Een plot in lagen opbouwen

Nu je iets meer weet over tmap(), gaan we je vorige plot van de bevolking in lagen opbouwen en een paar tweaks doen om hem te verbeteren. Je begint met een tm_shape()-laag die de gegevens definieert die je wilt gebruiken, en voegt daarna een tm_fill()-laag toe om je polygonen in te kleuren met de variabele population:

tm_shape(countries_spdf) +
  tm_fill(col = "population")

Waarschijnlijk is het grootste probleem met de resulterende plot dat de kleurschaal niet zo informatief is: de eerste kleur (heel lichtgeel) omvat alle landen met minder dan 200 miljoen inwoners! Omdat de kleurschaal is gekoppeld aan de tm_fill()-laag, pas je deze schaal ook in die aanroep aan. In Hoofdstuk 3 leer je veel meer over kleur, maar voor nu is het goed om te weten dat het argument style bepaalt hoe de klassen worden gekozen.

Je plot heeft ook landgrenzen nodig. Je kunt hiervoor een tm_borders()-laag toevoegen, maar laten we ze niet te aanwezig maken. Een bruine tint zou misschien mooi zijn.

Het voordeel van het werken met ruimtelijke objecten wordt echt duidelijk wanneer je van soort plot wisselt. Laten we ook een bubble-plot proberen, waarbij de grootte van de bubbels overeenkomt met de bevolking. Als je ggplot2 zou gebruiken, zou dit veel herstructureren van je gegevens vergen. Met tmap vervang je gewoon een laag.

Deze oefening maakt deel uit van de cursus

Georuimtelijke data visualiseren in R

Cursus bekijken

Oefeninstructies

Voeg style = "quantile" toe aan tm_fill(). Dit kiest de grenzen in de kleurschaal op basis van gelijke aantallen observaties in elk interval.
Voeg aan dezelfde plot een tm_borders()-laag toe met col = "burlywood4".
Maak een nieuwe plot die hetzelfde is als de eerste, maar vervang tm_fill() door een tm_bubbles()-laag met size gekoppeld aan population.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

library(sp)
library(tmap)

# Add style argument to the tm_fill() call
tm_shape(countries_spdf) +
  tm_fill(col = "population") +
  # Add a tm_borders() layer 
  

# New plot, with tm_bubbles() instead of tm_fill()

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: Introduction to spatial data Exercise 2: Grabbing a background map Exercise 3: Putting it all together Exercise 4: Insight through aesthetics Exercise 5: Useful get_map() and ggmap() options Exercise 6: Different maps Exercise 7: Leveraging ggplot2's strengths Exercise 8: A quick alternative Exercise 9: Common types of spatial data Exercise 10: Drawing polygons Exercise 11: Choropleth map Exercise 12: Raster data as a 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: Kennismaken met sp-objecten Exercise 2: Laten we een ruimtelijk object bekijken Exercise 3: Wat zit er in een ruimtelijk object?Exercise 4: Een complexer ruimtelijk object Exercise 5: sp en S4 Exercise 6: Door de hiërarchie lopen Exercise 7: Nog dieper het konijnenhol in Exercise 8: Meer sp-klassen en -methoden Exercise 9: Subsetten op index Exercise 10: Gegevens benaderen in sp-objecten Exercise 11: Subsetten op basis van data-attributen Exercise 12: tmap, een pakket dat met sp-objecten werkt Exercise 13: Introductie tot tmap Exercise 14: Een plot in lagen opbouwen

Huidige oefening

Exercise 15: Waarom is Groenland zo groot?Exercise 16: Een tmap-plot opslaan

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