Obținerea datelor cu ajutorul unui pachet

Citirea datelor spațiale dintr-un fișier este o modalitate de a le importa în R, însă există și pachete care furnizează direct date spațiale frecvent utilizate. De exemplu, pachetul rnaturalearth oferă date de la Natural Earth, o sursă de hărți mondiale la rezoluție înaltă, incluzând linii de coastă, state și localități populate. De altfel, aceasta a fost sursa datelor din Capitolul 2.

Vei analiza venitul median la nivelul sectoarelor de recensământ din New York County (cunoscut și ca Borough-ul Manhattan), dar pentru aceasta ai nevoie de limitele geografice ale acestor sectoare. Pachetul tigris din R îți permite să descarci și să imporți ușor fișiere shapefile bazate pe geografiile Recensământului SUA. Vei folosi funcția tracts() pentru a descărca limitele sectoarelor, însă tigris oferă și states(), counties(), places() și multe alte funcții care corespund diferitelor niveluri de entități geografice definite de Recensământ.

Hai să obținem datele spațiale pentru sectoarele de recensământ.

Acest exercițiu face parte din cursul

Vizualizarea datelor geospațiale în R

Instrucțiuni pentru exercițiu

Apelează tracts() cu argumentele state = "NY", county = "New York" și cb = TRUE. Stochează rezultatul în nyc_tracts.
Folosește summary() pe nyc_tracts pentru a verifica că obiectul returnat este un SpatialPolygonsDataFrame.
Reprezintă grafic nyc_tracts cu plot() pentru a verifica conținutul.

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

library(sp)
library(tigris)

# Call tracts(): nyc_tracts


# Call summary() on nyc_tracts


# Plot nyc_tracts

Editează și rulează codul

Acest exercițiu face parte din cursul

Vizualizarea datelor geospațiale în R

SkillTag.level.intermediateSkillTag.label

4.6+

Începe cursul gratuit

Începem direct cu afișarea unor date spațiale – vânzări de proprietăți dintr-un oraș mic din SUA – folosind ggplot2, și te introducem în pachetul ggmap ca metodă rapidă de a adăuga context spațial graficelor tale. Vom discuta despre ce face datele spațiale speciale și îți vom prezenta tipurile comune de date spațiale cu care vom lucra pe parcursul cursului.

Exercise 1: Introducere în date spațiale Exercise 2: Descărcarea unei hărți de fundal Exercise 3: Totul laolaltă Exercise 4: Perspective prin estetică Exercise 5: Opțiuni utile pentru get_map() și ggmap()Exercise 6: Hărți diferite Exercise 7: Valorifică punctele forte ale ggplot2 Exercise 8: O alternativă rapidă Exercise 9: Tipuri comune de date spațiale Exercise 10: Desenarea poligoanelor Exercise 11: Hartă coropletă Exercise 12: Date raster ca hartă termică

Poți face multe cu datele spațiale stocate în cadre de date, dar lucrurile devin mai ușoare atunci când sunt stocate în obiecte spațiale dedicate. În acest capitol îți prezentăm clasele de obiecte spațiale oferite de pachetul sp, în special pentru date de tip punct și poligon. Vei învăța cum să explorezi și să filtrezi aceste obiecte lucrând cu o hartă a lumii. Recompensa pentru cunoașterea acestor clase: îți vom arăta pachetul tmap, care necesită obiecte spațiale ca date de intrare, dar face crearea hărților extrem de simplă! Vei încheia capitolul realizând o hartă a populației lumii.

Exercise 1: Introducere în obiectele sp Exercise 2: Să aruncăm o privire asupra unui obiect spațial Exercise 3: Ce se află în interiorul unui obiect spațial?Exercise 4: Un obiect spațial mai complex Exercise 5: sp și S4 Exercise 6: Explorarea ierarhiei Exercise 7: Tot mai adânc în ierarhie Exercise 8: Mai multe clase și metode sp Exercise 9: Crearea subseturilor după index Exercise 10: Accesarea datelor în obiectele sp Exercise 11: Filtrare pe baza atributelor din date Exercise 12: tmap, un pachet care lucrează cu obiecte sp Exercise 13: Introducere în tmap Exercise 14: Construirea unui grafic în straturi Exercise 15: De ce pare Groenlanda atât de mare?Exercise 16: Salvarea unui grafic tmap

Deși pachetul sp oferă câteva clase pentru datele raster, pachetul raster pune la dispoziție clase mai utile. Vei fi introdus în aceste clase și în avantajele lor, apoi vei învăța cum să le afișezi. Exemplele continuă tema populației din Capitolul 2, dar vei explora seturi de date cu un nivel de detaliu mult mai fin, atât din punct de vedere spațial, cât și demografic. În a doua jumătate a capitolului vei învăța despre culoare – un element esențial în orice vizualizare, dar cu atât mai important în cazul hărților.

Exercise 1: Pachetul raster Exercise 2: Ce este un obiect raster?Exercise 3: Câteva metode utile Exercise 4: Un obiect mai complex Exercise 5: Un pachet care folosește obiecte Raster Exercise 6: Scale de culori Exercise 7: Alege paleta potrivită Exercise 8: Adăugarea unei palete de culori continue personalizate în graficele ggplot2 Exercise 9: Paletă personalizată în tmap Exercise 10: Mai multe despre scalele de culori Exercise 11: Un exemplu de scală pe intervale Exercise 12: Exemplu de scală divergentă Exercise 13: Un exemplu calitativ

În acest capitol vei urmări procesul de creare a unei vizualizări, de la fișierele brute de date spațiale până la adăugarea unui credit pe hartă. Pe parcurs, vei învăța cum să imporți date spațiale în R, vei aprofunda noțiunile legate de proiecții și sisteme de referință pentru coordonate, vei descoperi cum să adaugi date suplimentare unui obiect spațial și vei primi sfaturi pentru a-ți perfecționa hărțile.

Exercise 1: Citirea datelor spațiale Exercise 2: Citirea unui shapefile Exercise 3: Citirea unui fișier raster Exercise 4: Obținerea datelor cu ajutorul unui pachet

Exercițiul curent

Exercise 5: Sisteme de referință pentru coordonate Exercise 6: Îmbinarea datelor din CRS-uri/proiecții diferite Exercise 7: Conversia dintr-un CRS/proiecție în altul Exercise 8: Adăugarea datelor la obiecte spațiale Exercise 9: Metoda greșită Exercise 10: Verificarea compatibilității datelor Exercise 11: Îmbinarea atributelor de date Exercise 12: Prima hartă Exercise 13: Finisarea unei hărți Exercise 14: Subset pe cartiere Exercise 15: Adăugarea etichetelor de cartier Exercise 16: Îngrijirea legendei și câteva ajustări finale Exercise 17: Concluzie