Criando mapas com o R

Hoje em dia é bastante fácil construir mapas brasileiros com o R através dos pacotes ggplot2 e o geobr. Para ilustrar, vou dar um exemplo aqui de um mapa temático que fornece o IDH dos municípios do Rio de Janeiro. O script começa com alguns pacotes sendo carregados.


library(geobr)
library(ggplot2)
library(sf)
library(dplyr)
library(rio)
library(readr)

A seguir, importo o arquivo idh.csv que contém o IDH dos 92 municípios do Rio de Janeiro e carrego as informações de longitude e latitude desses municípios. Também mesclo ambos os arquivos tendo por base os 92 municípios do Estado.


idh = read_csv2('idh.csv', locale=locale(encoding='Latin1'))
mun_rj <- read_municipality(code_muni=33, year=2017)
all_mun_rj = left_join(mun_rj, idh, by='name_muni')

O dataset está pronto para ser colocado em um gráfico. Abaixo, um exemplo.


no_axis <- theme(axis.title=element_blank(),
axis.text=element_blank(),
axis.ticks=element_blank())

ggplot() +
geom_sf(data=all_mun_rj, aes(fill=idh), color= NA, size=.15)+
labs(title="IDH dos Municipíos do RJ",
caption='Fonte: analisemacro.com.br', size=8)+
scale_fill_distiller(palette = "Greens", limits=c(0.60,0.85),
name="IDH")+
theme_minimal()+
no_axis

E o mapa...

Gostou? Nosso Curso de Introdução ao R para Análise de Dados está com inscrições abertas!

______________


(*) O arquivo idh.csv está disponível aqui.

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.