Mapas en Rstudio

Es importante usar RStudio en la visualización de mapas por varias razones clave:

Integración de Paquetes Especializados: RStudio ofrece acceso a una amplia variedad de paquetes especializados para visualización geoespacial, como ggplot2, sf, rnaturalearth, entre otros. Estos paquetes están diseñados específicamente para trabajar con datos espaciales y geográficos, lo que facilita la creación de mapas precisos y detallados.
Flexibilidad en la Visualización: RStudio permite una gran flexibilidad en la personalización de mapas. Puedes ajustar colores, estilos, tamaños y añadir elementos decorativos como leyendas, escalas y anotaciones, todo ello con un alto grado de control sobre el diseño final del mapa.
Capacidad de Automatización y Reproducibilidad: Utilizando scripts en RStudio, puedes automatizar la generación de mapas, lo que facilita la reproducción de los resultados y la actualización rápida cuando los datos cambian. Esto es especialmente útil en entornos donde los mapas deben ser generados regularmente o en respuesta a cambios en los datos subyacentes.
Análisis Integrado: RStudio no solo se limita a la visualización estática de mapas. También puedes integrar análisis estadísticos complejos directamente con la visualización geoespacial. Por ejemplo, puedes visualizar patrones espaciales, realizar análisis de clusterización espacial o correlacionar datos geográficos con otros tipos de datos.
Comunidad y Recursos: R y RStudio tienen una comunidad activa y una vasta cantidad de recursos educativos y de soporte disponibles. Esto facilita el aprendizaje y la resolución de problemas cuando se trabaja con visualización geoespacial en RStudio.

En resumen, RStudio es una herramienta poderosa y versátil para la visualización de mapas debido a su capacidad para manejar datos geoespaciales de manera eficiente, su flexibilidad en la personalización y su integración con análisis estadísticos avanzados, todo ello dentro de un entorno que fomenta la reproducibilidad y el desarrollo colaborativo.

Paso 1: Cargar los Paquetes Necesarios

Primero, debes cargar los paquetes que utilizarás para manipular y visualizar los datos geoespaciales.

Codigo

# Cargar paquetes necesarios
library(tidyverse)        # Para manipulación de datos y gráficos
library(readxl)           # Para leer archivos Excel
library(ggplot2)          # Para crear gráficos
library(rnaturalearth)    # Para obtener datos geoespaciales
library(rnaturalearthhires)# Para obtener datos geoespaciales de alta resolución
library(ggthemes)         # Para temas adicionales de ggplot
library(ggspatial)        # Para anotaciones espaciales como la rosa de los vientos
library(gsheet)           # Para leer datos de Google Sheets
library(scatterpie)       # Para gráficos de pastel sobre mapas
library(ggrepel)          # Para etiquetas de texto con ajuste automático
library(leaflet)          # Para mapas interactivos
library(DT)               # Para mostrar datos en tablas interactivas

Paso 2: Preparar los Datos para el Mapa del País

Vamos a utilizar el paquete rnaturalearth para obtener los datos geoespaciales de Brasil y luego visualizarlos con ggplot2.

Codigo

# Obtener datos geoespaciales de Brasil
BRA <- ne_countries(country = "Brazil", returnclass = "sf")

# Graficar el mapa de Brasil
ggplot(BRA) +
  geom_sf(fill = "white") +
  theme_void()  # Tema minimalista

Paso 3: Plotear el Mapa del País con Estados

Para visualizar los estados dentro de Brasil, usamos la función ne_states.

Codigo

# Obtener datos de los estados de Brasil
BRA <- ne_states(country = "Brazil", returnclass = "sf")

# Graficar los estados de Brasil
ggplot(BRA) +
  geom_sf(color = "white", fill = "#0f52ba") +
  theme_few()

Paso 4: Seleccionar y Graficar un Estado Específico

Seleccionamos un estado específico, en este caso Minas Gerais, y lo resaltamos en el mapa.

Codigo

# Filtrar para obtener solo el estado de Minas Gerais
MG <- BRA %>%
  filter(name_en == "Minas Gerais")

# Graficar el mapa de Brasil con Minas Gerais resaltado
ggplot(BRA) +
  geom_sf(color = "black", fill = "white") +
  geom_sf(data = MG, color = "black", fill = "#cf352e") +
  theme_few()

Paso 5: Plotear Puntos Específicos (Latitud y Longitud)

Si tienes datos de puntos específicos, como ubicaciones con coordenadas de latitud y longitud, puedes añadirlos al mapa.

Codigo

# Datos de ejemplo de puntos específicos
sbr <- RustSoybean

# Mostrar datos en una tabla interactiva
sbr %>%
  DT::datatable(
    extensions = 'Buttons',
    options = list(dom = 'Bfrtip', buttons = c('excel', "csv"))
  )

Codigo

# Graficar puntos en el mapa de Brasil
ggplot(BRA) +
  geom_sf(color = "black", fill = "white") +
  geom_point(data = sbr, aes(longitude, latitude), alpha = 0.5, color = "#ffbd2e") +
  theme_few()

Paso 6: Separar Fechas en Día, Mes y Año

Separar las fechas puede ser útil para análisis temporales.

Codigo

# Separar la fecha en día, mes y año
sbr2 <- sbr %>%
  separate(planting, into = c("year", "month", "day"), sep = "-", remove = FALSE)

# Mostrar datos en una tabla interactiva
sbr2 %>%
  DT::datatable(
    extensions = 'Buttons',
    options = list(dom = 'Bfrtip', buttons = c('excel', "csv"))
  )

Paso 7: Graficar Puntos con Colores por Año y Facetas

Podemos colorear los puntos según el año y crear facetas para cada año.

Codigo

# Graficar puntos coloreados por año y con facetas por año
ggplot(BRA) +
  geom_sf(color = "black", fill = "white") +
  geom_point(data = sbr2, aes(longitude, latitude, color = year), alpha = 0.5) +
  facet_wrap(~year) +
  theme_few() +
  scale_color_few() +
  theme(legend.position = "top")

Paso 8: Añadir Rosa de los Vientos y Escala

Para añadir una rosa de los vientos y una escala al mapa, usamos el paquete ggspatial.

Codigo

# Añadir rosa de los vientos y escala
ggplot(BRA) +
  annotation_north_arrow(location = "bl") +
  annotation_scale(location = "br") +
  geom_sf(color = "black", fill = "white") +
  geom_point(data = sbr2, aes(longitude, latitude, color = year, size = severity), alpha = 0.6) +
  facet_wrap(~year) +
  theme_few() +
  scale_colour_manual(values = c("#6aa84f", "#ffbd2e", "#cf352e")) +
  theme(legend.position = "top")

Paso 9: adicionar un scatterpie

Codigo

mapa <- gsheet2tbl("https://docs.google.com/spreadsheets/d/1pAIFKsdKxk_UQQXdYwIO-O5NOkYNhpclImJcLziYnk4/edit?gid=50258992#gid=50258992")

mapa  |> 
      DT::datatable(
      extensions = 'Buttons', 
      options = list(dom = 'Bfrtip', 
      buttons = c('excel', "csv")))

Codigo

library(scatterpie)
library(ggrepel)


ggplot(BRA) +
  geom_sf(fill = "white", color = "black", linewidth = 0.5) +
  coord_sf()+
  geom_point(data = mapa, aes(lon, lat))+
  geom_scatterpie(aes(x=lon, y=lat, r = 0.6),
                  alpha = 0.8, color = NA, data = mapa,
                  cols = c ("DFC",
                            "MA",
                            "FER",
                            "ANTR",
                            "OIDIO"))+
  geom_text_repel(data = mapa, aes(lon, lat, label = Local),
                  size = 2, nudge_x = 0.2, nudge_y = 0.27, color = 'gray30', family = "Arial")+
  theme_few()+
  scale_fill_few()+
  labs(x = "Longitude", y = "Laititude", legend = "", fill = "Doença")+
  theme(legend.position = "bottom", text = element_text(family = "Arieal", size = 8))

Ejemplo de Mapa en Colombia

Vamos a mostrar un ejemplo de cómo aplicar estos conceptos a otro país, en este caso, Colombia.

Conjunto de Datos y Plot del Mapa del País

Codigo

# Obtener datos de Colombia
COL <- ne_states(country = "Colombia", returnclass = "sf")

# Graficar el mapa de Colombia
ggplot(COL) +
  geom_sf(color = "black", fill = "#eeeeee") +
  theme_few()

Seleccionar el Departamento de Caldas

Codigo

# Filtrar para obtener solo el departamento de Caldas
CAL <- COL[COL$name_en == "Caldas", ]

# Graficar el mapa de Caldas
ggplot(CAL) +
  geom_sf(color = "black", fill = "#7d0c0c") +
  theme_few()

Base de Datos de Almacenes de Café en Caldas

Codigo

# Datos de almacenes de café en Caldas
Almacenes <- tibble::tribble(
  ~City, ~Almacen, ~Latitude, ~Longitude, ~Origen, ~Distancia,
  "Aguadas", "Aguadas", 5.614441346, -75.45745866, "Manizales", 94L,
  "Anserma", "Anserma", 5.230185862, -75.78747373, "Manizales", 68L,
  "Aranzazu", "Aranzazu", 5.273885516, -75.4906769, "Manizales", 52L,
  "Arauca", "Arauca", 5.111797165, -75.70237449, "Manizales", 40L,
  "Belalcázar", "Belalcázar", 4.993657529, -75.8124391, "Manizales", 73L,
  "Chinchiná", "Chinchiná", 4.982784299, -75.60599158, "Manizales", 25L,
  "Chinchiná", "Express Chinchiná", 4.984223599, -75.60351371, "Manizales", 25L,
  "Filadelfia", "Filadelfia", 5.296549523, -75.56330843, "Manizales", 50L,
  "Florencia", "Florencia", 5.523442194, -75.0419965, "Manizales", 76L,
  "La Merced", "La Merced", 5.398797857, -75.54735513, "Manizales", 87L,
  "Manizales", "Manizales", 5.068354629, -75.52250821, "Manizales", NA,
  "Manizales", "Centro", 5.066015662, -75.52027854, "Manizales", NA,
  "Manzanares", "Manzanares", 5.253637095, -75.1546019, "Manizales", 106L,
  "Marmato", "Marmato", 5.474778144, -75.5991209, "Manizales", 92L,
  "Marquetalia", "Marquetalia", 5.297556319, -75.05356293, "Manizales", 133L,
  "Montebonito", "Montebonito", 5.164502404, -75.20083577, "Manizales", 74L,
  "Neira", "Neira", 5.168677095, -75.52064365, "Manizales", 21L,
  "Pácora", "Pácora", 5.527640673, -75.45833093, "Manizales", 108L,
  "Palestina", "Palestina", 5.020646532, -75.62224573, "Manizales", 31L,
  "Pensilvania", "Pensilvania", 5.382094679, -75.16095633, "Manizales", 138L,
  "Riosucio", "Riosucio", 5.420500318, -75.70330599, "Manizales", 94L,
  "Risaralda", "Risaralda", 5.164827869, -75.76656659, "Manizales", 54L,
  "Salamina", "Salamina", 5.406270495, -75.48804138, "Manizales", 75L,
  "Samaná", "Samaná", 5.413305395, -74.9918933, "Manizales", 172L,
  "Samaria", "Samaria", 5.231695042, -75.57004909, "Manizales", 44L,
  "San Bartolomé", "San Bartolomé", 5.488163145, -75.54230827, "Manizales", 100L,
  "San José", "San José", 5.080518037, -75.79193293, "Manizales", 68L,
  "Supía", "Supía", 5.45575962, -75.64910349, "Manizales", 82L,
  "Victoria", "Victoria", 5.316772447, -74.91163876, "Manizales", 136L,
  "Viterbo", "Viterbo", 5.060618313, -75.8733643, "Manizales", 72L
)

# Mostrar datos en una tabla
Almacenes

# A tibble: 30 × 6
   City       Almacen           Latitude Longitude Origen    Distancia
   <chr>      <chr>                <dbl>     <dbl> <chr>         <int>
 1 Aguadas    Aguadas               5.61     -75.5 Manizales        94
 2 Anserma    Anserma               5.23     -75.8 Manizales        68
 3 Aranzazu   Aranzazu              5.27     -75.5 Manizales        52
 4 Arauca     Arauca                5.11     -75.7 Manizales        40
 5 Belalcázar Belalcázar            4.99     -75.8 Manizales        73
 6 Chinchiná  Chinchiná             4.98     -75.6 Manizales        25
 7 Chinchiná  Express Chinchiná     4.98     -75.6 Manizales        25
 8 Filadelfia Filadelfia            5.30     -75.6 Manizales        50
 9 Florencia  Florencia             5.52     -75.0 Manizales        76
10 La Merced  La Merced             5.40     -75.5 Manizales        87
# ℹ 20 more rows

Graficar Almacenes en el Mapa de Caldas

Codigo

# Graficar puntos de almacenes en el mapa de Caldas
ggplot(CAL) +
  geom_sf(color = "black", fill = "white") +
  geom_point(data = Almacenes, aes(x = Longitude, y = Latitude), color = "#7d0c0c") +
  theme_few()

Crear un Mapa Interactivo con Leaflet

Codigo

# Crear un mapa interactivo con Leaflet
leaflet(Almacenes) |> 
  addTiles() |> 
  setView(-72.0000000, 4.0000000, zoom = 6) |> 
  addCircleMarkers(~Longitude, ~Latitude, popup = ~Almacen, weight = 3, radius = 2, color = "#7d0c0c", stroke = TRUE, fillOpacity = 0.8)

Aprendizaje del día

Con esta guía, has aprendido cómo cargar datos geoespaciales, visualizarlos en mapas, y personalizar esos mapas en RStudio utilizando varios paquetes. Puedes aplicar estos conceptos a diferentes regiones y tipos de datos según tus necesidades.

# Mapas en Rstudio Es importante usar RStudio en la visualización de mapas por varias razones clave: 1. **Integración de Paquetes Especializados**: RStudio ofrece acceso a una amplia variedad de paquetes especializados para visualización geoespacial, como `ggplot2`, `sf`, `rnaturalearth`, entre otros. Estos paquetes están diseñados específicamente para trabajar con datos espaciales y geográficos, lo que facilita la creación de mapas precisos y detallados. 2. **Flexibilidad en la Visualización**: RStudio permite una gran flexibilidad en la personalización de mapas. Puedes ajustar colores, estilos, tamaños y añadir elementos decorativos como leyendas, escalas y anotaciones, todo ello con un alto grado de control sobre el diseño final del mapa. 3. **Capacidad de Automatización y Reproducibilidad**: Utilizando scripts en RStudio, puedes automatizar la generación de mapas, lo que facilita la reproducción de los resultados y la actualización rápida cuando los datos cambian. Esto es especialmente útil en entornos donde los mapas deben ser generados regularmente o en respuesta a cambios en los datos subyacentes. 4. **Análisis Integrado**: RStudio no solo se limita a la visualización estática de mapas. También puedes integrar análisis estadísticos complejos directamente con la visualización geoespacial. Por ejemplo, puedes visualizar patrones espaciales, realizar análisis de clusterización espacial o correlacionar datos geográficos con otros tipos de datos. 5. **Comunidad y Recursos**: R y RStudio tienen una comunidad activa y una vasta cantidad de recursos educativos y de soporte disponibles. Esto facilita el aprendizaje y la resolución de problemas cuando se trabaja con visualización geoespacial en RStudio. En resumen, RStudio es una herramienta poderosa y versátil para la visualización de mapas debido a su capacidad para manejar datos geoespaciales de manera eficiente, su flexibilidad en la personalización y su integración con análisis estadísticos avanzados, todo ello dentro de un entorno que fomenta la reproducibilidad y el desarrollo colaborativo. ## Paso 1: Cargar los Paquetes Necesarios Primero, debes cargar los paquetes que utilizarás para manipular y visualizar los datos geoespaciales. ```{r} # Cargar paquetes necesarios library(tidyverse) # Para manipulación de datos y gráficos library(readxl) # Para leer archivos Excel library(ggplot2) # Para crear gráficos library(rnaturalearth) # Para obtener datos geoespaciales library(rnaturalearthhires)# Para obtener datos geoespaciales de alta resolución library(ggthemes) # Para temas adicionales de ggplot library(ggspatial) # Para anotaciones espaciales como la rosa de los vientos library(gsheet) # Para leer datos de Google Sheets library(scatterpie) # Para gráficos de pastel sobre mapas library(ggrepel) # Para etiquetas de texto con ajuste automático library(leaflet) # Para mapas interactivos library(DT) # Para mostrar datos en tablas interactivas ``` ## Paso 2: Preparar los Datos para el Mapa del País Vamos a utilizar el paquete `rnaturalearth` para obtener los datos geoespaciales de Brasil y luego visualizarlos con `ggplot2`. ```{r} # Obtener datos geoespaciales de Brasil BRA <- ne_countries(country = "Brazil", returnclass = "sf") # Graficar el mapa de Brasil ggplot(BRA) + geom_sf(fill = "white") + theme_void() # Tema minimalista ``` ## Paso 3: Plotear el Mapa del País con Estados Para visualizar los estados dentro de Brasil, usamos la función `ne_states`. ```{r} # Obtener datos de los estados de Brasil BRA <- ne_states(country = "Brazil", returnclass = "sf") # Graficar los estados de Brasil ggplot(BRA) + geom_sf(color = "white", fill = "#0f52ba") + theme_few() ``` ## Paso 4: Seleccionar y Graficar un Estado Específico Seleccionamos un estado específico, en este caso Minas Gerais, y lo resaltamos en el mapa. ```{r} # Filtrar para obtener solo el estado de Minas Gerais MG <- BRA %>% filter(name_en == "Minas Gerais") # Graficar el mapa de Brasil con Minas Gerais resaltado ggplot(BRA) + geom_sf(color = "black", fill = "white") + geom_sf(data = MG, color = "black", fill = "#cf352e") + theme_few() ``` ## Paso 5: Plotear Puntos Específicos (Latitud y Longitud) Si tienes datos de puntos específicos, como ubicaciones con coordenadas de latitud y longitud, puedes añadirlos al mapa. ```{r} # Datos de ejemplo de puntos específicos sbr <- RustSoybean # Mostrar datos en una tabla interactiva sbr %>% DT::datatable( extensions = 'Buttons', options = list(dom = 'Bfrtip', buttons = c('excel', "csv")) ) # Graficar puntos en el mapa de Brasil ggplot(BRA) + geom_sf(color = "black", fill = "white") + geom_point(data = sbr, aes(longitude, latitude), alpha = 0.5, color = "#ffbd2e") + theme_few() ``` ## Paso 6: Separar Fechas en Día, Mes y Año Separar las fechas puede ser útil para análisis temporales. ```{r} # Separar la fecha en día, mes y año sbr2 <- sbr %>% separate(planting, into = c("year", "month", "day"), sep = "-", remove = FALSE) # Mostrar datos en una tabla interactiva sbr2 %>% DT::datatable( extensions = 'Buttons', options = list(dom = 'Bfrtip', buttons = c('excel', "csv")) ) ``` ## Paso 7: Graficar Puntos con Colores por Año y Facetas Podemos colorear los puntos según el año y crear facetas para cada año. ```{r, fig.width=15, fig.height=5, fig.fullwidth=TRUE} # Graficar puntos coloreados por año y con facetas por año ggplot(BRA) + geom_sf(color = "black", fill = "white") + geom_point(data = sbr2, aes(longitude, latitude, color = year), alpha = 0.5) + facet_wrap(~year) + theme_few() + scale_color_few() + theme(legend.position = "top") ``` ## Paso 8: Añadir Rosa de los Vientos y Escala Para añadir una rosa de los vientos y una escala al mapa, usamos el paquete `ggspatial`. ```{r, fig.width=15, fig.height=5, fig.fullwidth=TRUE} # Añadir rosa de los vientos y escala ggplot(BRA) + annotation_north_arrow(location = "bl") + annotation_scale(location = "br") + geom_sf(color = "black", fill = "white") + geom_point(data = sbr2, aes(longitude, latitude, color = year, size = severity), alpha = 0.6) + facet_wrap(~year) + theme_few() + scale_colour_manual(values = c("#6aa84f", "#ffbd2e", "#cf352e")) + theme(legend.position = "top") ``` ## Paso 9: adicionar un scatterpie ```{r} mapa <- gsheet2tbl("https://docs.google.com/spreadsheets/d/1pAIFKsdKxk_UQQXdYwIO-O5NOkYNhpclImJcLziYnk4/edit?gid=50258992#gid=50258992") mapa |> DT::datatable( extensions = 'Buttons', options = list(dom = 'Bfrtip', buttons = c('excel', "csv"))) ``` ```{r,fig.width=10, fig.height=10,fig.fullwidth=TRUE} library(scatterpie) library(ggrepel) ggplot(BRA) + geom_sf(fill = "white", color = "black", linewidth = 0.5) + coord_sf()+ geom_point(data = mapa, aes(lon, lat))+ geom_scatterpie(aes(x=lon, y=lat, r = 0.6), alpha = 0.8, color = NA, data = mapa, cols = c ("DFC", "MA", "FER", "ANTR", "OIDIO"))+ geom_text_repel(data = mapa, aes(lon, lat, label = Local), size = 2, nudge_x = 0.2, nudge_y = 0.27, color = 'gray30', family = "Arial")+ theme_few()+ scale_fill_few()+ labs(x = "Longitude", y = "Laititude", legend = "", fill = "Doença")+ theme(legend.position = "bottom", text = element_text(family = "Arieal", size = 8)) ``` ## Ejemplo de Mapa en Colombia Vamos a mostrar un ejemplo de cómo aplicar estos conceptos a otro país, en este caso, Colombia. ### Conjunto de Datos y Plot del Mapa del País ```{r} # Obtener datos de Colombia COL <- ne_states(country = "Colombia", returnclass = "sf") # Graficar el mapa de Colombia ggplot(COL) + geom_sf(color = "black", fill = "#eeeeee") + theme_few() ``` ### Seleccionar el Departamento de Caldas ```{r} # Filtrar para obtener solo el departamento de Caldas CAL <- COL[COL$name_en == "Caldas", ] # Graficar el mapa de Caldas ggplot(CAL) + geom_sf(color = "black", fill = "#7d0c0c") + theme_few() ``` ### Base de Datos de Almacenes de Café en Caldas ```{r} # Datos de almacenes de café en Caldas Almacenes <- tibble::tribble( ~City, ~Almacen, ~Latitude, ~Longitude, ~Origen, ~Distancia, "Aguadas", "Aguadas", 5.614441346, -75.45745866, "Manizales", 94L, "Anserma", "Anserma", 5.230185862, -75.78747373, "Manizales", 68L, "Aranzazu", "Aranzazu", 5.273885516, -75.4906769, "Manizales", 52L, "Arauca", "Arauca", 5.111797165, -75.70237449, "Manizales", 40L, "Belalcázar", "Belalcázar", 4.993657529, -75.8124391, "Manizales", 73L, "Chinchiná", "Chinchiná", 4.982784299, -75.60599158, "Manizales", 25L, "Chinchiná", "Express Chinchiná", 4.984223599, -75.60351371, "Manizales", 25L, "Filadelfia", "Filadelfia", 5.296549523, -75.56330843, "Manizales", 50L, "Florencia", "Florencia", 5.523442194, -75.0419965, "Manizales", 76L, "La Merced", "La Merced", 5.398797857, -75.54735513, "Manizales", 87L, "Manizales", "Manizales", 5.068354629, -75.52250821, "Manizales", NA, "Manizales", "Centro", 5.066015662, -75.52027854, "Manizales", NA, "Manzanares", "Manzanares", 5.253637095, -75.1546019, "Manizales", 106L, "Marmato", "Marmato", 5.474778144, -75.5991209, "Manizales", 92L, "Marquetalia", "Marquetalia", 5.297556319, -75.05356293, "Manizales", 133L, "Montebonito", "Montebonito", 5.164502404, -75.20083577, "Manizales", 74L, "Neira", "Neira", 5.168677095, -75.52064365, "Manizales", 21L, "Pácora", "Pácora", 5.527640673, -75.45833093, "Manizales", 108L, "Palestina", "Palestina", 5.020646532, -75.62224573, "Manizales", 31L, "Pensilvania", "Pensilvania", 5.382094679, -75.16095633, "Manizales", 138L, "Riosucio", "Riosucio", 5.420500318, -75.70330599, "Manizales", 94L, "Risaralda", "Risaralda", 5.164827869, -75.76656659, "Manizales", 54L, "Salamina", "Salamina", 5.406270495, -75.48804138, "Manizales", 75L, "Samaná", "Samaná", 5.413305395, -74.9918933, "Manizales", 172L, "Samaria", "Samaria", 5.231695042, -75.57004909, "Manizales", 44L, "San Bartolomé", "San Bartolomé", 5.488163145, -75.54230827, "Manizales", 100L, "San José", "San José", 5.080518037, -75.79193293, "Manizales", 68L, "Supía", "Supía", 5.45575962, -75.64910349, "Manizales", 82L, "Victoria", "Victoria", 5.316772447, -74.91163876, "Manizales", 136L, "Viterbo", "Viterbo", 5.060618313, -75.8733643, "Manizales", 72L ) # Mostrar datos en una tabla Almacenes ``` ### Graficar Almacenes en el Mapa de Caldas ```{r} # Graficar puntos de almacenes en el mapa de Caldas ggplot(CAL) + geom_sf(color = "black", fill = "white") + geom_point(data = Almacenes, aes(x = Longitude, y = Latitude), color = "#7d0c0c") + theme_few() ``` ### Crear un Mapa Interactivo con Leaflet ```{r, fig.width=15, fig.height=15, fig.fullwidth=TRUE} # Crear un mapa interactivo con Leaflet leaflet(Almacenes) |> addTiles() |> setView(-72.0000000, 4.0000000, zoom = 6) |> addCircleMarkers(~Longitude, ~Latitude, popup = ~Almacen, weight = 3, radius = 2, color = "#7d0c0c", stroke = TRUE, fillOpacity = 0.8) ``` ## Aprendizaje del día Con esta guía, has aprendido cómo cargar datos geoespaciales, visualizarlos en mapas, y personalizar esos mapas en RStudio utilizando varios paquetes. Puedes aplicar estos conceptos a diferentes regiones y tipos de datos según tus necesidades.