Soluciones capítulo 3

Author

Luz Frias 

library(dplyr)
library(ggplot2)
library(sf)

Actividad 1

Sobre el dataset diamonds, pinta:

  • El histograma del precio según los facets de la calidad del corte (cut)
  • Un gráfico de barras por claridad (clarity) según los facets de calidad del corte (cut) y color (color).
# histograma del precio según la calidad del corte
ggplot(diamonds, aes(x = price)) +
  geom_histogram(bins = 30) +
  facet_wrap(~ cut, scales = "free_y") +
  theme_minimal() +
  labs(
    title = "Relación entre el precio y la calidad",
    y = "# diamantes",
    x = "precio"
  )

# gráfico de barras por claridad según la calidad del corte y color
ggplot(diamonds, aes(x = clarity)) +
  geom_bar() +
  facet_grid(cut ~ color, scales = "free_y") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1)) +
  labs(
    y = "# diamantes",
    x = "Claridad",
    title = "Diamantes por color, calidad y claridad"
  )

Actividad 2

Utilizando los datos de elecciones (elecciones_2019_provincias.csv y elecciones_2019_votos.csv) y el mapa base con las provincias (spain_provinces.geojson), crea los siguientes gráficos:

  1. Un mapa coloreado según la población de cada provincia (mayor intensidad = mayor población).
  2. Un mapa con el color del partido más votado en cada provincia (PP en azul, PSOE en rojo, …).
  3. Un facet de mapas, con 4, marcando el porcentaje de votos a los 4 partidos políticos (PP, PSOE, VOX, Podemos). Por ejemplo, en el facet del PSOE, se verán en un color más intenso las provincias con mayor % de votos a PSOE, y menos aquellas con menor %. Y así con cada uno de los partidos.
# mapa coloreado según la población de cada provincia
provincias <- read_sf("dat/spain_provinces.geojson")
elecciones_provincias <- read.csv("dat/elecciones_2019_provincias.csv")

tmp <- provincias %>%
  inner_join(elecciones_provincias, by = c("codigo" = "provincia_cod_ine"))

ggplot(tmp) +
  geom_sf(aes(fill = poblacion)) +
  scale_fill_continuous(trans = "reverse") +
  theme_void() +
  labs(
    title = "Población por provincias",
    fill  = "Población"
  )

# mapa con el color del partido más votado en cada provincia
elecciones_votos <- read.csv("dat/elecciones_2019_votos.csv")

mas_votado <- elecciones_votos %>%
  group_by(provincia_cod_ine) %>%
  arrange(desc(votos)) %>%
  summarise(partido = first(partido))

tmp <- provincias %>%
  inner_join(mas_votado, by = c("codigo" = "provincia_cod_ine"))

paleta_partidos <- c(
  "erc"          = "#f7a003",
  "navarra_suma" = "#444444",
  "pnv"          = "#278347",
  "pp"           = "#3caee1",
  "psoe"         = "#bb0201",
  "teruelexiste" = "#eeeeee",
  "vox"          = "#83b431"
)

ggplot(tmp) +
  geom_sf(aes(fill = partido)) +
  scale_fill_manual(values = paleta_partidos) +
  theme_void() +
  labs(
    title = "Partido más votado por provincia",
    fill  = "Partido"
  )

# Un _facet_ de mapas, con 4, marcando el porcentaje de votos a los 4 partidos políticos
# (PP, PSOE, VOX, Podemos)

votos <- elecciones_votos %>%
  filter(partido %in% c("pp", "psoe", "podemos", "vox")) %>%
  inner_join(elecciones_provincias) %>%
  mutate(ratio_votos = votos / votos_validos)

tmp <- provincias %>%
  inner_join(votos, by = c("codigo" = "provincia_cod_ine"))

ggplot(tmp) +
  geom_sf(aes(fill = ratio_votos)) +
  scale_fill_distiller(palette = "Blues", trans = "reverse") +
  facet_wrap(~ partido) +
  theme_void()

Actividad 3

Repasa estos gráficos que acabas de generar y añade títulos, nombres de eje, y personaliza el tema utilizado.

# Hecho sobre los propios gráficos