Varmekort med Leaflet i R

I dette kodeeksempel bruger jeg en geokodningsfunktion, som findes på datascienceplus, til at geokode Google tendensdata vedrørende søgeintensitetsdata. Jeg sammenligner søgetendens efter bynavn for “Burger” og “Pizza” i Tyskland. Derefter visualiserer jeg resultaterne med varmekort. Hertil benytter jeg Leaflet-pakken i R.

Geokodning af inputdata ved hjælp af Open Street Map API

I nedenstående kodeeksempel implementerer jeg geokodningsfunktionen fra “datascienceplus” og anvender den ved hjælp af to DataFrames med Google Trends-data. DataFrames indeholder data i tabelform hentet fra Google Trends-tjenesten. Tjenesten omfatter søgeintensitetsresultater efter tyske bynavne for søgeudtrykkene “Burger” og “Pizza”.

# implementering af en geokodningsfunktion ved hjælp af JSON-baseret OSM-API
#install.packages("jsonlite")
library(jsonlite)

# dokumentation: http://wiki.openstreetmap.org/wiki/Nominatim
# kilde: 
# 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)))
}

# læsning af inputdata (tabelformede csv-filer med Google Trends-data
setwd("C:/Users/Linnart/Desktop/Supply Chain Analytics/08 R coding/01__spatial visualization/Spatial food trends analysis")

# inputdata omfatter Googles søgeintensitet for burger og pizza i Tyskland
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)

# geokodning inputdata, dvs. anvendelse af geokodningsfunktionen
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.)

# første, geocode burgerbyer
for(i in 1:nrow(input_burger_map)){
  # brug geokoderen til at geokode bynavn
  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]}
  # sov et sekund for at undgå at blive forbudt af OSM API
  Sys.sleep(1)
}

# sekund, geokode pizza byer
for(i in 1:nrow(input_pizza_map)){
  # brug geokoderen til at geokode bynavn
  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]}
  # sov et sekund for at undgå at blive forbudt af OSM API
  Sys.sleep(1)
}

Efter at have geokodet bynavne i DataFrames renser jeg dataene for at undgå tomme poster og tomme rækker. Til det bruger jeg pakken “dplyr” i R:

# rensning af datarammer, så ingen NA-værdier er indeholdt
# brug "dplyr" -pakke til rengøring
library(dplyr)

# anvend "dplyr"-pakke til rengøring
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")

Varmekortlægning af geokodede data ved hjælp af Leaflet i R

Efter at have geokodet og renset Google Trends-søgeintensitetsresultaterne for de tyske byer anvender jeg Leaflet-pakken i R til at oprette et varmekort. Ved hjælp af addHeatmap()-funktionen visualiserer jeg den rumlige fordeling af søgeintensiten for burger og pizza:

# import af folder og folder.extras gør det muligt for mig at lave et varmekort
library(leaflet)
library(leaflet.extras)
library(magrittr)

# definer centrum af kortet
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)) 

# opretter et varmekort til burgerens søgeintensitet# opretter et varmekort til pizzaens søgeintensitet
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)

# opretter et varmekort til pizzaens søgeintensitet
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)

# plot i et 1x2 gitter; til det skal du bruge "mapview"-pakken i R
#install.packages("mapview")
library(mapview)
latticeview(viz_map_burger,viz_map_pizza)

Rumlig datavisualisering i R kan også udføres med andre pakker, såsom deckgl, ggmap, ggplot2 og webglobe. Du kan finde eksempler på kodning af disse pakker på min blog.