Informatyka ekonomiczna (informatyka i ekonometria rok I) - laboratorium.

Pierwsza mapa ilustrująca dane (grupa 2).

rm(list = ls())

Podczytanie bibilotek

library(tidyverse)

library(readxl)

Podczytanie danych z pliku lokalnego ściągniętego z bdl GUS.

Dane dotyczą przyrostu naturalnego na 1000 ludności wg miejsca zamieszkania.

przyrost <- read_excel("dane/LUDN_3425_XPIV_20200407091358.xlsx", 
                       sheet = "DANE", 
                       col_types = c("text","text", "text", "text", "numeric", 
                                     "skip", "skip"))

przyrost %>% head

Zmianna polskich nazw na angielskie (R na ogół lubi tylko litery alfabetu łacińskiego) oraz pisowni województw.

przyrost <- przyrost %>%
  mutate(Nazwa = str_to_title((Nazwa)),
         Lokalizacje = str_replace(Lokalizacje, "ogółem", "all"),
         Lokalizacje = str_replace(Lokalizacje, "w miastach", "cities"),
         Lokalizacje = str_replace(Lokalizacje, "na wsi", "villages"))

Zmianna nazwy kolumny zawierającą nazwy województw (dalczego za chwilę).

names(przyrost)

[1] "Kod"         "Nazwa"       "Lokalizacje" "Rok"         "Wartosc"    

names(przyrost)[2] <- "NAME_1"
names(przyrost)

[1] "Kod"         "NAME_1"      "Lokalizacje" "Rok"         "Wartosc"    

Połącznie informacji o roku i lokalizacji w jedno (funkcja unite).

przyrost <- przyrost %>%
  select(NAME_1, Kod, Rok, Lokalizacje, Wartosc) %>%
  unite("year.local", c(Rok, Lokalizacje), sep = ".")

Postać szeroka zbioru danych (jedne wiersz na województwo).

przyrost.w <- przyrost %>%
  pivot_wider(
    names_from = year.local,
    values_from = Wartosc
  )

Bibliotek sf do pracy z danymi przestrzennymi.

library(sf)

Podczytanie pliku konturów województw.

Dane pochodzą ze strony gadm.org

gadm_1sf <- readRDS("dane/gadm36_POL_1_sf.rds")

Jakie są zmienne w gadm_1sf?

names(gadm_1sf)

 [1] "GID_0"     "NAME_0"    "GID_1"     "NAME_1"    "VARNAME_1" "NL_NAME_1" "TYPE_1"    "ENGTYPE_1" "CC_1"     
[10] "HASC_1"    "geometry" 

Gdzie są nazwy województw?

gadm_1sf$NAME_1

 [1] "Dolnośląskie"        "Kujawsko-Pomorskie"  "Łódzkie"             "Lubelskie"           "Lubuskie"           
 [6] "Małopolskie"         "Mazowieckie"         "Opolskie"            "Podkarpackie"        "Podlaskie"          
[11] "Pomorskie"           "Śląskie"             "Świętokrzyskie"      "Warmińsko-Mazurskie" "Wielkopolskie"      
[16] "Zachodniopomorskie" 

Dołączenie danych do obiektu sf z konturami województw.

gadm_1sf.p <- gadm_1sf %>%
  as.data.frame() %>%
  left_join(przyrost.w) %>%
  st_as_sf()

Joining, by = "NAME_1"

Pierwsza wersja mapy z naniesionymi danymi (nie jest najlepsza).

gadm_1sf.p %>%
  ggplot() +
  geom_sf(aes(fill = `2018.all`)) +
  scale_fill_gradient(low = "yellow", high = "red") +
  theme_bw() 

Pierwsza mapa ilustrująca dane (grupa 1).

rm(list = ls())

Tym razem dane dotyczą przyrostu naturalnego, urodzin i zgonów na 1000 ludności wg miejsca zamieszkania.

przyrost <- read_excel("dane/LUDN_3428_XPIV_20200407104536.xlsx", 
                       sheet = "DANE", 
                       col_types = c("text","text", "text", "text", "numeric", 
                                     "skip", "skip"))

names(przyrost)[3] <-"Info"

przyrost <- przyrost %>%
  mutate(Nazwa = str_to_title(Nazwa),
         Info = str_replace(Info, 'urodzenia żywe na 1000 ludności', "urodzenia"), 
         Info = str_replace(Info, 'zgony na 1000 ludności', "zgony"),
         Info = str_replace(Info, 'przyrost naturalny na 1000 ludności', "przyrost"))

przyrost <- przyrost %>%
  select(Nazwa, Kod, Rok, Info, Wartosc)

przyrost <- przyrost %>%
  unite("rok.info", c(Rok, Info), sep = ".")

przyrost.w <- przyrost %>%
  pivot_wider(
    names_from = rok.info,
    values_from = Wartosc
  )

gadm_1sf <- readRDS("dane/gadm36_POL_1_sf.rds")

names(gadm_1sf)

 [1] "GID_0"     "NAME_0"    "GID_1"     "NAME_1"    "VARNAME_1" "NL_NAME_1" "TYPE_1"    "ENGTYPE_1" "CC_1"     
[10] "HASC_1"    "geometry" 

gadm_1sf$NAME_1

 [1] "Dolnośląskie"        "Kujawsko-Pomorskie"  "Łódzkie"             "Lubelskie"           "Lubuskie"           
 [6] "Małopolskie"         "Mazowieckie"         "Opolskie"            "Podkarpackie"        "Podlaskie"          
[11] "Pomorskie"           "Śląskie"             "Świętokrzyskie"      "Warmińsko-Mazurskie" "Wielkopolskie"      
[16] "Zachodniopomorskie" 

names(przyrost.w)[1] <- "NAME_1"
names(przyrost.w)

[1] "NAME_1"         "Kod"            "2018.urodzenia" "2018.zgony"     "2018.przyrost" 

gadm_1sf.p <- gadm_1sf %>%
  as.data.frame() %>%
  left_join(przyrost.w) %>%
  st_as_sf

Joining, by = "NAME_1"

gadm_1sf.p %>%
  ggplot() +
  geom_sf(aes( fill = `2018.urodzenia`)) +
  scale_fill_gradient(low = "yellow", high = "red")

Praca domowa

Do wykonania jedna z map - ilustracja danych z bdl GUS. Dane:

1. RYNEK NIERUCHOMOŚCI.
2. RYNKOWA SPRZEDAŻ LOKALI MIESZKALNYCH.
3. Średnia cena za 1 m2 lokali mieszkalnych sprzedanych w ramach transakcji rynkowych.

Mapa

1.(można zdobyć maksymalnie 80% punktów) - mapa dla województw - analogiczna do wykonanaje na laboratorium. 2.(można zdobyć maksymalnie 100% punktów) - mapa dla powiatóW województwa podlaskiego - należy użyć opcji filtrowania.