Wärmekarten mit Leaflet in R erstellen

In diesem Beispiel verwende ich ein Code-Snippet von datascienceplus um Google-Trends Daten basierend auf Stadtnamen in Koordinaten (Longitude, Latitude) umzuwandeln. Diesen Prozess nenne ich „Geocoding“. Geocoding erlaubt mir daraufhin die Visualisierung der örtlichen Verteilung der Suchintensität mittels Leaflet-Wärmekarten.

Nachstehend implementiere ich die „Geocoding“-Funktion in R und verwende sie um ein DataFrame, bzw. die darin enthaltenen Ortsnamen, in Koordinaten zu transformieren. Ich erhalte so bearbeitete DataFrames mit Geo-Koordinaten und Google-Trends Daten.

Die verwendeten Google-Trends Daten sind Daten für die Suchintensität in Deutschland, nach den Suchwörtern „Pizza“ und „Burger“.

# Da der Algorithmus die OpenStreetMap API verwendet, und diese Daten 
# in JSON-Format retourniert, wird das jsonlite Paket in R benötigt
#install.packages("jsonlite")
library(jsonlite)

# Dokumentation OpenStreetMap: http://wiki.openstreetmap.org/wiki/Nominatim
# Quelle des nachstehenden Codes: 
# https://datascienceplus.com/osm-nominatim-with-r-getting-locations-geo-coordinates-by-its-address/
osm_geocoder <- function(address = NULL)
{
  if(suppressWarnings(is.null(address)))
    return(data.frame())
  
  tryCatch(
    d <- jsonlite::fromJSON( 
      gsub('\\@addr\\@', gsub('\\s+', '\\%20', address), 
           'http://nominatim.openstreetmap.org/search/@addr@?format=json&addressdetails=0&limit=1')
    ), error = function(c) return(data.frame())
  )

  if(length(d) == 0) 
    return(data.frame())
  
  return(data.frame(lon = as.numeric(d$lon), lat = as.numeric(d$lat)))
}

# Google-Trends Daten einlesen
setwd("C:/Users/Linnart/Desktop/Supply Chain Analytics/08 R coding/01__spatial visualization/Spatial food trends analysis")

# Die eingelesenen Daten sind die Suchintensität nach "Pizza" und "Burger"
# in Deutschland; der Dienst "Google Trends" stellt die Suchintensität der 
# Top-Städte bereit, sodass die Suchintensität je Ortsname angegeben wird 
input_pizza_map <- read.csv(file="Pizza on map.csv",header=TRUE,sep=",",stringsAsFactors = FALSE)
input_burger_map <- read.csv(file="Burger on map.csv",header=TRUE,sep=",",stringsAsFactors = FALSE)
#input_burger_and_pizza_map <-read.csv(file="Pizza vs Burger on map.csv",header=TRUE,sep=",",stringsAsFactors = FALSE)
#input_burger_and_pizza_timeline <- read.csv(file="Pizza vs Burger.csv",header=TRUE,sep=",",stringsAsFactors = FALSE)

# Eingangsdaten Geocoden
input_pizza_map<-data.frame(input_pizza_map$Town.City,"Lat"=rep(NA,nrow(input_pizza_map)),"Long"=rep(NA,nrow(input_pizza_map)),input_pizza_map$Pizza...2.12.17...2.12.18.)
input_burger_map<-data.frame(input_burger_map$Town.City,"Lat"=rep(NA,nrow(input_burger_map)),"Long"=rep(NA,nrow(input_burger_map)),input_burger_map$Burger...2.12.17...2.12.18.)

# Erst Ortsnamen der "Burger" Suche transformieren (Geocoden)
for(i in 1:nrow(input_burger_map)){
  # Geocode-Funktion anwenden
  geocodes <- osm_geocoder(address=paste0(input_burger_map$input_burger_map.Town.City[i],", Germany"))
  print(input_burger_map$input_burger_map.Town.City[i])
  if(nrow(geocodes)>=1){
    input_burger_map$Lat[i] <- geocodes$lat[1]
    input_burger_map$Long[i]<- geocodes$lon[1]}
  # 1 Sekunde lang schlafen um keinen Ärger mit der OSM-API zu bekommen
  Sys.sleep(1)
}
# Dann Ortsnamen für Suchwort Pizza transformieren (Geocoding)
for(i in 1:nrow(input_pizza_map)){
  # Geocode-Funktion anwenden
  geocodes <- osm_geocoder(address=paste0(input_pizza_map$input_pizza_map.Town.City[i],", Germany"))
  print(input_pizza_map$input_pizza_map.Town.City[i])
  if(nrow(geocodes)>=1){
    input_pizza_map$Lat[i] <- geocodes$lat[1]
    input_pizza_map$Long[i]<- geocodes$lon[1]}
  # 1 Sekunde lang schlafen um keinen Ärger mit der OSM-API zu bekommen
  Sys.sleep(1)
}
# DataFrames reinigen bzw. bearbeiten um keine leeren Einträge zu haben
# Hierfür verwende ich das dplyr-Paket
library(dplyr)
cleaned_pizza_map <- input_pizza_map %>% filter(!is.na(Lat)) 
colnames(cleaned_pizza_map)<-c("City","Lat","Long","Trend")
cleaned_burger_map <- input_burger_map %>% filter(!is.na(Lat))
colnames(cleaned_burger_map)<-c("City","Lat","Long","Trend")

Jetzt erstelle ich mit den bearbeiteten Datentabellen eine Wärmekarte in R. Hierfür verwende ich das Leaflet-Paket:

# Pakete importieren
library(leaflet)
library(leaflet.extras)
library(magrittr)

# Kartenzentrum festlegen
lat_center <- c(cleaned_burger_map$Lat,cleaned_pizza_map$Lat) %>% as.numeric() %>% mean
long_center <- mean(c(cleaned_burger_map$Long,cleaned_pizza_map$Long)) 

# Wärmekarte für Suchintensität nach "Burger" erstellen
viz_map_burger <- cleaned_burger_map %>%
  leaflet() %>% 
  addTiles() %>% 
  addProviderTiles(providers$OpenStreetMap.DE) %>% 
  setView(long_center,lat_center,6) %>%
  addHeatmap(lng=~Long,lat=~Lat,intensity=~Trend,max=100,radius=20,blur=10)

# Wärmekarte für Suchintensität nach "Pizza" erstellen
viz_map_pizza <- cleaned_pizza_map %>%
  leaflet() %>% 
  addTiles() %>% 
  addProviderTiles(providers$OpenStreetMap.DE) %>% 
  setView(long_center,lat_center,6) %>%
  addHeatmap(lng=~Long,lat=~Lat,intensity=~Trend,max=100,radius=20,blur=10)

# Die zwei Wärmekarten nebeneinander plotten
# Hierfür importiere ich noch ein Paket: "mapview"
#install.packages("mapview")
library(mapview)
latticeview(viz_map_burger,viz_map_pizza)

Leave a Reply

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert.

Close

Meta