R Language
Wprowadzenie do map geograficznych

Wprowadzenie

Podstawowe tworzenie map za pomocą map () z map pakietów

Funkcja map() z maps pakietów stanowi prosty punkt wyjścia do tworzenia map za pomocą R.

Podstawową mapę świata można narysować w następujący sposób:

require(maps)
map()

Kolor konturu można zmienić, ustawiając parametr color, col , na nazwę znaku lub wartość szesnastkową koloru:

require(maps)
map(col = "cornflowerblue")

Aby wypełnić masy ziemi kolorem w col , możemy ustawić fill = TRUE :

require(maps)
map(fill = TRUE, col = c("cornflowerblue"))

Wektor o dowolnej długości może być dostarczony do col jeśli ustawiono również fill = TRUE :

require(maps)
map(fill = TRUE, col = c("cornflowerblue", "limegreen", "hotpink"))

W powyższym przykładzie kolory z col są arbitralnie przypisywane do wielokątów na mapie reprezentujących regiony, a kolory są przetwarzane, jeśli kolorów jest mniej niż wielokątów.

Możemy również użyć kodowania kolorami do przedstawienia zmiennej statystycznej, którą opcjonalnie można opisać w legendzie. Utworzona jako taka mapa jest znana jako „choropleth”.

Poniższy przykład choropleth ustawia pierwszy argument map() , który jest database dla "county" i "state" dla kolorowania bezrobocia za pomocą danych z wbudowanych zestawów danych unemp i county.fips podczas nakładania linii stanu na biało:

require(maps)
if(require(mapproj)) {    # mapproj is used for  projection="polyconic"
  # color US county map by 2009 unemployment rate
  # match counties to map using FIPS county codes
  # Based on J's solution to the "Choropleth Challenge"
  # Code improvements by Hack-R (hack-r.github.io)
  
  # load data
  # unemp includes data for some counties not on the "lower 48 states" county
  # map, such as those in Alaska, Hawaii, Puerto Rico, and some tiny Virginia
  #  cities
  data(unemp)
  data(county.fips)
  
  # define color buckets
  colors = c("paleturquoise", "skyblue", "cornflowerblue", "blueviolet", "hotpink", "darkgrey")
  unemp$colorBuckets <- as.numeric(cut(unemp$unemp, c(0, 2, 4, 6, 8, 10, 100)))
  leg.txt <- c("<2%", "2-4%", "4-6%", "6-8%", "8-10%", ">10%")
  
  # align data with map definitions by (partial) matching state,county
  # names, which include multiple polygons for some counties
  cnty.fips <- county.fips$fips[match(map("county", plot=FALSE)$names,
                                      county.fips$polyname)]
  colorsmatched <- unemp$colorBuckets[match(cnty.fips, unemp$fips)]
  
  # draw map
  par(mar=c(1, 1, 2, 1) + 0.1)
  map("county", col = colors[colorsmatched], fill = TRUE, resolution = 0,
      lty = 0, projection = "polyconic")
  map("state", col = "white", fill = FALSE, add = TRUE, lty = 1, lwd = 0.1,
      projection="polyconic")
  title("unemployment by county, 2009")
  legend("topright", leg.txt, horiz = TRUE, fill = colors, cex=0.6)
}

50 map stanu i zaawansowane Choropletki z Google Viz

Często zadawane jest pytanie, jak zestawić (połączyć) fizycznie oddzielone regiony geograficzne na tej samej mapie, na przykład w przypadku choropleta opisującego wszystkie 50 stanów amerykańskich (kontynent z Alaską i Hawajami zestawiony).

Stworzenie atrakcyjnej mapy 50 stanów jest proste przy wykorzystaniu Google Maps. Interfejsy do API Google obejmują pakiety googleVis , ggmap i RgoogleMaps .

require(googleVis)

G4 <- gvisGeoChart(CityPopularity, locationvar='City', colorvar='Popularity',
                   options=list(region='US', height=350, 
                                displayMode='markers',
                                colorAxis="{values:[200,400,600,800],
                                 colors:[\'red', \'pink\', \'orange',\'green']}")
) 
plot(G4)

Funkcja gvisGeoChart() wymaga znacznie mniej kodowania, aby utworzyć choropleth w porównaniu do starszych metod mapowania, takich jak map() z maps pakietów. Parametr colorvar umożliwia łatwe kolorowanie zmiennej statystycznej na poziomie określonym przez parametr locationvar . Różne opcje przekazywane do options jako lista umożliwiają dostosowanie szczegółów mapy, takich jak rozmiar ( height ), kształt ( markers ) i kodowanie kolorami ( colorAxis i colors ).

Interaktywne mapy fabularne

Pakiet plotly umożliwia wiele rodzajów interaktywnych wykresów, w tym map. Istnieje kilka sposobów tworzenia mapy w plotly . plot_ly() dane mapy samodzielnie (przez plot_ly() lub ggplotly() ), użyj „natywnych” możliwości mapowania (przez plot_geo() lub plot_mapbox() ), a nawet ich kombinacji. Przykładem samodzielnego dostarczenia mapy jest:

library(plotly)
map_data("county") %>%
    group_by(group) %>%
    plot_ly(x = ~long, y = ~lat) %>%
    add_polygons() %>%
    layout(
        xaxis = list(title = "", showgrid = FALSE, showticklabels = FALSE),
        yaxis = list(title = "", showgrid = FALSE, showticklabels = FALSE)
    )

W przypadku kombinacji obu podejść zamień plot_ly() na plot_geo() lub plot_mapbox() w powyższym przykładzie. Więcej przykładów znajdziesz w książce fabularnej .

Kolejnym przykładem jest podejście „ściśle rodzime”, które wykorzystuje atrybut layout.geo do ustawienia estetyki i poziomu powiększenia mapy. Wykorzystuje także bazę danych world.cities z maps do filtrowania brazylijskich miast i kreślenia ich na „rodzimej” mapie.

Główne zmienne: poph to tekst z miastem i jego populacją (pokazany po najechaniu myszą); q jest uporządkowanym czynnikiem z kwantyla populacji. ge ma informacje o układzie map. Aby uzyskać więcej informacji, zobacz dokumentację opakowania .

library(maps)
dfb <- world.cities[world.cities$country.etc=="Brazil",]
library(plotly)
dfb$poph <- paste(dfb$name, "Pop", round(dfb$pop/1e6,2), " millions")
dfb$q <- with(dfb, cut(pop, quantile(pop), include.lowest = T))
levels(dfb$q) <- paste(c("1st", "2nd", "3rd", "4th"), "Quantile")
dfb$q <- as.ordered(dfb$q)

ge <- list(
  scope = 'south america',
  showland = TRUE,
  landcolor = toRGB("gray85"),
  subunitwidth = 1,
  countrywidth = 1,
  subunitcolor = toRGB("white"),
  countrycolor = toRGB("white")
)

plot_geo(dfb, lon = ~long, lat = ~lat, text = ~poph,
    marker = ~list(size = sqrt(pop/10000) + 1, line = list(width = 0)),
    color = ~q, locationmode = 'country names') %>%
layout(geo = ge, title = 'Populations<br>(Click legend to toggle)')

Tworzenie dynamicznych map HTML z ulotką

Ulotka jest biblioteką JavaScript typu open source do tworzenia dynamicznych map w Internecie. RStudio napisał wiązania R dla Ulotki, dostępne poprzez pakiet leaflet , zbudowany z htmlwidgets . Mapy ulotek dobrze integrują się z ekosystemami RMarkdown i Shiny .

Interfejs jest przesyłany potokowo za pomocą funkcji leaflet() celu zainicjowania mapy, a kolejne funkcje dodają (lub usuwają) warstwy mapy. Dostępnych jest wiele rodzajów warstw, od markerów z wyskakującymi okienkami po wielokąty do tworzenia map choropleth. Zmienne w data.frame przekazywane do leaflet() są dostępne za pośrednictwem funkcji stylu ~ cytatu.

Aby state.center zestawy danych state.name i state.center :

library(leaflet)

data.frame(state.name, state.center) %>% 
    leaflet() %>% 
    addProviderTiles('Stamen.Watercolor') %>% 
    addMarkers(lng = ~x, lat = ~y, 
               popup = ~state.name, 
               clusterOptions = markerClusterOptions())

(Zrzut ekranu; kliknij, aby wyświetlić wersję dynamiczną).

Dynamiczne mapy ulotek w lśniących aplikacjach

Pakiet Ulotki został zaprojektowany do integracji z Shiny

W interfejsie użytkownika wywołujemy leafletOutput() a na serwerze wywołujemy renderLeaflet()

library(shiny)
library(leaflet)

ui <- fluidPage(
    leafletOutput("my_leaf")
)

server <- function(input, output, session){
    
    output$my_leaf <- renderLeaflet({
        
        leaflet() %>%
            addProviderTiles('Hydda.Full') %>%
            setView(lat = -37.8, lng = 144.8, zoom = 10)
        
    })
    
}

shinyApp(ui, server)

Jednak reaktywne dane wejściowe, które wpływają na wyrażenie renderLeaflet , powodują odświeżanie całej mapy za każdym razem, gdy element reaktywny jest aktualizowany.

Dlatego, aby zmodyfikować już uruchomioną mapę, należy użyć funkcji leafletProxy() .

Zwykle używasz leaflet do tworzenia statycznych aspektów mapy, a leafletProxy do zarządzania elementami dynamicznymi, na przykład:

library(shiny)
library(leaflet)

ui <- fluidPage(
    sliderInput(inputId = "slider", 
                label = "values",
                min = 0,
                max = 100,
                value = 0,
                step = 1),
    leafletOutput("my_leaf")
)

server <- function(input, output, session){
    set.seed(123456)
    df <- data.frame(latitude = sample(seq(-38.5, -37.5, by = 0.01), 100),
                     longitude = sample(seq(144.0, 145.0, by = 0.01), 100),
                     value = seq(1,100))
        
    ## create static element
    output$my_leaf <- renderLeaflet({
        
        leaflet() %>%
            addProviderTiles('Hydda.Full') %>%
            setView(lat = -37.8, lng = 144.8, zoom = 8)
        
    })
    
    ## filter data
    df_filtered <- reactive({
        df[df$value >= input$slider, ]
    })
    
    ## respond to the filtered data
    observe({

        leafletProxy(mapId = "my_leaf", data = df_filtered()) %>%
            clearMarkers() %>%   ## clear previous markers
            addMarkers()
    })
    
}

shinyApp(ui, server)