Cargar `perumapas`

El paquete perumapas contiene tres conjuntos de datos con las geometrías necesarias para dibujar mapas de al división política administrativa del Perú a nivel distrital, provincial y regional. Para poder usar estos mapas, es necesario usar al mismo tiempo el paquete sf, que permite manipular las geometrías en formato simple features.

library(perumapas)
library(sf) # obligatorio!

Para fines de este documento, se carga también los paquets dplyr y ggplot2 para la manipulación del conjunto de datos y creación de mapas, respectivamente. Se omiten los messages de carga.

library(dplyr)
library(ggplot2)

Mapas regionales, provinciales y distritales

Para dibujar los mapas, usaremos la función geom_sf() del paquete ggplot2. Por defecto, usará la columna geometry del conjunto de datos para el dibujo.

Mapa regional

El conjunto de datos mapa_regional contiene la información necesaria para elaborar mapas con las divisiones regionales.

mapa_regional %>% 
  ggplot() +
  geom_sf()

Para obtener el mapa de una región determinada, basta con agregar una línea de código de filtrado.

mapa_regional %>% 
  filter(departamento == "LIMA") %>% 
  ggplot() +
  geom_sf()

Mapa provincial

Para obtener el gráfico con nivel de resumen provincial, se puede utilizar mapa_provincial. Se debe tomar en cuenta que mientras mayor sea la cantidad de unidades (provincias), los recursos computacionales necesarios para generar el mapa aumentarán.

mapa_provincial %>% 
  ggplot() +
  geom_sf()

Del mismo modo, si se requiere dibujar las provincias de alguna región en específico, basta con agregar una línea de filtrado.

mapa_provincial %>% 
  filter(departamento == "LIMA") %>% 
  ggplot() +
  geom_sf()

Para un gráfico departamental, usar mapa_regional.

mapa_regional %>% 
  filter(departamento == "ANCASH") %>% 
  ggplot() +
  geom_sf()

Mapa distrital

El nivel de detalle más alto se obtiene con el conjunto de datos mapa_distrital.

mapa_distrital %>% 
  ggplot() +
  geom_sf()

Nuevamente, se debe tomar en cuenta los recursos computacionales necesarios para elaborar (renderizar) el mapa. Me tomó alrededor de 4 segundos con una CPU Ryzen 5 3600 6-Core 3.69GHz RAM 16GB GPU Rx 580 8GB.

Mapas personalizados

Distritos agrupados

Una manera de personalizar los mapas es creando grupos de distritos o provincias según algún criterio. Por ejemplo, podemos obtener el mapa de Lima Metropolitana por zonas. Para ello, perumapas provee el conjunto de datos zonas_lima.

zonas_lima
#> # A tibble: 43 x 3
#>    distrito    ubigeo zona  
#>    <chr>       <chr>  <chr> 
#>  1 LIMA        150101 Centro
#>  2 ANCÓN       150102 Norte 
#>  3 ATE         150103 Este  
#>  4 BARRANCO    150104 Centro
#>  5 BREÑA       150105 Centro
#>  6 CARABAYLLO  150106 Norte 
#>  7 CHACLACAYO  150107 Este  
#>  8 CHORRILLOS  150108 Centro
#>  9 CIENEGUILLA 150109 Este  
#> 10 COMAS       150110 Norte 
#> # ... with 33 more rows

Al hacer un join/merge con mapa_distrital se puede recalcular las geometrías para dibujar el mapa por zonas.

mapa_lima_zonas <- mapa_distrital %>% 
  filter(departamento == "LIMA", provincia == "LIMA") %>% 
  left_join(zonas_lima, by = "ubigeo") %>% 
  group_by(zona) %>% 
  summarise(geometry = st_union(geometry))

Una vez recalculadas las geometrías, el mapa se genera igual que en los casos anteriores.

mapa_lima_zonas %>% 
  ggplot() +
  geom_sf()

Color según criterio

Criterio categórico

Es posible colorear los mapas según algún otro criterio. Por ejemplo, los distritos de Lima según la zona en la que se ubican. Para ello, nuevamente podemos hacer uso de zonas_lima y el atributo fill del mapa.

mapa_distrital %>% 
  filter(departamento == "LIMA", provincia == "LIMA") %>% 
  left_join(zonas_lima, by = "ubigeo") %>% 
  ggplot() +
  geom_sf(aes(fill = zona))

Criterio numérico

Además de colorear por valores categóricos, es posible mapear el relleno del mapa según valores numéricos. Para este ejemplo se usará el mapa de pobreza de Lima 2018 del paquete perupobreza2018.

library(perupobreza2018)

pobreza_lima <- pobreza2018 %>% 
  filter(region == "LIMA", provincia == "LIMA") %>% 
  select(distrito, ubigeo, pobreza_monetaria)

Este conjunto de datos brinda, entre otras cosas, el porcentaje de población en condiciones de pobreza monetaria para cada distrito.

pobreza_lima
#> # A tibble: 43 x 3
#>    distrito          ubigeo pobreza_monetaria
#>    <chr>             <chr>              <dbl>
#>  1 PUCUSANA          150124              23.8
#>  2 PUENTE PIEDRA     150125              22.7
#>  3 SANTA ROSA        150139              22  
#>  4 INDEPENDENCIA     150112              20.6
#>  5 VILLA EL SALVADOR 150142              20.2
#>  6 PACHACÁMAC        150123              20  
#>  7 ANCÓN             150102              19.2
#>  8 PUNTA HERMOSA     150126              19.2
#>  9 CARABAYLLO        150106              19.2
#> 10 LURÍN             150119              18.3
#> # ... with 33 more rows

Debido a que se cuenta con el ubigeo, es posible hacer el join/merge con los mapas.

mapa_pobreza_lima <- mapa_distrital %>% 
  filter(departamento == "LIMA", provincia == "LIMA") %>% 
  left_join(pobreza_lima, by = "ubigeo")

Con esta información, es posible obtener el mapa de pobreza de Lima, los colores indican el porcentaje de pobreza monetaria.

mapa_pobreza_lima %>% 
  ggplot() +
  geom_sf(aes(fill = pobreza_monetaria))

Por supuesto, también se puede crear una escala de colores manualmente usando scale_fill_gradient2().

mapa_pobreza_lima %>% 
  ggplot() +
  geom_sf(aes(fill = pobreza_monetaria)) +
  scale_fill_gradient2(low = "green", 
                       mid = "yellow", 
                       high = "darkred", 
                       midpoint = 10)

Uso básico de los mapas

Cargar perumapas