Polygonen tekenen

Een choropleet is een kaart waarop polygonen worden ingekleurd op basis van een variabele. In de gegevensset ward_sales vind je informatie over woningverkopen samengevat op wijkniveau. Je doel is een kaart te maken waarbij elke wijk wordt ingekleurd op basis van een van je samenvattingen: het aantal verkopen of de gemiddelde verkoopprijs.

In het data frame beschrijft elke rij één punt op de grens van een wijk. De variabelen lon en lat geven de locatie aan en ward geeft aan bij welke wijk het punt hoort, maar wat betekenen group en order?

Weet je nog die twee lastige dingen aan polygonen? Een gebied kan door meer dan één polygoon worden beschreven en de volgorde is belangrijk. group is een identificatie voor één polygoon, maar een wijk kan uit meer dan één polygoon bestaan, dus voor zo’n wijk zie je meerdere waarden van group. order geeft de volgorde aan waarin de punten moeten worden getekend om de juiste vormen te krijgen.

In ggplot2 teken je polygonen met geom_polygon(). Elke rij van je data is één punt op de grens en punten worden verbonden in de volgorde waarin ze in het data frame staan. Je geeft aan welke variabelen de positie beschrijven met de x- en y-esthetiek en welke punten bij één polygoon horen met de group-esthetiek.

Dit is een beetje pittig, dus laten we dit eerst wat verder verkennen voordat je je gewenste plot maakt.

Deze oefening maakt deel uit van de cursus

Georuimtelijke data visualiseren in R

Cursus bekijken

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Add a point layer with color mapped to ward
ggplot(ward_sales, aes(lon, lat))

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Georuimtelijke data visualiseren in R

SkillTag.level.intermediateSkillTag.label

4.6+

Begin de cursus gratis

We'll dive in by displaying some spatial data -- property sales in a small US town -- using ggplot2 and we'll introduce you to the ggmap package as a quick way to add spatial context to your plots. We'll talk about what makes spatial data special and introduce you to the common types of spatial data we'll be working with throughout the course.

Exercise 1: Introductie tot ruimtelijke data Exercise 2: Een achtergrondkaart ophalen Exercise 3: Alles samenbrengen Exercise 4: Inzicht via esthetiek Exercise 5: Handige opties voor get_map() en ggmap()Exercise 6: Verschillende kaarten Exercise 7: De kracht van ggplot2 benutten Exercise 8: Een snelle alternatieve aanpak Exercise 9: Veelvoorkomende typen ruimtelijke data Exercise 10: Polygonen tekenen

Huidige oefening

Exercise 11: Choropleth-kaart Exercise 12: Rastergegevens als heatmap

You can get a long way with spatial data stored in data frames, but it makes life easier if they are stored in special spatial objects. In this chapter we'll introduce you to the spatial object classes provided by the sp package, particularly for point and polygon data. You'll learn how to explore and subset these objects by exploring a world map. The reward for learning about these object classes: we'll show you the package tmap which requires spatial objects as input, but makes creating maps really easy! You'll finish up by making a map of the world's population.

Exercise 1: Introducing sp objects Exercise 2: Let's take a look at a spatial object Exercise 3: What's inside a spatial object?Exercise 4: A more complicated spatial object Exercise 5: sp and S4 Exercise 6: Walking the hierarchy Exercise 7: Further down the rabbit hole Exercise 8: More sp classes and methods Exercise 9: Subsetting by index Exercise 10: Accessing data in sp objects Exercise 11: Subsetting based on data attributes Exercise 12: tmap, a package that works with sp objects Exercise 13: Introduction to tmap Exercise 14: Building a plot in layers Exercise 15: Why is Greenland so big?Exercise 16: Saving a tmap plot

While the sp package provides some classes for raster data, the raster package provides more useful classes. You'll be introduced to these classes and their advantages and then learn to display them. The examples continue with the theme of population from Chapter 2, but you'll look at some much finer detail datasets, both spatially and demographically. In the second half of the chapter you'll learn about color -- an essential part of any visual display, but especially important for maps.

Exercise 1: The raster package Exercise 2: What's a raster object?Exercise 3: Some useful methods Exercise 4: A more complicated object Exercise 5: A package that uses Raster objects Exercise 6: Color scales Exercise 7: Pick the right palette Exercise 8: Adding a custom continuous color palette to ggplot2 plots Exercise 9: Custom palette in tmap Exercise 10: More about color scales Exercise 11: An interval scale example Exercise 12: A diverging scale example Exercise 13: A qualitative example

In this chapter you'll follow the creation of a visualization from raw spatial data files to adding a credit to a map. Along the way, you'll learn how to read spatial data into R, more about projections and coordinate reference systems, how to add additional data to a spatial object, and some tips for polishing your maps.

Exercise 1: Reading in spatial data Exercise 2: Reading in a shapefile Exercise 3: Reading in a raster file Exercise 4: Getting data using a package Exercise 5: Coordinate reference systems Exercise 6: Merging data from different CRS/projections Exercise 7: Converting from one CRS/projection to another Exercise 8: Adding data to spatial objects Exercise 9: The wrong way Exercise 10: Checking data will match Exercise 11: Merging data attributes Exercise 12: A first plot Exercise 13: Polishing a map Exercise 14: Subsetting the neighborhoods Exercise 15: Adding neighborhood labels Exercise 16: Tidying up the legend and some final tweaks Exercise 17: Wrap up