen zum Koordinatensystem erhalten.

Sowohl die Pakete sp als auch raster haben eine Funktion proj4string(), die das CRS des Objekts zurückgibt, auf dem sie aufgerufen wird.

Mit räumlichen Daten in unterschiedlichen CRS zu arbeiten, ist ein bisschen so, als würdest du mit einem Datensatz in Meilen und einem anderen in Kilometern arbeiten. Sie messen dasselbe, aber die Zahlen sind nicht direkt vergleichbar.

Schauen wir uns unsere beiden Polygonobjekte an.

Diese Übung ist Teil des Kurses

Geodaten in R visualisieren

Anleitung zur Übung

Rufe proj4string() auf neighborhoods auf und dann erneut auf nyc_tracts. Überprüfe, dass die beiden Strings unterschiedlich sind.
Sieh dir das head() der coordinates() von neighborhoods an und wiederhole es für nyc_tracts. Erkennst du das Problem? nyc_tracts hat x‑Koordinaten um -70, aber neighborhoods liegt bei etwa 1.000.000!
Plotte neighborhoods, dann plote nyc_tracts mit col = "red" und add = TRUE, um sie darüberzulegen.

Interaktive Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

library(sp)

# proj4string() on nyc_tracts and neighborhoods



# coordinates() on nyc_tracts and neighborhoods



# plot() neighborhoods and nyc_tracts

Code bearbeiten und ausführen

Diese Übung ist Teil des Kurses

Geodaten in R visualisieren

Mittlere SchwierigkeitSchwierigkeitsgrad

4.6+

Kurs kostenlos starten

Wir starten, indem wir einige räumliche Daten anzeigen – Immobilienverkäufe in einer kleinen US-Stadt – mit ggplot2, und wir stellen dir das Paket ggmap als schnellen Weg vor, deinen Plots räumlichen Kontext hinzuzufügen. Wir sprechen darüber, was räumliche Daten besonders macht, und führen dich in die gängigen Typen räumlicher Daten ein, mit denen wir im Kurs arbeiten werden.

Exercise 1: Einführung in räumliche Daten Exercise 2: Eine Hintergrundkarte holen Exercise 3: Alles zusammenfügen Exercise 4: Erkenntnisse durch Ästhetiken Exercise 5: Nützliche Optionen für get_map() und ggmap()Exercise 6: Verschiedene Karten Exercise 7: Die Stärken von ggplot2 nutzen Exercise 8: Eine schnelle Alternative Exercise 9: Gängige Arten räumlicher Daten Exercise 10: Polygone zeichnen Exercise 11: Choroplethenkarte Exercise 12: Rasterdaten als Heatmap

Mit räumlichen Daten in Data Frames kommst du weit, aber es ist einfacher, wenn sie in speziellen räumlichen Objekten gespeichert sind. In diesem Kapitel lernst du die Klassen räumlicher Objekte aus dem Paket sp kennen, besonders für Punkt- und Polygon-Daten. Du lernst, diese Objekte zu erkunden und zu subsetten, indem du eine Weltkarte untersuchst. Die Belohnung für das Lernen dieser Objektklassen: Wir zeigen dir das Paket tmap, das räumliche Objekte als Eingabe benötigt, aber das Erstellen von Karten sehr einfach macht! Zum Abschluss erstellst du eine Karte der Weltbevölkerung.

Exercise 1: Einführung in sp-Objekte Exercise 2: Schauen wir uns ein räumliches Objekt an Exercise 3: Was steckt in einem Spatial-Objekt?Exercise 4: Ein komplexeres räumliches Objekt Exercise 5: sp und S4 Exercise 6: Durch die Hierarchie gehen Exercise 7: Noch tiefer ins Kaninchenloch Exercise 8: Weitere sp-Klassen und -Methoden Exercise 9: Per Index subsetten Exercise 10: Auf Daten in sp-Objekten zugreifen Exercise 11: Subsetten basierend auf Datenattributen Exercise 12: tmap, ein Paket, das mit sp-Objekten arbeitet Exercise 13: Einführung in tmap Exercise 14: Ein Plot Schicht für Schicht aufbauen Exercise 15: Warum ist Grönland so groß?Exercise 16: Einen tmap-Plot speichern

Während das Paket sp einige Klassen für Rasterdaten bereitstellt, bietet das Paket raster nützlichere Klassen. Du wirst in diese Klassen und ihre Vorteile eingeführt und lernst anschließend, sie darzustellen. Die Beispiele greifen das Thema Bevölkerung aus Kapitel 2 wieder auf, aber du arbeitest mit Datensätzen in deutlich höherer räumlicher und demografischer Auflösung. In der zweiten Hälfte des Kapitels lernst du etwas über Farbe – ein wesentlicher Bestandteil jeder Visualisierung, besonders wichtig für Karten.

Exercise 1: Das raster-Paket Exercise 2: Was ist ein Raster-Objekt?Exercise 3: Einige nützliche Methoden Exercise 4: Ein komplizierteres Objekt Exercise 5: Ein Paket, das Raster-Objekte verwendet Exercise 6: Farbskalen Exercise 7: Wähle die richtige Palette Exercise 8: Eigene kontinuierliche Farbskala zu ggplot2-Grafiken hinzufügen Exercise 9: Eigene Palette in tmap Exercise 10: Mehr zu Farbschemata Exercise 11: Ein Beispiel für Intervallskalen Exercise 12: Beispiel für eine divergierende Skala Exercise 13: Ein qualitatives Beispiel

In diesem Kapitel verfolgst du die Entstehung einer Visualisierung von Rohdaten-Dateien bis hin zum Hinzufügen eines Credits auf einer Karte. Dabei lernst du, räumliche Daten in R einzulesen, mehr über Projektionen und Koordinatenreferenzsysteme, wie du zusätzliche Daten zu einem räumlichen Objekt hinzufügst, und erhältst einige Tipps, um deine Karten zu verfeinern.

Exercise 1: Räumliche Daten einlesen Exercise 2: Ein Shapefile einlesen Exercise 3: Eine Rasterdatei einlesen Exercise 4: Daten mithilfe eines Pakets beziehen Exercise 5: Koordinatenreferenzsysteme Exercise 6: Daten aus unterschiedlichen CRS/Projektionen zusammenführen

Aktuelle Übung

Exercise 7: Von einem CRS/einer Projektion in ein anderes umwandeln Exercise 8: Daten zu räumlichen Objekten hinzufügen Exercise 9: Der falsche Weg Exercise 10: Überprüfen, ob die Daten zusammenpassen Exercise 11: Zusammenführen von Datenattributen Exercise 12: Ein erstes Diagramm Exercise 13: Eine Karte verfeinern Exercise 14: Die Stadtteile subsetten Exercise 15: Beschriftungen für Stadtviertel hinzufügen Exercise 16: Legende aufräumen und letzte Feinheiten Exercise 17: Zusammenfassung