Ir al contenido

Mapas comunales

Código: vignettes/articles/mapas_comunales.qmd

El paquete territorial puede ser usado para facilitar la visualización de datos espaciales de nivel comunal. Con un par de funciones de limpieza podemos hacer que cualquier base de datos con nombres de comunas (incluso mal escritos) puedan convertirse en mapas.

En este tutorial crearemos datos de ejemplos, usaremos territorial para limpiarlos, les agregaremos los polígonos comunales desde chilemapas, y finalmente los visualizaremos con ggplot2.

Datos de ejemplo

Creemos una tabla de datos de ejemplo:

datos <- tribble(
  ~comuna, ~valor,
  "LA FLORIDA", 3,
  "PUENTE ALTO", 2,
  "LA PINTANA", 1)

datos
#> # A tibble: 3 × 2
#>   comuna      valor
#>   <chr>       <dbl>
#> 1 LA FLORIDA      3
#> 2 PUENTE ALTO     2
#> 3 LA PINTANA      1

Confirmamos que estos datos tienen nombres de comuna incorrectos (escritos con mayúsculas) gracias a territorial::validar_comunas():

datos |> 
  validar_comunas(comuna)
#> ! Resumen: 3 casos de comunas que no conciden con comunas correctamente escritas (ver `territorial::comunas()`): LA FLORIDA, PUENTE ALTO y LA PINTANA
#> ! Mayúsculas: 3 casos de comunas escritas en mayúsculas: LA FLORIDA, PUENTE ALTO y LA PINTANA
#> ✖ Validación de comunas: se encontraron 6 problemas con las comunas! Usa `territorial::limpiar_comunas()` para solucionarlos.

Obtener mapas comunales

En el ecosistema de R, el paquete {chilemapas}, desarrollado por Mauricio Vargas facilita el acceso a polígonos comunales y regionales de Chile, perfectos para visualizar datos en mapas. Pero quizás la principal dificultad al crear mapas comunales de Chile es agregarle los polígonos a los datos de nivel comunal.

Con chilemapas obtenemos los polígonos de las comunas de Chile con chilemapas::mapa_comunas:

# install.packages("chilemapas")
library(chilemapas)
#> Cargando paquete requerido: sf
#> Linking to GEOS 3.12.1, GDAL 3.8.4, PROJ 9.4.0; sf_use_s2() is TRUE
#> La documentacion del paquete y ejemplos de uso se encuentran en https://pacha.dev/chilemapas/.
#> Visita https://buymeacoffee.com/pacha/ si deseas donar para contribuir al desarrollo de este software.
mapa <- chilemapas::mapa_comunas

mapa
#> # A tibble: 345 × 4
#>    codigo_comuna codigo_provincia codigo_region                         geometry
#>    <chr>         <chr>            <chr>                       <MULTIPOLYGON [°]>
#>  1 01401         014              01            (((-68.86081 -21.28512, -68.921…
#>  2 01403         014              01            (((-68.65113 -19.77188, -68.811…
#>  3 01405         014              01            (((-68.65113 -19.77188, -68.635…
#>  4 01402         014              01            (((-69.31789 -19.13651, -69.271…
#>  5 01404         014              01            (((-69.39615 -19.06125, -69.400…
#>  6 01107         011              01            (((-70.1095 -20.35131, -70.1243…
#>  7 01101         011              01            (((-70.09894 -20.08504, -70.102…
#>  8 02104         021              02            (((-68.98863 -25.38016, -68.987…
#>  9 02101         021              02            (((-70.60654 -23.43054, -70.601…
#> 10 02201         022              02            (((-67.94302 -22.38175, -67.955…
#> # ℹ 335 more rows

Para agregar estos polígonos a los datos podemos usar left_join() (revisa este tutorial), pero tenemos el problema de los polígonos vienen solamente con códigos comunales, y nuestros datos no tienen esa variable, sino apenas los nombres de las comunas en mayúscula.

Limpiar datos comunales

Podemos usar territorial para limpiar los nombres de comunas y luego convertirlos a códigos únicos territoriales.

Primero limpiamos los nombres de comunas para llevarlos a una escritura estandarizada y correcta con territorial::limpiar_comunas():

datos_2 <- datos |> 
  mutate(comuna = limpiar_comunas(comuna)) 
#> ℹ Limpiando 3 nombres de comunas (3 son distintas)
#> 
#> ── Paso 1: confirmar comunas correctas
#> ℹ De las 3 comunas distintas, ninguna tiene nombres 100% correctos. Los siguientes pasos intentarán la limpieza
#> 
#> ── Paso 2: coincidencias por limpieza de texto
#> ℹ A partir de la limpieza de texto, se limpiaron 3 de 3 comunas: La Florida, Puente Alto y La Pintana
#> 
#> ── Paso 3: casos especiales
#> ℹ Se encontraron 0 casos especiales:
#> 
#> ── Paso 4: coincidencias aproximadas de texto
#> ! No se limpiaron comunas como parte de este paso
#> 
#> ── Conclusión de limpieza de comunas
#> ✔ De las 3 comunas distintas, se limpiaron 3 en total (100%)
#> 

datos_2
#> # A tibble: 3 × 2
#>   comuna      valor
#>   <chr>       <dbl>
#> 1 La Florida      3
#> 2 Puente Alto     2
#> 3 La Pintana      1

Luego podemos agregar los códigos comunales a partir de los nuevos nombres de las comunas con territorial::as_codigo_comuna():

datos_3 <- datos_2 |> 
  mutate(codigo_comuna = as_codigo_comuna(comuna))

datos_3
#> # A tibble: 3 × 3
#>   comuna      valor codigo_comuna
#>   <chr>       <dbl>         <dbl>
#> 1 La Florida      3         13110
#> 2 Puente Alto     2         13201
#> 3 La Pintana      1         13112

Agregar polígonos comunales a datos comunales

Ahora que los datos tienen códigos comunales, podemos agregarle los polígonos con un left_join(), pero primero tenemos que convertir los códigos comunales del mapa a formato numérico:

mapa <- mapa |> 
  mutate(codigo_comuna = as.numeric(codigo_comuna))
datos_4 <- datos_3 |> 
  left_join(
    mapa,
    join_by(codigo_comuna)
    )

Visualizar mapas de comunas

Ahora los datos cuentan con los polígonos apropiados, y podemos visualizarlos siguiendo este tutorial:

library(ggplot2)
library(sf)

datos_4 |> 
  st_as_sf() |> 
  ggplot() +
  aes(fill = valor) +
  geom_sf(color = "white") +
  geom_sf_text(
    aes(label = comuna),
    color = "white"
  ) +
  theme_minimal()
#> Warning in st_point_on_surface.sfc(sf::st_zm(x)): st_point_on_surface may not
#> give correct results for longitude/latitude data

Revisa este tutorial para conocer el proceso completo.