Visualización de datos y creación de mapas con información de Banco Mundial en RStudio

El uso efectivo e innovador de herramientas de análisis de datos es un sello que distingue a las compañías más exitosas. Después de todo, el análisis de datos afecta todos los aspectos de un negocio, desde la cadena de suministro a la experiencia de cliente. Proporciona los conocimientos necesarios para tomar decisiones de negocio que hagan crecer los ingresos y la rentabilidad.

Cuando hablamos de análisis nos estamos refiriendo al proceso de examinar grandes conjuntos de datos para descubrir patrones ocultos, correlaciones desconocidas, tendencias del mercado.

Una de las herramientas más utilizadas es el lenguaje de programación R y su IDLE: RStudio. Este lenguaje trabaja con algo llamado: librerías/paqueterias, que son las que nos permiten procesar y transformar la información.
Ejemplo de ello es la librería: wbstats. La cual permite buscar y descargar datos estadísticos desde Banco Mundial.

A continuación un breve ejemplo.
Para instalar librerías/paqueterías se usa el siguiente tipo de comando:
install.packages(“wbstats”)

Previamente instalado el paquete/libreria: wbstats, procederemos a descargar datos:

library(wbstats)
En este caso nos interesan datos de educación, por lo que le pedimos a R que del Banco Mundial nos capture la información referente a educación:

edu_search <- wbsearch(pattern = “Education”)

Para los mapas descargamos algunas librerías/paqueterías útiles:
install.packages(“dplyr”)

library(dplyr)

install.packages(“pacman”)

pacman::p_load(wbstats, dplyr,ggplot2,maps,gtools)

Luego codificamos los datos para proyectarlos en el mapa:

edudata <- wb(indicator = c(“SE.PRM.NENR”), startdate = 2015, enddate = 2015)

En este caso le pedimos la variable de educación primaria por país

worldmap <- map_data(“world”)

ggplot()+geom_polygon(data = worldmap,aes(x=long,y=lat,group=group))

worldmap$iso3c <- iso.alpha(x=worldmap$region,n=3)

Lo que nos ha dado es un cascaron del mapa mundial. Ahora procedemos a hacer una unión entre la base del mapa y los datos obtenidos correspondientes a la variable de educación.

worldmap$edudata <- edudata$value[match(worldmap$iso3c,edudata$iso3c)]

Finalmente instalamos la librería viridis para dar colores a los mapas.
install.packages(“viridis”)

Abrimos la librería y volvemos a llamar los datos de Banco Mundial
library(viridis)
library(wbstats)
library(dplyr)

pacman::p_load(wbstats, dplyr,ggplot2,maps,gtools)

ggplot()+geom_polygon(data =worldmap,aes(x=long,y=lat,group=group,fill=edudata))+scale_fill_viridis(“Primary School Enrollment %”,option=”viridis”)

Finalmente obtenemos la visualización del mapa con los datos

Y .. ¿Qué podemos intuir?
Fácilmente vemos que las menores tasas de educación primaria se encuentran en países africanos y algunos asiáticos.

Last modified: abril 10, 2020

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *