Transporte público en CABA -> visualizaciones con gganimate
Hace unos días vi en Twitter que el gobierno de la Ciudad de Buenos Aires empezó a actualizar diariamente los datos relacionados con la pandemia (SUBE, casos, flujo vehicular, etc).
Desde ese momento vi varios plots sobre información de distintos datasets, y me llamó la atención que todas las visualizaciones (que vi) sean estáticas. Entonces se me ocurrió descargar uno de los datasets y ver con qué datos me encontraba.
Este post es una exploración, por lo que agradecería comentarios, sugerencias y preguntas si es que surgen. Voy tomar bloques de mi script de R y a intentar explicar qué hice, por qué y para qué.
Antes de empezar, cargué las siguientes librerías:
library(tidyverse)
library(lubridate)
#vamos a cargar la libreria gganimate para animar gráficos que vamos a hacer con ggplot
library(gganimate)
library(transformr)
library(viridis)
library(hrbrthemes)
El dataset que voy a usar, es el de la SUBE. Para descargarlo, y que cada vez que el scrip corra tome los últimos datos disponibles busqué a través de CKAN usando el paquete de R los links de acceso para cada dataset relacionado con el coronavirus. [Pueden ver la lista acá.] (https://docs.google.com/spreadsheets/d/1YrT_VTi_bE-iDbDjLeZ1PfNzV0kEhAPyHxypb_oxynE/edit#gid=0)
Vamos a descargar el dataset y guardarlo en nuestra pc:
sube <- read.csv('https://cdn.buenosaires.gob.ar/datosabiertos/datasets/transporte/sube/dataset_viajes_sube.csv')
write_csv(sube, "sube.csv")
Como yo no quiero usar notación científica (entiendo que los gráficos quedan mejor sin ella):
options(scipen = 999)
Para ver qué datos hay en el dataset y su tipo:
head(sube)
#los datos que tenemos son: tipo de transporte, el día, la variable parcial y la cantidad de pasajerxs
str(sube)
Las fechas (variable DIA) están como factor. Vamos a modificar eso para poder trabajar después. Para eso usamos el paquete lubridate y transformamos el formato de las fechas a día-mes-año-horas:minutos:segundos
sube <- sube %>% mutate(DIA = dmy_hms(DIA))
Vamos a cambiar los nombres para que la variable DIA se llame FECHA
sube$FECHA <- sube$DIA
Tomamos las fechas (FECHA) y creamos una nueva variable. Es algo confuso, lo sé, pero a la nueva variable vamos a llamarla DIA. A DIA le asignamos un número según a qué día de la semana corresponde cada una de las fechas. Para eso usamos la función wday()
sube$DIA <- wday(sube$FECHA)
Ahora vamos a usar case_when para transformar los números en días
sube$DIA <- (sube$DIA = case_when(sube$DIA == 2 ~ "LUNES",
sube$DIA == 3 ~ "MARTES",
sube$DIA == 4 ~ "MIÉRCOLES",
sube$DIA == 5 ~ "JUEVES",
sube$DIA == 6 ~ "VIERNES",
sube$DIA == 7 ~ "SÁBADO",
sube$DIA == 1 ~ "DOMINGO"))
Ahora, creamos una columna llamada SEMANA, que va a tener la información sobre a qué semana corresponde cada una de nuestras fechas.
sube$SEMANA <- week(sube$FECHA)
Extraemos el número del mes al que corresponde cada fecha
sube$N_MES <- month(sube$FECHA)
Asignamos a cada número de mes el mes correspondiente
sube$N_MES <- (sube$N_MES = case_when(sube$N_MES == 1 ~ "ENERO",
sube$N_MES == 2 ~ "FEBRERO",
sube$N_MES == 3 ~ "MARZO",
sube$N_MES == 4 ~ "ABRIL",
sube$N_MES == 5 ~ "MAYO",
sube$N_MES == 6 ~ "JUNIO",
sube$N_MES == 7 ~ "JULIO",
sube$N_MES == 8 ~ "AGOSTO",
sube$N_MES == 9 ~ "SEPTIEMBRE",
sube$N_MES == 10 ~ "OCTUBRE",
sube$N_MES == 11 ~ "NOVIEMBRE",
sube$N_MES == 12 ~ "DICIEMBRE"))
¿Por qué hice esto con todos los meses si no había pandemia en enero? Porque el dataset se actualiza constantemente, y como no sabemos cuando va a terminar esto, me parece útil que en el script quede la función para todos los meses del año.
Extraemos a qué día del mes corresponde cada fecha
sube$N_DIA <- day(sube$FECHA)
Como no vamos a usar la fila PARCIAL, vamos a dejarla fuera del dataset
sube <- select(sube, -PARCIAL)
Ahora vamos a filtrar por tipo de transporte y a crear datasets con cada uno de ellos y ver cómo quedan.
sube_subte <- filter(sube, TIPO_TRANSPORTE == "Subte")
head(sube_subte, n=10)
sube_colectivo <- filter(sube, TIPO_TRANSPORTE == "Colectivo")
head(sube_colectivo, n=10)
sube_tren <- filter(sube, TIPO_TRANSPORTE == "Tren")
head(sube_tren, n=10)
Recuerden que si quieren guardar cada dataset nuevo, pueden usar write_csv
##Ahora que tenemos toda la data "acomodada", vamos a los gráficos.
[gganimate] (https://gganimate.com/index.html) extiende la gramática de ggplot2 e incluye la descripción de la animación.
En estos casos vamos a usar transition _ * () que define cómo se distribuyen los datos y cómo se relacionan a lo largo del tiempo.
Vamos a hacer un gráfico animado de barras sobre el uso de transporte público durante la pandemia por semana (y días)
ggplot(data = sube, aes(x = factor(DIA, levels=c("LUNES", "MARTES", "MIÉRCOLES", "JUEVES", "VIERNES", "SÁBADO", "DOMINGO")), y = CANTIDAD)) +
geom_bar(stat='identity', aes(fill = TIPO_TRANSPORTE)) +
transition_time(SEMANA) + #esta es la clave
labs(title = "Uso de transporte público durante la pandemia
semana: {as.integer(frame_time)}",
subtitle = "Ciudad Autónoma de Buenos Aires",
x = "Día",
y = "Usuarixs",
caption = "fuente: data.buenosaires.gob.ar")+
scale_fill_viridis_d() +
theme_minimal() +
theme(legend.position = "bottom")
anim_save("uso_tp.gif")
Ahora vamos con un gráfico de líneas animado con la cantidad de usuarixs de cada tipo de transporte durante la pandemia
ggplot(sube, aes(x = FECHA, y = CANTIDAD, color = TIPO_TRANSPORTE)) +
geom_line() +
geom_point(aes(group = seq_along(FECHA))) +
labs(title = "Uso de transporte público durante la pandemia",
subtitle = "Ciudad Autónoma de Buenos Aires",
x = "",
y = "Usuarixs",
caption = "fuente: data.buenosaires.gob.ar") +
scale_color_viridis(discrete=TRUE) +
transition_reveal(FECHA) + #en vez de transition_time
theme_minimal() +
theme(legend.position = "bottom")
anim_save("sube_lin.gif")
Si tomamos cada tipo de transporte y hacemos gráficos de líneas animados:
Uso de colectivos por día y coloreado por mes durante la pandemia
ggplot(sube_colectivo, aes(x = N_DIA, y = CANTIDAD, color = N_MES)) +
geom_line() +
geom_point() +
labs(title = "Uso de colectivos durante la pandemia",
subtitle = "Ciudad Autónoma de Buenos Aires",
x = "",
y = "Usuarixs",
caption = "fuente: data.buenosaires.gob.ar") +
scale_color_viridis(discrete=TRUE) +
transition_reveal(FECHA) +
theme_minimal() +
theme(legend.position = "bottom")
anim_save("sube_colectivos_lin.gif")
Gráfico de líneas animado: uso de subtes por día y coloreado por mes durante la pandemia
ggplot(sube_subte, aes(x = N_DIA, y = CANTIDAD, color = N_MES)) +
geom_line() +
geom_point() +
labs(title = "Uso de subtes durante la pandemia",
subtitle = "Ciudad Autónoma de Buenos Aires",
x = "",
y = "Usuarixs",
caption = "fuente: data.buenosaires.gob.ar") +
scale_color_viridis(discrete=TRUE) +
transition_reveal(FECHA) +
theme_minimal() +
theme(legend.position = "bottom")
anim_save("sube_subte_lin.gif")
Gráfico de líneas animado: uso de trenes por día y coloreado por mes durante la pandemia
ggplot(sube_tren, aes(x = N_DIA, y = CANTIDAD, color = N_MES)) +
geom_line() +
geom_point() +
labs(title = "Uso de trenes durante la pandemia",
subtitle = "Ciudad Autónoma de Buenos Aires",
x = "",
y = "Usuarixs",
caption = "fuente: data.buenosaires.gob.ar") +
scale_color_viridis(discrete=TRUE) +
transition_reveal(FECHA) +
theme_minimal() +
theme(legend.position = "bottom")
anim_save("sube_tren_lin.gif")
