##### Seminario Megalópolis 2030####
#Construcción del espacio urbano
# Ciudad inteligente: Puntos de acceso wifi
install.packages("mapview")
install.packages("crosstable")
install.packages('ghibli')
install.packages("tayloRswift")
# Indica el uso de los paquetes en este script
library (sf)
library (raster)
library(leaflet)
library(tidyverse)
library(mapview)
library(dplyr)
library(crosstable)
library(ghibli)
library(tayloRswift)
# Utilizar paletas de colores para graficos
ggplot(mpg, aes(manufacturer, fill = manufacturer)) +
  geom_bar() +
  theme_minimal()+
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  scale_fill_taylor(palette = "lover", guide = "none")
# Descargar datos desde vínculo web
wifi_desde-web<-download.file("https://datos.cdmx.gob.mx/dataset/puntos-de-acceso-wifi-en-la-ciudad-de-mexico", "puntoswifi_url.csv")
# Cargar desde archivo local
wifi_raw<-read.csv("2024-03-04-puntos_de_acceso_wifi.csv")
names(wifi_raw)
summary(wifi_raw)
nrow(wifi_raw)
colSums(is.na(wifi_raw))
# Excluir filas con datos faltantes (NA)
wifi_no_NA<-na.omit(wifi)
# Resumen sin datos NA
summary(wifi_no_NA)
# Excluir variable con datos faltantes (fecha de instalación)
wifi <- subset(wifi_raw, select = -fecha_instalacion)
# Ubica los valores faltantes
print("Conteo de valores faltantes")
sum(is.na(wifi))
print("Posición de valores faltantes")
which(is.na(wifi))
print("Columnas con valores faltantes")
colSums(is.na(wifi))
# Descartar filas con NA en latitud
wifi<-wifi%>% 
  drop_na(latitud)
# Revisar si se descartaron NA correctamente
summary(wifi)
colSums(is.na(wifi))
nrow(wifi)
# Primer gráfico
wifi %>% 
  ggplot(aes(x = longitud, y = latitud))+
  geom_point()+
  labs(title = "Identificación de puntos de acceso wifi CDMX")
#Convertir a datos espaciales
dat <- st_as_sf(wifi, coords = c("longitud", "latitud"))
which(is.na(wifi))
sum(is.na(wifi))
as.numeric(wifi$longitud)
is.numeric(wifi$longitud)
# Atributo numérico desde origen
puntoswifi <- read_csv("20240304_puntoswifi.csv", 
                                 col_types = cols(fecha_instalacion = col_skip(), 
                                                  latitud = col_number(), longitud = col_number()))
View(puntoswifi)
sum(is.na(puntoswifi))
print("Columnas con valores faltantes")
colSums(is.na(puntoswifi))
puntoswifi_no_NA<-na.omit(puntoswifi)
#Convertir a datos espaciales
dat <- st_as_sf(puntoswifi_no_NA, coords = c("longitud", "latitud"), crs=4326)
# Inspeccionar nuevo objeto sf
head(dat)
# Visualizar geometría de objeto sf
# Visualizar datos
mapview(dat)
# Identificamos observaciones con errores #32600,31545,32227
# Se corrigen manualmente
# ¿En los datos aparecen 16 alcaldías?
table(puntoswifi$alcaldia)
# "Número" de alcaldías
categorias <- unique(puntoswifi$alcaldia) 
numcategorias <- length(categorias)
# Renombrar Alcaldías
puntoswifi$alcaldia<- recode(puntoswifi$alcaldia, 'AZCAPOTZALCO' = 'Azcapotzalco', 
                             'BENITO JUAREZ' = 'Benito Juárez',
                             'COYOACÁN' = 'Coyoacán',
                             'COYOACAN' = 'Coyoacán',
                             'CUAUHTEMOC' = 'Cuauhtémoc',
                             'CUAHUTEMOC' = 'Cuauhtémoc',
                             'Cuahutémoc' = 'Cuauhtémoc',
                             'Gustavo A Madero' = 'Gustavo A. Madero',
                             'GUSTAVO A. MADERO' = 'Gustavo A. Madero',
                             'IZTACALCO' = 'Iztacalco',
                             'IZTAPALAPA' = 'Iztapalapa',
                             'La Magdalena Contreras' = 'Magdalena Contreras',
                             'MIGUEL HIDALGO' = 'Miguel Hidalgo',
                             'TLAHUAC' = 'Tláhuac',
                             'TLALPAN' = 'Tlalpan',
                             'VENUSTIANO CARRANZA' = 'Venustiano Carranza',
                             'XOCHIMILCO' = 'Xochimilco')
# ¿En los datos aparecen 16 alcaldías?
table(puntoswifi$alcaldia)
# ¿Cuántas colonias aparecen?
table(puntoswifi$colonia)
# Requiere una limpieza de datos más sofisticada -> se realizará posteriormente
# No utilizar observaciones donde punto wifi es móvil (unidades de trolebus y cabinas de Cablebús)
# Estas observaciones móviles no tienen alcaldía y están georeferenciadas al mismo punto
# Renombrar datos de $programa
table(puntoswifi$programa)
puntoswifi$programa<- recode(puntoswifi$programa, 'HOSPITALES' = 'Hospitales')
table(puntoswifi$móvil)                             
# Tabla de proporciones
proportions(table(puntoswifi$programa))
# Proporciones por fila
proportions(table(puntoswifi$programa, puntoswifi$alcaldia), margin = 1)
# Proporciones por columna
proportions(table(puntoswifi$programa, puntoswifi$alcaldia), margin = 2)
# Tabla de programa por Alcaldía
ct1<-crosstable(puntoswifi, c(programa), by=alcaldia, total="both", 
                percent_pattern="{n} ({p_row}/{p_col})", percent_digits=0) %>%
  as_flextable()
ct1
# Gráfico con porcentajes en orden
ggplot(puntoswifi, aes(x = `alcaldia`)) + 
  geom_bar() + 
  xlab("Alcaldía") 
# Añadir paleta de colores
# dMuestra las paletas de colores y sus nombres
# Ghibli
par(mfrow=c(9,3))
for(i in names(ghibli_palettes)) print(ghibli_palette(i))
# TayloRswift
#par(mfrow=c(8,3))
#for(i in names(swift_palettes)) print(swift_pal(i))
names(swift_palettes)
# Añadir Lover
gplot<-ggplot(puntoswifi, aes(alcaldia, fill = alcaldia)) + 
  geom_bar()+
  xlab("Alcaldía") +
  ylab("Número de puntos Wifi")+
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1)) +
  scale_fill_taylor(palette = "lover", guide = "none")
gplot
# En este punto, aún tenemos NA en alcaldía, ¿a qué se debe?
# Excluye observaciones sin alcaldía