Łączenie atrybutów danych

Funkcja merge() domyślnie łączy dane na podstawie kolumn o tej samej nazwie w obu zbiorach danych. W tym przypadku takie podejście nie zadziała, ponieważ kolumna z identyfikatorami nazywa się tract w jednym zbiorze i TRACTCE w drugim. Aby to obsłużyć, merge() udostępnia opcjonalne argumenty by.x i by.y, w których możesz podać nazwy kolumn używanych do łączenia w każdym ze zbiorów.

Funkcja merge() zwraca nowy obiekt Spatial___DataFrame, więc możesz sprawdzić wynik, wizualizując go za pomocą tmap.

Przejdźmy teraz do łączenia danych.

To ćwiczenie jest częścią kursu

Wizualizacja danych geoprzestrzennych w R

Instrukcje do ćwiczenia

Użyj funkcji merge(), podając jako pierwszy argument obiekt przestrzenny nyc_tracts, a jako drugi – ramkę danych nyc_income. Określ by.x = "TRACTCE" oraz by.y = "tract". Wynik zapisz w zmiennej nyc_tracts_merge.
Użyj funkcji summary() na obiekcie nyc_tracts_merge, aby sprawdzić, czy jest to obiekt SpatialPolygonsDataFrame i czy dane zawierają potrzebną kolumnę estimate z nyc_income.
Użyj funkcji tm_shape() i dodaj warstwę tm_fill(), aby utworzyć mapę choropletową obiektu nyc_tracts_merge, przypisując kolor do zmiennej estimate.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

library(sp)
library(tmap)

# Merge nyc_tracts and nyc_income: nyc_tracts_merge


# Call summary() on nyc_tracts_merge


# Choropleth with col mapped to estimate

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Wizualizacja danych geoprzestrzennych w R

SkillTag.level.intermediateSkillTag.label

4.6+

Rozpocznij kurs za darmo

Zaczniemy od wyświetlenia danych przestrzennych – transakcji nieruchomości w małym amerykańskim miasteczku – przy użyciu ggplot2, a następnie poznasz pakiet ggmap jako szybki sposób na dodanie kontekstu przestrzennego do wykresów. Omówimy, co sprawia, że dane przestrzenne są wyjątkowe, i przedstawimy najczęstsze typy danych przestrzennych, z którymi będziesz pracować przez cały kurs.

Exercise 1: Wprowadzenie do danych przestrzennych Exercise 2: Pobieranie mapy w tle Exercise 3: Składamy wszystko razem Exercise 4: Wnioski przez estetykę Exercise 5: Przydatne opcje get_map() i ggmap()Exercise 6: Różne mapy Exercise 7: Wykorzystanie możliwości ggplot2 Exercise 8: Szybka alternatywa Exercise 9: Typowe rodzaje danych przestrzennych Exercise 10: Rysowanie wielokątów Exercise 11: Mapa choropletyczna Exercise 12: Dane rastrowe jako mapa ciepła

Dane przestrzenne przechowywane w ramkach danych wystarczą na wiele, ale praca z nimi staje się wygodniejsza, gdy korzystamy ze specjalnych obiektów przestrzennych. W tym rozdziale poznasz klasy obiektów przestrzennych udostępniane przez pakiet sp – szczególnie dla danych punktowych i poligonowych. Nauczysz się eksplorować te obiekty i wybierać ich podzbiory, pracując z mapą świata. Nagrodą za opanowanie tych klas obiektów będzie pakiet tmap, który wymaga obiektów przestrzennych jako danych wejściowych, ale sprawia, że tworzenie map staje się naprawdę proste! Rozdział zakończysz, tworząc mapę liczby ludności na świecie.

Exercise 1: Wprowadzenie do obiektów sp Exercise 2: Przyjrzyjmy się obiektowi przestrzennemu Exercise 3: Co kryje się w obiekcie przestrzennym?Exercise 4: Bardziej złożony obiekt przestrzenny Exercise 5: sp i S4 Exercise 6: Poruszanie się po hierarchii Exercise 7: Głębiej w króliczą norę Exercise 8: Więcej klas i metod pakietu sp Exercise 9: Wyodrębnianie podzbioru według indeksu Exercise 10: Dostęp do danych w obiektach sp Exercise 11: Filtrowanie na podstawie atrybutów danych Exercise 12: tmap – pakiet współpracujący z obiektami sp Exercise 13: Wprowadzenie do tmap Exercise 14: Budowanie wykresu warstwami Exercise 15: Dlaczego Grenlandia jest taka duża?Exercise 16: Zapisywanie wykresu tmap

Pakiet sp oferuje pewne klasy dla danych rastrowych, jednak pakiet raster dostarcza bardziej użytecznych rozwiązań. Poznasz te klasy, dowiesz się, jakie mają zalety, i nauczysz się je wyświetlać. Przykłady nawiązują do tematyki populacji z rozdziału 2, ale tym razem przyjrzysz się znacznie bardziej szczegółowym zbiorom danych – zarówno pod względem przestrzennym, jak i demograficznym. W drugiej części rozdziału nauczysz się dobierać kolory – kluczowego elementu każdej wizualizacji, a szczególnie ważnego w przypadku map.

Exercise 1: Pakiet raster Exercise 2: Czym jest obiekt rastrowy?Exercise 3: Przydatne metody Exercise 4: Bardziej złożony obiekt Exercise 5: Pakiet obsługujący obiekty Raster Exercise 6: Skale kolorów Exercise 7: Wybierz właściwą paletę Exercise 8: Dodawanie niestandardowej ciągłej palety kolorów do wykresów ggplot2 Exercise 9: Własna paleta w tmap Exercise 10: Więcej o skalach kolorów Exercise 11: Przykład skali interwałowej Exercise 12: Przykład skali dywergentnej Exercise 13: Przykład zmiennej jakościowej

W tym rozdziale przejdziesz przez cały proces tworzenia wizualizacji – od surowych plików z danymi przestrzennymi aż po dodanie informacji o źródle danych na mapie. Po drodze dowiesz się, jak wczytywać dane przestrzenne do R, pogłębisz wiedzę o odwzorowaniach kartograficznych i układach współrzędnych, nauczysz się dodawać dodatkowe dane do obiektów przestrzennych oraz poznasz wskazówki, jak nadać mapom profesjonalny wygląd.

Exercise 1: Wczytywanie danych przestrzennych Exercise 2: Wczytywanie pliku shapefile Exercise 3: Wczytywanie pliku rastrowego Exercise 4: Pobieranie danych za pomocą pakietu Exercise 5: Układy odniesienia współrzędnych Exercise 6: Łączenie danych z różnych układów CRS/rzutowań Exercise 7: Konwersja między układami CRS i odwzorowaniami Exercise 8: Dodawanie danych do obiektów przestrzennych Exercise 9: Zły sposób Exercise 10: Sprawdzanie zgodności danych Exercise 11: Łączenie atrybutów danych

Bieżące ćwiczenie

Exercise 12: Pierwsza mapa Exercise 13: Dopracowywanie mapy Exercise 14: Filtrowanie dzielnic Exercise 15: Dodawanie etykiet dzielnic Exercise 16: Porządkowanie legendy i ostatnie poprawki Exercise 17: Podsumowanie