Sistema de Información Geográfica (SIG)

Creación y análisis de Mapas

Matías Deneken

May 22, 2025

Temario de hoy

Introducción al SIG
Paquetes en R
Unión de bases de datos
Práctica con datos ficticios
ChileMapas
Código práctico

Objetivo principal: Replicar estos mapas

Mapa mundial

Mapa Chile y regiones

Recapitulando…📝

Tidyverse

Conjunto de paquetes de R diseñados para ciencia de datos. Incluye herramientas como ggplot2, dplyr, tidyr, readr, entre otros, que comparten una sintaxis coherente y principios comunes (funciones pipe ( |> o %>% ) y manipulación de datos “ordenados”).

head(starwars)

names(starwars)

 [1] "name"       "height"     "mass"       "hair_color" "skin_color"
 [6] "eye_color"  "birth_year" "sex"        "gender"     "homeworld" 
[11] "species"    "films"      "vehicles"   "starships"

Recapitulando…📝

Tidyverse: Select

Sirve para elegir columnas específicas de un data frame.

starwars %>%
  select(name, species, height, mass) |> head(2)

# A tibble: 2 × 4
  name           species height  mass
  <chr>          <chr>    <int> <dbl>
1 Luke Skywalker Human      172    77
2 C-3PO          Droid      167    75

Tidyverse: Filter

Permite filtrar filas según condiciones lógicas.

starwars %>% filter(species == "Human", mass > 80) |> head(2)

# A tibble: 2 × 14
  name      height  mass hair_color skin_color eye_color birth_year sex   gender
  <chr>      <int> <dbl> <chr>      <chr>      <chr>          <dbl> <chr> <chr> 
1 Darth Va…    202   136 none       white      yellow          41.9 male  mascu…
2 Owen Lars    178   120 brown, gr… light      blue            52   male  mascu…
# ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
#   vehicles <list>, starships <list>

Recapitulando…📝

Tidyverse: Mutate

Crea nuevas columnas o modifica variables existentes.

starwars %>%
  mutate(imc_ficticio = mass / (height / 100)^2) %>%
  select(name, imc_ficticio) %>%
  arrange(desc(imc_ficticio)) |> 
  head(3)

# A tibble: 3 × 2
  name                  imc_ficticio
  <chr>                        <dbl>
1 Jabba Desilijic Tiure        443. 
2 Dud Bolt                      50.9
3 Yoda                          39.0

Recapitulando…📝

Tidyverse: Group_by + summarise

Group_by: Crea nuevas columnas o modifica variables existentes y Summarise: Genera resúmenes estadísticos por grupo (si se usó group_by()) o para todo el conjunto.

starwars %>% group_by(species) %>%
  summarise(
    promedio_altura = mean(height, na.rm = TRUE)
  ) %>%
  arrange(desc(promedio_altura)) |>  # Ordenar por número de personajes
  head(3)

# A tibble: 3 × 2
  species  promedio_altura
  <chr>              <dbl>
1 Quermian             264
2 Wookiee              231
3 Kaminoan             221

Recapitulando …📝

# Crear el gráfico
starwars %>%
  mutate(imc_ficticio = mass / (height / 100)^2) %>%
  select(name, imc_ficticio) %>%
  arrange(desc(imc_ficticio)) %>%
  head(3) %>%
  ggplot(aes(x = reorder(name, imc_ficticio), y = imc_ficticio)) +
  geom_col(fill = "steelblue") +
  coord_flip() +
  labs(
    title = "Top 3 personajes con mayor IMC ficticio",
    x = "Nombre",
    y = "IMC"
  ) +
  theme_minimal()

Recapitulando …📝

starwars %>%
  filter(!is.na(height), !is.na(mass)) %>%
  ggplot(aes(x = height, y = mass)) +
  geom_point(alpha = 0.7, color = "navy") +
  labs(title = "Relación entre estatura y peso en Star Wars",
       x = "Estatura (cm)", y = "Masa (kg)") +
  theme_minimal()

Recapitulando …📝

starwars %>%
  filter(!is.na(height)) %>%
  ggplot(aes(x = height)) +
  geom_density(fill = "skyblue", alpha = 0.6) +
  labs(title = "Distribución de estatura en personajes de Star Wars",
       x = "Estatura (cm)", y = "Densidad") +
  theme_minimal()

Sistema de Información Geográfica (SIG)

Un Sistema de Información Geográfica (SIG) es una herramienta tecnológica que permite capturar, almacenar, analizar, visualizar y representar datos geográficos o espaciales.

Combina información alfanumérica (como población, ingresos o acceso a servicios) con su ubicación en el espacio (como comunas, calles o regiones), lo que permite responder preguntas del tipo “¿Dónde ocurre qué…?”.

Mapas temáticos (ej. pobreza por comuna)
Análisis territorial (ej. acceso a servicios)

Paquetes: 📦 ¿Qué es `sf`?

sf es un paquete de R para trabajar con datos espaciales (geográficos) de manera moderna y eficiente. Su nombre viene de “simple features”, un estándar internacional para representar datos espaciales (como puntos, líneas o polígonos) en bases de datos y software.

Te permite:

Leer y escribir archivos espaciales como Shapefiles, GeoJSON, KML, etc.
Unir datos geográficos con datos tabulares (como una comuna con su población).
Hacer análisis espacial (intersecciones, distancias, áreas, etc.).
Visualizar mapas fácilmente con ggplot2::geom_sf() o tmap.

Paquetes: 📦 ¿Qué es `sf`?

🧩 Tipos de geometría

POINT: una ubicación (ej: una escuela).
LINESTRING: una línea (ej: un río).
POLYGON: una superficie cerrada (ej: una comuna o país).
MULTIPOLYGON: varios polígonos juntos (ej: Chile continental + Rapa Nui).

🔧 Funciones importantes del paquete `sf`

st_read(): lee archivos espaciales (como shapefiles).
st_write(): guarda archivos espaciales.
st_geometry(): accede a la geometría de un objeto.
st_crs(): inspecciona o define el sistema de coordenadas.
st_transform(): cambia la proyección del mapa.
st_join(),st_intersection(): operaciones espaciales.

Paquetes: 📦 ¿Qué es`sf`?

🗺️ ¿Por qué es útil?

Porque te permite combinar el mundo de la estadística en R con el análisis geográfico, sin salir del mismo entorno.

Componente	¿Qué hace?
Clase especial	Le dice a R cómo interpretar los datos como espaciales.
Columna `geometry`	Guarda formas como puntos, polígonos, líneas.
`CRS` (proyección)	Define cómo se ubica esa geometría en el planeta.
Métodos especiales	Permite hacer joins, distancias, transformaciones, etc.

Paquete: countrycode

El paquete countrycode permite convertir nombres de países entre distintos sistemas de codificación estándar. Es muy útil para unir bases de datos internacionales o conectar datos con geometrías espaciales.

library(countrycode)

countrycode("Chile", origin = "country.name", destination = "iso3c")

[1] "CHL"

names(countrycode::codelist)[1:10]

 [1] "ar5"                   "cctld"                 "continent"            
 [4] "country.name.de"       "country.name.de.regex" "country.name.en"      
 [7] "country.name.en.regex" "country.name.fr"       "country.name.fr.regex"
[10] "country.name.it"

Algunas opciones de destination que puedes usar: *

“iso3c” → código de 3 letras (ej: CHL)
“iso2c” → código de 2 letras (ej: CL) * “continent” → continente (ej: Americas)
“region” → región del mundo según World Bank
“un.region.name” → región según Naciones Unidas
“cldr.short.en” → nombre corto en inglés (ej: Chile)

Paquete: countrycode

Codificaciones para ‘Chile’ usando countrycode()
atributo	valor
Nombre (original)	Chile
Código ISO-3	CHL
Código ISO-2	CL
Continente	Americas
Región	Latin America & Caribbean
Región ONU	Americas
Nombre corto en inglés	Chile

Paquete: R Natural Earth.

Es un paquete R que permite descargar datos geográficos del mundo (países, estados, líneas costeras, ríos, etc.) desde el proyecto Natural Earth. Se usa mucho para crear mapas en R, especialmente con sf y ggplot2.

library(rnaturalearth)

world <- ne_countries(scale = "medium", returnclass = "sf")

world |> select(iso_a3, geometry) |> head(2)

Simple feature collection with 2 features and 1 field
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: 21.97891 ymin: -22.40205 xmax: 33.66152 ymax: -8.193652
Geodetic CRS:  WGS 84
  iso_a3                       geometry
1    ZWE MULTIPOLYGON (((31.28789 -2...
2    ZMB MULTIPOLYGON (((30.39609 -1...

Posee estadísticas de interés:

Producto de Interno de Bruto
Región económica (BRICS, OCDE, etc)
Esperanza de vida

Entonces….

Paquete	Rol en el flujo de trabajo	Analogía
`sf`	Estructura: hace que todo sea “espacial”	Es como el “Excel” espacial de R
`rnaturalearth`	Fuente de datos geográficos en formato `sf`	Es como bajar un mapa listo
`countrycode`	Diccionario para traducir nombres de países	Es como un traductor de nombres

Manos a la obra

Exploremos

world |> select(adm0_a3, geometry) |> 
  filter(adm0_a3 == "CHL")|> head(2)

Simple feature collection with 1 feature and 1 field
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -109.4341 ymin: -55.8917 xmax: -66.43579 ymax: -17.50605
Geodetic CRS:  WGS 84
  adm0_a3                       geometry
1     CHL MULTIPOLYGON (((-109.28 -27...

library(countrycode)

# Vector de países (algunos con nombres en español)
paises <- c("Chile", "Argentina", "Brazil", "Estados Unidos", "Germany", "Reino Unido")

# Convertir a códigos ISO3
codigo_iso <- countrycode(paises, 
                          origin = "country.name", 
                          destination = "iso3c")

# Combinar en tabla
data.frame(pais = paises, iso3c = codigo_iso)

            pais iso3c
1          Chile   CHL
2      Argentina   ARG
3         Brazil   BRA
4 Estados Unidos  <NA>
5        Germany   DEU
6    Reino Unido  <NA>

Pero ¿Qué nos falta? Indexación de bases de datos

Cuando trabajamos con datos espaciales, es fundamental asegurarnos de que las bases compartan un mismo sistema de referencia espacial (CRS). Además, debemos usar claves geográficas comunes (ej. códigos de región, comuna o distrito) para poder hacer joins entre bases tabulares y espaciales.

Verificación con st_crs(). Uniones con left_join() y inner_join() usando códigos comunes.

¿Coinciden los códigos geográficos? ¿Hay nombres de comunas mal escritos o duplicados? ¿Cuántos registros se pierden en el join?

Herramientas útiles:

anti_join() para ver qué quedó fuera.
janitor::clean_names() para estandarizar nombres de variables (mayúsculas, tildes, etc.)

Datos ficticios (1)

library(dplyr)
library(knitr)

economia <- tibble(
  pais = c("Chile", "Argentina", "Peru", "Brazil", "Colombia"),
  pib_per_capita = c(15000, 10500, 12000, 9800, 8700)
)

educacion <- tibble(
  pais = c("Chile", "Argentina", "Uruguay", "Brazil", "Ecuador"),
  anios_educacion = c(11.2, 10.5, 9.8, 8.9, 8.3)
)

Educación

pais	anios_educacion
Chile	11.2
Argentina	10.5
Uruguay	9.8
Brazil	8.9
Ecuador	8.3

Economía

pais	pib_per_capita
Chile	15000
Argentina	10500
Peru	12000
Brazil	9800
Colombia	8700

Datos ficticios (2)

Solo para los que se encuentran en el dataset: inner_join

economia |> inner_join(educacion, by = "pais")

# A tibble: 3 × 3
  pais      pib_per_capita anios_educacion
  <chr>              <dbl>           <dbl>
1 Chile              15000            11.2
2 Argentina          10500            10.5
3 Brazil              9800             8.9

Solo para los datos que se encuentran en el dataset desde la posición en el código (left) : left_join

economia |> left_join(educacion, by = "pais")

# A tibble: 5 × 3
  pais      pib_per_capita anios_educacion
  <chr>              <dbl>           <dbl>
1 Chile              15000            11.2
2 Argentina          10500            10.5
3 Peru               12000            NA  
4 Brazil              9800             8.9
5 Colombia            8700            NA

Solo para los datos que se encuentran en el dataset desde la posición en el código (right) : right_join

economia |> right_join(educacion, by = "pais")

# A tibble: 5 × 3
  pais      pib_per_capita anios_educacion
  <chr>              <dbl>           <dbl>
1 Chile              15000            11.2
2 Argentina          10500            10.5
3 Brazil              9800             8.9
4 Uruguay               NA             9.8
5 Ecuador               NA             8.3

Datos ficticios (3)

Se unen todos, incluso los con valores NA (full): full_join

economia |> full_join(educacion, by = "pais")

# A tibble: 7 × 3
  pais      pib_per_capita anios_educacion
  <chr>              <dbl>           <dbl>
1 Chile              15000            11.2
2 Argentina          10500            10.5
3 Peru               12000            NA  
4 Brazil              9800             8.9
5 Colombia            8700            NA  
6 Uruguay               NA             9.8
7 Ecuador               NA             8.3

Se verifica los que no pueden ser unidos correctamente en ambas bases: anti_join

economia |> anti_join(educacion, by = "pais")

# A tibble: 2 × 2
  pais     pib_per_capita
  <chr>             <dbl>
1 Peru              12000
2 Colombia           8700

educacion |> anti_join(economia, by = "pais")

# A tibble: 2 × 2
  pais    anios_educacion
  <chr>             <dbl>
1 Uruguay             9.8
2 Ecuador             8.3

Datos ficticios (4)

datos <- economia |> inner_join(educacion, by = "pais")

# Paso 3: crear columna con código ISO-3 como 'iso3c'
datos <- datos %>%
  mutate(iso3c = countrycode(pais, origin = "country.name", destination = "iso3c"))

# Paso 4: obtener geometría mundial
world <- ne_countries(scale = "medium", returnclass = "sf") %>%
  select(name, iso_a3, geometry)

# Paso 5: unir usando world como base principal
datos_geo <- inner_join(world, datos, by = c("iso_a3" = "iso3c")); datos_geo

Simple feature collection with 3 features and 5 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -109.4341 ymin: -55.8917 xmax: -34.80547 ymax: 5.257959
Geodetic CRS:  WGS 84
       name iso_a3      pais pib_per_capita anios_educacion
1     Chile    CHL     Chile          15000            11.2
2    Brazil    BRA    Brazil           9800             8.9
3 Argentina    ARG Argentina          10500            10.5
                        geometry
1 MULTIPOLYGON (((-109.28 -27...
2 MULTIPOLYGON (((-66.87603 1...
3 MULTIPOLYGON (((-57.60889 -...

Datos ficticios (5)

datos |> glimpse()

Rows: 7
Columns: 4
$ pais            <chr> "Chile", "Argentina", "Peru", "Brazil", "Colombia", "U…
$ pib_per_capita  <dbl> 15000, 10500, 12000, 9800, 8700, NA, NA
$ anios_educacion <dbl> 11.2, 10.5, NA, 8.9, NA, 9.8, 8.3
$ iso3c           <chr> "CHL", "ARG", "PER", "BRA", "COL", "URY", "ECU"

world |> glimpse()

Rows: 242
Columns: 3
$ name     <chr> "Zimbabwe", "Zambia", "Yemen", "Vietnam", "Venezuela", "Vatic…
$ iso_a3   <chr> "ZWE", "ZMB", "YEM", "VNM", "VEN", "VAT", "VUT", "UZB", "URY"…
$ geometry <MULTIPOLYGON [°]> MULTIPOLYGON (((31.28789 -2..., MULTIPOLYGON (((…

world2 <-world |> rename(iso3c = iso_a3)
datos_geo <- world2 |>  inner_join(datos, by = "iso3c")

name	iso3c	pais	pib_per_capita	anios_educacion	geometry
Uruguay	URY	Uruguay	NA	9.8	MULTIPOLYGON (((-53.37061 -...
Peru	PER	Peru	12000	NA	MULTIPOLYGON (((-69.96592 -...
Ecuador	ECU	Ecuador	NA	8.3	MULTIPOLYGON (((-75.28447 -...
Colombia	COL	Colombia	8700	NA	MULTIPOLYGON (((-71.31973 1...
Chile	CHL	Chile	15000	11.2	MULTIPOLYGON (((-109.28 -27...
Brazil	BRA	Brazil	9800	8.9	MULTIPOLYGON (((-66.87603 1...
Argentina	ARG	Argentina	10500	10.5	MULTIPOLYGON (((-57.60889 -...

Datos ficticios (6)

✅ geom_sf(aes(fill = pib_per_capita), color = "white")

geom_sf() es el equivalente espacial de geom_bar() o geom_point(), pero para geometría.
fill = pib_per_capita: el color del país depende del valor del PIB per cápita.
color = "white": agrega bordes blancos entre países, para que se vean claramente separados.

ggplot(datos_geo) +
  geom_sf(aes(fill = pib_per_capita), color = "white") +
  labs(title = "PIB per cápita en países con datos educativos",
       fill = "PIB per cápita") +
  theme_minimal()

Datos ficticios (7)

¿Y si hubiera hecho un full_join?

datos |> glimpse()

Rows: 7
Columns: 4
$ pais            <chr> "Chile", "Argentina", "Peru", "Brazil", "Colombia", "U…
$ pib_per_capita  <dbl> 15000, 10500, 12000, 9800, 8700, NA, NA
$ anios_educacion <dbl> 11.2, 10.5, NA, 8.9, NA, 9.8, 8.3
$ iso3c           <chr> "CHL", "ARG", "PER", "BRA", "COL", "URY", "ECU"

world |> glimpse()

Rows: 242
Columns: 3
$ name     <chr> "Zimbabwe", "Zambia", "Yemen", "Vietnam", "Venezuela", "Vatic…
$ iso_a3   <chr> "ZWE", "ZMB", "YEM", "VNM", "VEN", "VAT", "VUT", "UZB", "URY"…
$ geometry <MULTIPOLYGON [°]> MULTIPOLYGON (((31.28789 -2..., MULTIPOLYGON (((…

world2 <-world |> rename(iso3c = iso_a3)
datos_geo <- world2 |>  full_join(datos, by = "iso3c")

name	iso3c	pais	pib_per_capita	anios_educacion	geometry
Zimbabwe	ZWE	NA	NA	NA	MULTIPOLYGON (((31.28789 -2...
Zambia	ZMB	NA	NA	NA	MULTIPOLYGON (((30.39609 -1...
Yemen	YEM	NA	NA	NA	MULTIPOLYGON (((53.08564 16...
Vietnam	VNM	NA	NA	NA	MULTIPOLYGON (((104.064 10....
Venezuela	VEN	NA	NA	NA	MULTIPOLYGON (((-60.82119 9...

Datos ficticios (8): Efecto del full join

ggplot(datos_geo) +
  geom_sf(aes(fill = pib_per_capita), color = "white") +
  labs(title = "PIB per cápita en países con datos educativos",
       fill = "PIB per cápita") +
  theme_minimal()

Hasta acá: DUDAS.

Chile Mapas

El paquete chilemapas es una herramienta diseñada específicamente para R que permite acceder fácilmente a mapas oficiales y actualizados de Chile, listos para usar con ggplot2 y sf.
Proporción información de: Provincias, Comunas, Regiones y Distrito electorales

ChileMapas

mapa_comunas <- chilemapas::mapa_comunas

mapa_comunas |> head(10)

# A tibble: 10 × 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…

Gráfico Chile

grafico_comunas <- mapa_comunas |> 
  st_set_geometry(mapa_comunas$geometry) |> # asignar geometría
  ggplot() + # gráfico
  geom_sf() # capa geométrica

grafico_comunas +
  theme_classic()

Chile Mapas: Regiones

El paquete {sf} facilita en gran medida el trabajo con datos geográficos, especialmente en lo que respecta a operaciones espaciales como la fusión de polígonos adyacentes.

En este caso, utilizamos group_by() para agrupar las observaciones según la variable codigo_region, Luego, aplicamos summarize() junto a la función sf::st_union() para combinar los polígonos de las comunas dentro de cada grupo, generando así un nuevo conjunto de polígonos regionales

mapa_regiones <- mapa_comunas |> 
  group_by(codigo_region) |> 
  summarize(geometry = st_union(geometry)) # resumir los datos agrupados uniéndolos

mapa_regiones |> head(2)

# A tibble: 2 × 2
  codigo_region                                                         geometry
  <chr>                                                           <GEOMETRY [°]>
1 01            POLYGON ((-69.93023 -21.4246, -69.92376 -21.42622, -69.91932 -2…
2 02            MULTIPOLYGON (((-68.0676 -24.32856, -67.91698 -24.26902, -67.80…

ChileMapas: Regiones

ChileMapas: Filtremos

mapa <- chilemapas::mapa_comunas |> 
  left_join(
    chilemapas::codigos_territoriales |> 
      select(matches("comuna")), 
    by = "codigo_comuna") |> 
  filter(codigo_region=="08")

mapa |> head(2)

# A tibble: 2 × 5
  codigo_comuna codigo_provincia codigo_region                          geometry
  <chr>         <chr>            <chr>                        <MULTIPOLYGON [°]>
1 08308         083              08            (((-71.67889 -37.80871, -71.6746…
2 08314         083              08            (((-71.20222 -37.65613, -71.1991…
# ℹ 1 more variable: nombre_comuna <chr>

mapa_datos <- mapa |> 
  # crear una variable para comunas específicas
  mutate(variable = case_when(nombre_comuna == "Chiguayante" ~ "Fui",
                              nombre_comuna == "San Pedro de la Paz" ~ "Fui",
                              nombre_comuna == "Coronel" ~ "Fui",
                              nombre_comuna == "Hualpen" ~ "No fui",
                              nombre_comuna == "Lota" ~ "Fui",
                              nombre_comuna == "Concepcion" ~ "Fui",
                              nombre_comuna == "Santa Juana" ~ "No fui")) |> 
  select(nombre_comuna, codigo_comuna, variable, geometry)

mapa_datos |> head(1)

# A tibble: 1 × 4
  nombre_comuna codigo_comuna variable                                  geometry
  <chr>         <chr>         <chr>                           <MULTIPOLYGON [°]>
1 Quilaco       08308         <NA>     (((-71.67889 -37.80871, -71.67466 -37.81…

ChileMapas: Visualizar

# visualizar
mapa_datos |> 
  ggplot() +
  geom_sf(aes(geometry = geometry, 
              fill = variable), #usamos la variable que creamos como relleno de las comunas
          col = "white") +
  theme_void()

ChileMapas: Un ejemplo a las regiones

mapa_regiones |> 
  st_set_geometry(mapa_regiones$geometry) |> head(3)

Simple feature collection with 3 features and 1 field
Geometry type: GEOMETRY
Dimension:     XY
Bounding box:  xmin: -71.58939 ymin: -29.5351 xmax: -66.9909 ymax: -18.9369
Geodetic CRS:  SIRGAS 2000
# A tibble: 3 × 2
  codigo_region                                                         geometry
  <chr>                                                           <GEOMETRY [°]>
1 01            POLYGON ((-69.93023 -21.4246, -69.92376 -21.42622, -69.91932 -2…
2 02            MULTIPOLYGON (((-68.0676 -24.32856, -67.91698 -24.26902, -67.80…
3 03            MULTIPOLYGON (((-71.58497 -29.02456, -71.58844 -29.02838, -71.5…

mapa_regiones <- mapa_regiones %>%
  mutate(nombre_region = case_when(
    codigo_region == "01" ~ "Región de Tarapacá",
    codigo_region == "02" ~ "Región de Antofagasta",
    codigo_region == "03" ~ "Región de Atacama",
    codigo_region == "04" ~ "Región de Coquimbo",
    codigo_region == "05" ~ "Región de Valparaíso",
    codigo_region == "06" ~ "Región del Libertador General Bernardo O'Higgins",
    codigo_region == "07" ~ "Región del Maule",
    codigo_region == "08" ~ "Región del Biobío",
    codigo_region == "09" ~ "Región de La Araucanía",
    codigo_region == "10" ~ "Región de Los Lagos",
    codigo_region == "11" ~ "Región de Aysén del General Carlos Ibáñez del Campo",
    codigo_region == "12" ~ "Región de Magallanes y de la Antártica Chilena",
    codigo_region == "13" ~ "Región Metropolitana de Santiago",
    codigo_region == "14" ~ "Región de Los Ríos",
    codigo_region == "15" ~ "Región de Arica y Parinacota",
    codigo_region == "16" ~ "Región de Ñuble",
    TRUE ~ NA_character_
  ))

ChileMapas: Un ejemplo a las regiones

perros_callejeros |> head(2)

# A tibble: 2 × 2
  codigo_region perros_calle_por_1000hab
  <chr>                            <dbl>
1 01                                52.8
2 02                                42.7

mapa_regiones2 <- mapa_regiones |> inner_join(perros_callejeros, by = "codigo_region") |> glimpse()

Rows: 16
Columns: 4
$ codigo_region            <chr> "01", "02", "03", "04", "05", "06", "07", "08…
$ geometry                 <GEOMETRY [°]> POLYGON ((-69.93023 -21.424..., MULT…
$ nombre_region            <chr> "Región de Tarapacá", "Región de Antofagasta"…
$ perros_calle_por_1000hab <dbl> 52.8, 42.7, 25.4, 41.1, 56.9, 33.5, 26.0, 73.…

# A tibble: 16 × 4
   codigo_region                   geometry nombre_region perros_calle_por_100…¹
   <chr>                     <GEOMETRY [°]> <chr>                          <dbl>
 1 01            POLYGON ((-69.93023 -21.4… Región de Ta…                   52.8
 2 02            MULTIPOLYGON (((-68.0676 … Región de An…                   42.7
 3 03            MULTIPOLYGON (((-71.58497… Región de At…                   25.4
 4 04            MULTIPOLYGON (((-70.54551… Región de Co…                   41.1
 5 05            MULTIPOLYGON (((-71.33832… Región de Va…                   56.9
 6 06            POLYGON ((-71.5477 -34.87… Región del L…                   33.5
 7 07            POLYGON ((-70.41724 -35.6… Región del M…                   26  
 8 08            MULTIPOLYGON (((-73.53466… Región del B…                   73.9
 9 09            MULTIPOLYGON (((-73.35306… Región de La…                   51  
10 10            MULTIPOLYGON (((-73.1691 … Región de Lo…                   30  
11 11            MULTIPOLYGON (((-75.41754… Región de Ay…                   62.9
12 12            MULTIPOLYGON (((-70.35563… Región de Ma…                   83.2
13 13            POLYGON ((-70.47405 -33.8… Región Metro…                   41.9
14 14            MULTIPOLYGON (((-73.39503… Región de Lo…                   52.1
15 15            POLYGON ((-69.07223 -19.0… Región de Ar…                   25.4
16 16            POLYGON ((-72.38553 -36.9… Región de Ñu…                   78.2
# ℹ abbreviated name: ¹perros_calle_por_1000hab

ChileMapas: Un ejemplo a las regiones

mapa_regiones2 |> 
  st_set_geometry(mapa_regiones$geometry) |> 
  # especificar la geometría del mapa
  ggplot(aes(geometry = geometry,
             fill = perros_calle_por_1000hab
             )) + # graficar
  geom_sf()

mapa_regiones2 |> 
  st_set_geometry(mapa_regiones$geometry) |> 
  ggplot(aes(geometry = geometry,
             fill = perros_calle_por_1000hab)) +
  geom_sf(color = "gray90") +
  coord_sf(xlim = c(-77, -65)) +
scale_fill_gradient(
  low = "#8EC3E2",
  high = "#BB1515",
  name = "Perros / 1000 hab."
) +
  theme_minimal() +
  labs(
    title = "Perros callejeros",
    subtitle = "En Chile por cada mil habitantes"
  )

Fuente utilizadas

Tutorial BastiMapache

Sistema de Información Geográfica (SIG)

Temario de hoy

Objetivo principal: Replicar estos mapas

Mapa mundial

Mapa Chile y regiones

Recapitulando…📝

Recapitulando…📝

Recapitulando…📝

Recapitulando…📝

Recapitulando …📝

Recapitulando …📝

Recapitulando …📝

Sistema de Información Geográfica (SIG)

Paquetes: 📦 ¿Qué es sf?

Paquetes: 📦 ¿Qué es sf?

🧩 Tipos de geometría

🔧 Funciones importantes del paquete sf

Paquetes: 📦 ¿Qué essf?

🗺️ ¿Por qué es útil?

Paquete: countrycode

Paquete: countrycode

Paquete: R Natural Earth.

Entonces….

Manos a la obra

Exploremos

Pero ¿Qué nos falta? Indexación de bases de datos

Datos ficticios (1)

Datos ficticios (2)

Datos ficticios (3)

Datos ficticios (4)

Datos ficticios (5)

Datos ficticios (6)

Datos ficticios (7)

Datos ficticios (8): Efecto del full join

Hasta acá: DUDAS.

Chile Mapas

ChileMapas

Gráfico Chile

Chile Mapas: Regiones

ChileMapas: Regiones

ChileMapas: Filtremos

ChileMapas: Visualizar

ChileMapas: Un ejemplo a las regiones

ChileMapas: Un ejemplo a las regiones

ChileMapas: Un ejemplo a las regiones

Fuente utilizadas

Vamos al código!

Paquetes: 📦 ¿Qué es `sf`?

Paquetes: 📦 ¿Qué es `sf`?

🔧 Funciones importantes del paquete `sf`

Paquetes: 📦 ¿Qué es`sf`?