用R语言进行数据分析：如何绘制各国地图？

摘要：本文主要包含三种绘制地图的方法：绘制基础地图、基于空间数据格式（shapefile）绘制地图以及如何调用百度地图和谷歌地图的数据来绘制地图。

基础地图

方法

从map()包里获取地图数据，用geom_polygon()（可以用颜色填充）或者geom_path()（不能填充）绘制。

#install.packages("ggplot2") #install.packages("maps") library(ggplot2) library(maps) # 为了获取数据 ## ## # ATTENTION: maps v3.0 has an updated world map. # ## # Many country borders and names have changed since 1990. # ## # Type ?world or news(package="maps"). See README_v3. # # 美国地图数据 states_map <- map_data("state") head(states_map) ## long lat group order region subregion ## 1 -87.46201 30.38968 1 1 alabama <NA> ## 2 -87.48493 30.37249 1 2 alabama <NA> ## 3 -87.52503 30.37249 1 3 alabama <NA> ## 4 -87.53076 30.33239 1 4 alabama <NA> ## 5 -87.57087 30.32665 1 5 alabama <NA> ## 6 -87.58806 30.32665 1 6 alabama <NA> # geom_polygon() ggplot(states_map, aes(x=long,y=lat,group=group)) + geom_polygon(fill="white",colour="black") + labs(title = "USA Map")

# 中国地图 library(mapdata) map("china", col = "red4", ylim = c(18,54), panel.first = grid()) title("China Map")

# 世界地图数据 world_map <- map_data("world") head(world_map) ## long lat group order region subregion ## 1 -69.89912 12.45200 1 1 Aruba <NA> ## 2 -69.89571 12.42300 1 2 Aruba <NA> ## 3 -69.94219 12.43853 1 3 Aruba <NA> ## 4 -70.00415 12.50049 1 4 Aruba <NA> ## 5 -70.06612 12.54697 1 5 Aruba <NA> ## 6 -70.05088 12.59707 1 6 Aruba <NA> #sort(unique(world_map$region)) # 绘制指定区域的地图数据 # 绘制欧洲足球五大联赛所在地 euro <- map_data("world", region = c("UK","France", "Spain","Germany", "Italy")) ggplot(euro, aes(x=long, y = lat, group=group,fill=region)) + geom_polygon(colour="black") + scale_fill_brewer(palette = "Set2") + scale_y_continuous(limits=c(40,60)) + scale_x_continuous(limits=c(-25,25)) + labs(title = " Euorpes Big Five Football Leagues")

绘制等值区域图

当我们创建一个地图后，如果根据变量值对不同区域填充不同的颜色呢？

方法

很简单，只要把变量值和地图数据合并在一起，然后把一个变量映射到fill上就可以了。

head(USArrests) # 1973年的数据 ## Murder Assault UrbanPop Rape ## Alabama 13.2 236 58 21.2 ## Alaska 10.0 263 48 44.5 ## Arizona 8.1 294 80 31.0 ## Arkansas 8.8 190 50 19.5 ## California 9.0 276 91 40.6 ## Colorado 7.9 204 78 38.7 crimes <- data.frame(state= tolower(rownames(USArrests)), USArrests) # 合并数据集 crime_map <- merge(states_map,crimes,by.x="region",by.y = "state") # head(crime_map) library(plyr) # 加载数据清洗软件包 ## ## Attaching package: plyr ## ## The following object is masked from package:maps: ## ## ozone # 按照 group, order排序 crime_map <- arrange(crime_map,group,order) # head(crime_map) ggplot(crime_map, aes(x=long,y=lat, group = group, fill = Assault)) + geom_polygon(colour = "black") + coord_map("polyconic") + labs(title = "USA Map")

# 更改配色 ggplot(crimes, aes(map_id = state, fill = Assault)) + geom_map(map = states_map, colour = "black") + scale_fill_gradient(low="#FFFFFF", high = "#BB4444") + expand_limits(x = states_map$long, y = states_map$lat)

对于犯罪率这个指标，从上图可以看出采用连续取值的方法无法很好地反映出信息，这时采用离散取值反而更容易解释。

# 离散颜色标度 qa <- quantile(crimes$Assault, c(0,0.2,0.4,0.6,0.8,1.0)) qa ## 0% 20% 40% 60% 80% 100% ## 45.0 98.8 135.0 188.8 254.2 337.0 # 新增一个分位数类别变量 crimes$Assault_q <- cut(crimes$Assault, qa, labels = c("0-20%", "20-40%","40-60%", "60-80%", "80-100%"), include.lowest = TRUE) states <- ddply(states_map, .(region),summarise, lat = mean(lat,na.rm = TRUE), long = mean(long,na.rm = TRUE)) crimes <- merge(crimes, states, by.x = "state", by.y = "region") # 绘制离散分类地图 p <- ggplot(crimes, aes(map_id = state, fill = Assault_q)) + geom_map(map = states_map, colour = "black") + scale_fill_brewer(palette = "Set2") + expand_limits(x = states_map$long, y =states_map$lat) + coord_map("polyconic") + labs(fill="Assault Rate Percentile", title = "USA Map") p

# 加入州名对应的标签 p + geom_text(aes(x=long,y=lat,label=state),size=3,colour="black") + theme_bw() + xlab("long") + ylab("lat")

# 如果你想去掉网格线和坐标框，那么接着往下翻！ # 创建空白背景地图 theme_clean <- function(base_size=12)" ad <- getCoordinate(厦门大学, formatted = TRUE) names(ad) <- NULL # 绘制地图 # 自己修改了一些参数，并将修改后的package挂在github上，所以我选择从github上安装ggmap包。 # install_github("fibears/ggmap") library(ggmap) p <- getBaiduMap("厦门市思明区",zoom = 12) ## Map from URL : http://api.map.baidu.com/staticimage?width=400&height=400¢er=118.13453488213,24.468728076403&zoom=12&scale=2 ggmap(p) + geom_point(aes(x=ad[1], y =ad[2]))

当当当，奇迹发生了——厦门大学位于海中央！这是因为谷歌地图和百度地图经纬度坐标存在一定的偏差， 而getBaiduMap()软件包的作者利用了ggmap()包中坐标转换的思想，这导致最终绘制出来 的图形不准确。因此，我们还是考虑转入谷歌阵营。

谷歌地图

首先介绍一个概念：火星坐标系统

火星坐标系统是一种国家保密插件，也叫做加密插件或者加偏或者SM模组，其实就是对真实坐标系统进行人为的加偏处理，按照特殊的算法，将真实的坐标加密成虚假的坐标，而这个加偏并不是线性的加偏，所以各地的偏移情况都会有所不同。而加密后的坐标也常被人称为火星坐标系统。

所有的电子地图、导航设备，都需要加入国家保密插件。第一步，地图公司测绘地图，测绘完成后，送到国家测绘局，将真实坐标的电子地图，加密成“火星坐标”，这样的地图才是可以出版和发布的，然后才可以让GPS公司处理。第二步，所有的GPS公司，只要需要汽车导航的，需要用到导航电子地图的，都需要在软件中加入国家保密算法，将COM口读出来的真实的坐标信号，加密转换成国家要求的保密的坐标。这样，GPS导航仪和导航电子地图就可以完全匹配，GPS也就可以正常工作了。

由于谷歌地图被GFW屏蔽了，所以想调用其API需要翻墙。

主要有以下几个步骤：

安装SSLedge 在RStudio中更改proxy

首先，我们先简单认识下http和https：

http是普通超文本协议，其信息室明文传送，而https就是安全超文本传输协议，需要证书和提供安全连接，https是嵌套了SSL加密的http连接，其内容会由SSL先加密，然后再传送。

为了更方便地使用网络，我将只使用https代理，对于Http类型的网站使用直接连接的方式。

# 查看信息 Sys.getenv() # 两种方式设置proxy # 利用Sys.setenv() Sys.setenv(https_proxy="https://user:[email protected]:port") # 修改.Renviron 文档 接下来我们来看看如何调用谷歌地图的API来绘图。 # 可以直接在cran中下载package # install_github("fibears/ggmap") # 自己修改了部分链接代码，所以我选择从github下载 # library(ggmap) setwd("~/Desktop/dataset/others") # 获取坐标及地图数据 ad1 <- as.numeric(geocode("福建省厦门市思明南路422",source = "google")) ## Information from URL : https://maps.googleapis.com/maps/api/geocode/json?address=%E7%A6%8F%E5%BB%BA%E7%9C%81%E5%8E%A6%E9%97%A8%E5%B8%82%E6%80%9D%E6%98%8E%E5%8D%97%E8%B7%AF422&sensor=false xmu <- get_map("厦门市思明区",zoom = 13, maptype = "roadmap") ## Map from URL : https://maps.googleapis.com/maps/api/staticmap?center=%E5%8E%A6%E9%97%A8%E5%B8%82%E6%80%9D%E6%98%8E%E5%8C%BA&zoom=13&size=640x640&scale=2&maptype=roadmap&language=en-EN&sensor=false ## Information from URL : https://maps.googleapis.com/maps/api/geocode/json?address=%E5%8E%A6%E9%97%A8%E5%B8%82%E6%80%9D%E6%98%8E%E5%8C%BA&sensor=false ggmap(xmu, extent = "normal") + geom_point(aes(x=ad1[1], y =ad1[2]))

需要注意的是，利用geocode函数检索经纬度数据时，最好选择使用道路数据，这样可以提高检索的准确率。

最后引用肖凯大神博客中的一个案例：本例是从地震信息网获取最近一周的地震数据，得到其经纬度，然后以散点形式绘制在google地图上，同时也显示地震发生的密度估计。

# 加载扩展包 # install.packages("animation") # install.packages("XML") library(ggmap) library(animation) library(XML) # 从网页上抓取数据，并进行清理 webpage <-http://data.earthquake.cn/datashare/globeEarthquake_csn.html tables <- readHTMLTable(webpage,stringsAsFactors = FALSE) raw <- tables[[6]] data <- raw[-1,c(V1,V3,V4)] names(data) <- c(date,lan,lon) data$lan <- as.numeric(data$lan) data$lon <- as.numeric(data$lon) data$date <- as.Date(data$date, "%Y-%m-%d") # 用ggmap包从google读取地图数据，并将之前的数据标注在地图上。 ggmap(get_googlemap(center = china, zoom=4,maptype=terrain),extent=device) + geom_point(data=data,aes(x=lon,y=lan),colour = red,alpha=0.7) + stat_density2d(aes(x=lon,y=lan,fill=..level..,alpha=..level..), size=2,bins=4,data=data,geom=polygon)+ theme(legend.position = "none") ## Map from URL : https://maps.googleapis.com/maps/api/staticmap?center=china&zoom=4&size=640x640&scale=2&maptype=terrain&sensor=false ## Information from URL : https://maps.googleapis.com/maps/api/geocode/json?address=china&sensor=false ## Warning: Removed 47 rows containing non-finite values (stat_density2d). ## Warning: Removed 47 rows containing missing values (geom_point).

原创文章，作者：数据工匠，如若转载，请注明出处：《用R语言进行数据分析：如何绘制各国地图？》http://www.afenxi.com/post/5413