Hướng dẫn vẽ heatmap theo khu vực địa lý
Duc Nguyen | Chuyên đào tạo kỹ năng R |
www.tuhocr.com
Mar 25, 2023
Tiếp nối từ câu chuyện vẽ heatmap cho bản đồ thế giới theo sản lượng các loại nông sản ở link này
https://rpubs.com/tuhocr/huong-dan-ve-world-map
Hôm nay mình sẽ hướng dẫn các bạn các extract thông tin world ra region để vẽ về tình hình sản xuất lúa gạo ở khu vực Đông Nam Á nhé.
Import dataset
Load dataset vào R
library("googlesheets4")
options(scipen = 15, digits = 15, width = 200)
rice_production <- read_sheet('11EU8qJt14EflHgU2cCENQnIJUZKIClAMWHaFa_CEchk')Clean dataset
Dataset khi import vào R có một số chỗ nho nhỏ cần làm sạch để gom vào dataset master trước khi dùng để vẽ đồ thị world map. Đơn vị quy chuẩn là metric ton (1000 kg).
### Cleaning dataset rice_production
rice_production_df <- as.data.frame(rice_production)
rice_production_2020 <- rice_production_df[, c(2, 3)] # chọn những cột quan tâm
### Loại NA
rice_production_2020 <- na.omit(rice_production_2020)
names(rice_production_2020) <- c("country", "rice_2020")
### In dataset
head(rice_production_2020, n = 10)## country rice_2020
## 2 China 211860000
## 3 India 178305000
## 4 Bangladesh 54905891
## 5 Indonesia 54649202
## 6 Vietnam 42758897
## 7 Thailand 30231025
## 8 Myanmar 25100000
## 9 Philippines 19294856
## 10 Brazil 11091011
## 11 Cambodia 10960000Merge dataset
Sau khi đã có các dataset con, ta sẽ gộp các dataset này căn cứ theo
cột country.
options("max.print" = 5000)
rice_production_2020 -> data_4
### In dataset master
dim(data_4) # có 113 quốc gia có thông tin sản xuất lúa gạo## [1] 113 2data_4## country rice_2020
## 2 China 211860000
## 3 India 178305000
## 4 Bangladesh 54905891
## 5 Indonesia 54649202
## 6 Vietnam 42758897
## 7 Thailand 30231025
## 8 Myanmar 25100000
## 9 Philippines 19294856
## 10 Brazil 11091011
## 11 Cambodia 10960000
## 12 United States 10322990
## 13 Japan 9706250
## 14 Pakistan 8419276
## 15 Nigeria 8172000
## 16 Nepal 5550878
## 17 Sri Lanka 5120924
## 18 Egypt 4893507
## 19 South Korea 4713162
## 20 Tanzania 4528000
## 21 Madagascar 4232000
## 22 Laos 3687336
## 23 Peru 3436637
## 24 Colombia 3424119
## 25 Mali 3010027
## 26 Guinea 2916395
## 27 Malaysia 2321636
## 28 North Korea 2113019
## 29 Iran 2000000
## 30 Taiwan 1750729
## 31 Italy 1507490
## 32 Ivory Coast 1481182
## 33 Democratic Republic of the Congo 1379000
## 34 Senegal 1349723
## 35 Ecuador 1336502
## 36 Argentina 1222910
## 37 Uruguay 1209000
## 38 Paraguay 1187768
## 39 Russia 1141819
## 40 Sierra Leone 1049795
## 42 Turkey 980000
## 43 Ghana 973000
## 44 Dominican Republic 942765
## 45 Spain 739230
## 46 Guyana 687539
## 47 Kazakhstan 556775
## 48 Bolivia 487427
## 49 Nicaragua 476992
## 50 Iraq 464159
## 51 Afghanistan 439549
## 52 Venezuela 429179
## 53 Benin 411578
## 54 Burkina Faso 395443
## 55 Panama 391600
## 56 Mauritania 365000
## 57 Cameroon 328503
## 58 Mexico 295338
## 59 Uzbekistan 293451
## 60 Greece 287410
## 61 Suriname 285712
## 62 Chad 278053
## 63 Liberia 270000
## 64 Cuba 266595
## 65 Uganda 200000
## 66 Guinea-Bissau 198000
## 67 Ethiopia 189649
## 68 Kenya 180890
## 69 Niger 179382
## 70 Haiti 172000
## 71 Chile 169697
## 72 Togo 160000
## 73 Burundi 150000
## 74 Turkmenistan 150000
## 75 Malawi 145446
## 76 Costa Rica 137504
## 77 Mozambique 137243
## 78 Portugal 132790
## 79 Rwanda 116504
## 81 Tajikistan 99000
## 82 France 76320
## 83 Timor-Leste 69000
## 84 Bulgaria 65810
## 85 Honduras 65634
## 86 Ukraine 60680
## 87 Bhutan 54088
## 88 Australia 50226
## 89 Morocco 46275
## 90 Kyrgyzstan 44474
## 91 Zambia 34630
## 92 Sudan 34133
## 93 Guatemala 32000
## 94 Comoros 30543
## 95 El Salvador 28000
## 96 Gambia 28000
## 97 Romania 24670
## 98 North Macedonia 19518
## 99 Belize 13942
## 100 Hungary 11740
## 101 Angola 10000
## 103 Azerbaijan 9397
## 104 Fiji 8208
## 105 Central African Republic 6095
## 106 South Africa 3076
## 107 Solomon Islands 2745
## 108 Brunei 2511
## 109 Gabon 1700
## 110 Zimbabwe 1336
## 111 Republic of the Congo 1211
## 112 Somalia 1183
## 113 Eswatini 1000
## 115 Papua New Guinea 874
## 116 Trinidad and Tobago 734
## 117 Algeria 300
## 118 Federated States of Micronesia 172Chuẩn bị dataset
world
Để vẽ đồ thị world map, chúng ta sẽ đưa dataset master này vào data
frame world vốn là dữ liệu chứa thông tin địa lý các quốc
gia trên thế giới.
library(ggplot2)
library(sf)
library(tidyverse)
library(ggrepel)
library(rnaturalearth)
library(rnaturalearthhires)
library(viridis)
library(ggspatial)
library(maps)
library(ggsn)
### Load dataset `world`
world <- ne_countries(scale = "medium", returnclass = "sf")
### Trong dataset `world` có một số quốc gia nhỏ chưa được update thông tin, vì vậy ta tách ra trong data_5
abcd <- c("East Timor", "Eswatini", "Ivory Coast", "Saint Kitts and Nevis", "Saint Vincent and the Grenadines", "Tokelau", "Tuvalu")
sep <- match(abcd, data_4$country)
data_5 <- data_4[-c(109, 31), ]
### Khớp lại tên các quốc gia trong `data_5` và `world`
# grep(pattern = "Antigua", world$name)
world$name[15] <- "Antigua and Barbuda"
# grep(pattern = "Bosnia", world$name)
world$name[27] <- "Bosnia and Herzegovina"
# grep(pattern = "Cook", world$name)
world$name[38] <- "Central African Republic"
# grep(pattern = "Central African", world$name)
world$name[47] <- "Cook Islands"
# grep(pattern = "Czech", world$name)
world$name[57] <- "Czech Republic"
# grep(pattern = "Congo", world$name)
world$name[45] <- "Democratic Republic of the Congo"
world$name[46] <- "Republic of the Congo"
# grep(pattern = "Dominican", world$name)
world$name[62] <- "Dominican Republic"
# grep(pattern = "Guinea", world$name)
world$name[84] <- "Equatorial Guinea"
# grep(pattern = "Micronesia", world$name)
world$name[75] <- "Federated States of Micronesia"
# grep(pattern = "Polynesia", world$name)
world$name[181] <- "French Polynesia"
# grep(pattern = "Lao", world$name)
world$name[122] <- "Laos"
# grep(pattern = "Korea", world$name)
world$name[177] <- "North Korea"
world$name[119] <- "South Korea"
# grep(pattern = "Macedonia", world$name)
world$name[142] <- "North Macedonia"
# grep(pattern = "São", world$name)
world$name[202] <- "São Tomé and Príncipe"
# grep(pattern = "Solomon", world$name)
world$name[194] <- "Solomon Islands"
# grep(pattern = "Sudan", world$name)
world$name[189] <- "South Sudan"
### Kiểm tra toàn bộ tên các quốc gia trong `data_5` đã nằm trong `world` chưa? Kết quả là character(0) là OK.
setdiff(data_5$country, world$name)## character(0)Merge toàn bộ data_5 vào trong
world để có thêm các cột liên quan đến sản lượng thực
phẩm.
names(data_5)[1] <- "name"
merge(world, data_5, by = "name", all = TRUE) -> world_productionVẽ đồ thị world map
Để xem hình độ phân giải cao, các bạn right-click vào hình, chọn Open image in new tab.
Sản lượng lúa gạo trên thế giới năm 2020
ggplot(data = world_production) +
geom_sf(aes(fill = rice_2020/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
option = "D",
trans = "sqrt",
direction = 1,
na.value = "grey90",
guide = "colourbar") +
ggtitle("Sản lượng lúa gạo trên thế giới năm 2020", subtitle = paste0("Nguồn: Wikipedia | Thực hiện: www.tuhocr.com")) +
theme(legend.position = "right") +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20))
Vẽ đồ thị South-East Asia map
Danh sách region
t(t(table(world_production$subregion)))##
## [,1]
## Antarctica 1
## Australia and New Zealand 4
## Caribbean 25
## Central America 8
## Central Asia 5
## Eastern Africa 19
## Eastern Asia 8
## Eastern Europe 10
## Melanesia 5
## Micronesia 7
## Middle Africa 9
## Northern Africa 7
## Northern America 5
## Northern Europe 15
## Polynesia 8
## Seven seas (open ocean) 5
## South-Eastern Asia 11
## South America 13
## Southern Africa 5
## Southern Asia 10
## Southern Europe 16
## Western Africa 17
## Western Asia 19
## Western Europe 9Tách dữ liệu theo region
south_asia <- subset(world_production, subregion == "South-Eastern Asia")ggplot(data = south_asia) +
geom_sf(aes(fill = rice_2020/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
option = "D",
trans = "sqrt",
direction = 1,
na.value = "grey90",
guide = "colourbar") +
ggtitle("Sản lượng lúa gạo trên thế giới năm 2020", subtitle = paste0("Nguồn: Wikipedia | Thực hiện: www.tuhocr.com")) +
theme(legend.position = "right") +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20))
# ggsave("img.png", height = 18, width = 30, units = 'in', dpi= 200, type = "cairo")Làm đồ thị SEA map đẹp hơn
Chuẩn bị dữ liệu
# library(dplyr)
south_asia <- world_production %>% filter(subregion == "South-Eastern Asia") %>%
select(name, subunit, geometry, rice_2020)
### tên quốc gia
library("sf")
world_points <- st_point_on_surface(world)
world_points <- cbind(world, st_coordinates(st_point_on_surface(world$geometry)))
world_points <- world_points %>% filter(subregion == "South-Eastern Asia")
## chỉnh vị trí tên quốc gia
world_points[9, "Y"] <- 16
world_points[11, "X"] <- 110
world_points[5, "Y"] <- 21
world_points[8, "Y"] <- 2
world_points[8, "X"] <- 107.5
world_points[10, "X"] <- 129
world_points[10, "Y"] <- -9.5
world_points[1, "Y"] <- 6
world_points[2, "X"] <- 109
world_points[2, "Y"] <- -4.5
world_points[7, "Y"] <- 12
# thailand <- subset(world_points, name == "Thailand")
# thailand$Y <- 15 Lấy dữ liệu lúa gạo của các quốc gia Đông Nam Á
print(south_asia[, c(1, 3)], n = 30)## Simple feature collection with 11 features and 2 fields
## Geometry type: MULTIPOLYGON
## Dimension: XY
## Bounding box: xmin: 92.17958984375 ymin: -10.90966796875 xmax: 140.976171875 ymax: 28.517041015625
## Geodetic CRS: +proj=longlat +datum=WGS84 +no_defs +ellps=WGS84 +towgs84=0,0,0
## name rice_2020 geometry
## 1 Brunei 2511 MULTIPOLYGON (((115.0267578...
## 2 Cambodia 10960000 MULTIPOLYGON (((103.3177734...
## 3 Indonesia 54649202 MULTIPOLYGON (((122.9489257...
## 4 Laos 3687336 MULTIPOLYGON (((102.1274414...
## 5 Malaysia 2321636 MULTIPOLYGON (((111.3892578...
## 6 Myanmar 25100000 MULTIPOLYGON (((98.18261718...
## 7 Philippines 19294856 MULTIPOLYGON (((120.2503906...
## 8 Singapore NA MULTIPOLYGON (((103.9697265...
## 9 Thailand 30231025 MULTIPOLYGON (((99.66308593...
## 10 Timor-Leste 69000 MULTIPOLYGON (((124.3193359...
## 11 Vietnam 42758897 MULTIPOLYGON (((106.6174804...rice_full_1 <- readRDS(file = "rice_full_1.rds")
unique(rice_full_1$area)## [1] "Afghanistan" "Albania" "Algeria" "Angola"
## [5] "Argentina" "Australia" "Azerbaijan" "Bangladesh"
## [9] "Belize" "Benin" "Bhutan" "Bolivia (Plurinational State of)"
## [13] "Brazil" "Brunei Darussalam" "Bulgaria" "Burkina Faso"
## [17] "Burundi" "Cambodia" "Cameroon" "Central African Republic"
## [21] "Chad" "Chile" "China, Hong Kong SAR" "China, Taiwan Province of"
## [25] "China, mainland" "Colombia" "Comoros" "Congo"
## [29] "Costa Rica" "Cuba" "Côte d'Ivoire" "Democratic People's Republic of Korea"
## [33] "Democratic Republic of the Congo" "Dominican Republic" "Ecuador" "Egypt"
## [37] "El Salvador" "Eswatini" "Ethiopia" "Fiji"
## [41] "France" "French Guyana" "Gabon" "Gambia"
## [45] "Ghana" "Greece" "Guatemala" "Guinea"
## [49] "Guinea-Bissau" "Guyana" "Haiti" "Honduras"
## [53] "Hungary" "India" "Indonesia" "Iran (Islamic Republic of)"
## [57] "Iraq" "Italy" "Jamaica" "Japan"
## [61] "Kazakhstan" "Kenya" "Kyrgyzstan" "Lao People's Democratic Republic"
## [65] "Liberia" "Madagascar" "Malawi" "Malaysia"
## [69] "Mali" "Mauritania" "Mauritius" "Mexico"
## [73] "Micronesia (Federated States of)" "Morocco" "Mozambique" "Myanmar"
## [77] "Nepal" "Nicaragua" "Niger" "Nigeria"
## [81] "North Macedonia" "Pakistan" "Panama" "Papua New Guinea"
## [85] "Paraguay" "Peru" "Philippines" "Portugal"
## [89] "Puerto Rico" "Republic of Korea" "Romania" "Russian Federation"
## [93] "Rwanda" "Réunion" "Saint Vincent and the Grenadines" "Saudi Arabia"
## [97] "Senegal" "Sierra Leone" "Solomon Islands" "Somalia"
## [101] "South Africa" "South Sudan" "Spain" "Sri Lanka"
## [105] "Sudan" "Sudan (former)" "Suriname" "Syrian Arab Republic"
## [109] "Tajikistan" "Thailand" "Timor-Leste" "Togo"
## [113] "Trinidad and Tobago" "Turkmenistan" "Türkiye" "USSR"
## [117] "Uganda" "Ukraine" "United Republic of Tanzania" "United States of America"
## [121] "Uruguay" "Uzbekistan" "Venezuela (Bolivarian Republic of)" "Viet Nam"
## [125] "Yugoslav SFR" "Zambia" "Zimbabwe"gsub(pattern = "Brunei Darussalam", replacement = "Brunei", rice_full_1$area, fixed = TRUE) -> rice_full_1$area
gsub(pattern = "Lao People's Democratic Republic", replacement = "Laos", rice_full_1$area, fixed = TRUE) -> rice_full_1$area
gsub(pattern = "Viet Nam", replacement = "Vietnam", rice_full_1$area, fixed = TRUE) -> rice_full_1$area
unique(rice_full_1$area)## [1] "Afghanistan" "Albania" "Algeria" "Angola"
## [5] "Argentina" "Australia" "Azerbaijan" "Bangladesh"
## [9] "Belize" "Benin" "Bhutan" "Bolivia (Plurinational State of)"
## [13] "Brazil" "Brunei" "Bulgaria" "Burkina Faso"
## [17] "Burundi" "Cambodia" "Cameroon" "Central African Republic"
## [21] "Chad" "Chile" "China, Hong Kong SAR" "China, Taiwan Province of"
## [25] "China, mainland" "Colombia" "Comoros" "Congo"
## [29] "Costa Rica" "Cuba" "Côte d'Ivoire" "Democratic People's Republic of Korea"
## [33] "Democratic Republic of the Congo" "Dominican Republic" "Ecuador" "Egypt"
## [37] "El Salvador" "Eswatini" "Ethiopia" "Fiji"
## [41] "France" "French Guyana" "Gabon" "Gambia"
## [45] "Ghana" "Greece" "Guatemala" "Guinea"
## [49] "Guinea-Bissau" "Guyana" "Haiti" "Honduras"
## [53] "Hungary" "India" "Indonesia" "Iran (Islamic Republic of)"
## [57] "Iraq" "Italy" "Jamaica" "Japan"
## [61] "Kazakhstan" "Kenya" "Kyrgyzstan" "Laos"
## [65] "Liberia" "Madagascar" "Malawi" "Malaysia"
## [69] "Mali" "Mauritania" "Mauritius" "Mexico"
## [73] "Micronesia (Federated States of)" "Morocco" "Mozambique" "Myanmar"
## [77] "Nepal" "Nicaragua" "Niger" "Nigeria"
## [81] "North Macedonia" "Pakistan" "Panama" "Papua New Guinea"
## [85] "Paraguay" "Peru" "Philippines" "Portugal"
## [89] "Puerto Rico" "Republic of Korea" "Romania" "Russian Federation"
## [93] "Rwanda" "Réunion" "Saint Vincent and the Grenadines" "Saudi Arabia"
## [97] "Senegal" "Sierra Leone" "Solomon Islands" "Somalia"
## [101] "South Africa" "South Sudan" "Spain" "Sri Lanka"
## [105] "Sudan" "Sudan (former)" "Suriname" "Syrian Arab Republic"
## [109] "Tajikistan" "Thailand" "Timor-Leste" "Togo"
## [113] "Trinidad and Tobago" "Turkmenistan" "Türkiye" "USSR"
## [117] "Uganda" "Ukraine" "United Republic of Tanzania" "United States of America"
## [121] "Uruguay" "Uzbekistan" "Venezuela (Bolivarian Republic of)" "Vietnam"
## [125] "Yugoslav SFR" "Zambia" "Zimbabwe"######### rice in SEA
sea_rice_data <- rice_full_1 |> subset(area == "Brunei" |
area == "Cambodia" |
area == "Indonesia" |
area == "Laos" |
area == "Malaysia" |
area == "Myanmar" |
area == "Philippines" |
area == "Thailand" |
area == "Timor-Leste" |
area == "Vietnam"
)
#####
sea_rice_data_2000 <- sea_rice_data |> subset(year == 2000)
singapore_2000 <- data.frame(area = "Singapore", item = "Rice", year = 2000,
value.production = NA,
value.area_harvested = NA)
sea_rice_data_2000 <- rbind(sea_rice_data_2000, singapore_2000)
sea_rice_data_2000 <- sea_rice_data_2000 |> dplyr::arrange(area)
row.names(sea_rice_data_2000) <- NULL
south_asia$rice_2000 <- sea_rice_data_2000$value.production
###############
sea_rice_data_2021 <- sea_rice_data |> subset(year == 2021)
singapore_2021 <- data.frame(area = "Singapore", item = "Rice", year = 2021,
value.production = NA,
value.area_harvested = NA)
sea_rice_data_2021 <- rbind(sea_rice_data_2021, singapore_2021)
sea_rice_data_2021 <- sea_rice_data_2021 |> dplyr::arrange(area)
row.names(sea_rice_data_2021) <- NULL
south_asia$rice_2021 <- sea_rice_data_2021$value.production# extracting the capitals of SE Asia
capital <- maps::world.cities %>%
filter(country.etc %in% south_asia$subunit, capital == 1)
# convert capital to sf object
capital <- st_as_sf(capital, coords = c("long", "lat"), crs = 4326)ggplot(data = world_production) +
geom_sf() +
geom_sf(data = south_asia, aes(fill = rice_2000/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_distiller(palette = "YlGn", direction = 1,
name = "Đơn vị (nghìn tấn)",
na.value = "grey90",
guide = "colourbar") +
# scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
# option = "plasma",
# trans = "sqrt",
# direction = 1,
# na.value = "grey90",
# guide = "colourbar") +
ggtitle("Sản lượng lúa gạo khu vực Đông Nam Á vào năm 2000", subtitle = paste0("Nguồn: FAOSTAT | Thực hiện: Duc Nguyen | tuhocr.com")) +
theme(legend.position = "right") +
theme(plot.title = element_text(face = "bold", colour = "darkgreen"),
plot.subtitle = element_text(face = "bold", colour = "blue")) +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20)) +
# adding capital cities as points
geom_sf(data = capital, size = 1, color = "red") +
geom_text(data = world_points, aes(x = X, y = Y, label = name),
color = "darkblue", fontface = "bold", check_overlap = FALSE) +
# setting the limits for South East Asia region
coord_sf(xlim = c(88.594382881345, 152.93774260658),
ylim = c(31.29186472309,-12.375471986864), expand = FALSE) +
# adding scale and compass
annotation_scale(location = "tr", pad_x = unit(0.5, "cm"), pad_y = unit(0.5, "cm")) +
# scalebar(data = south_asia, location = "topleft", dist = 500,
# dist_unit = "km", transform = TRUE, model = "International") +
# annotation_north_arrow(location = "tr", which_north = "true",
# pad_x = unit(0.3, "in"), pad_y = unit(0.5, "in"),
# style = north_arrow_fancy_orienteering) +
ggspatial::annotation_north_arrow(
location = "tr", which_north = "true",
pad_x = unit(0.4, "in"), pad_y = unit(0.4, "in"),
style = ggspatial::north_arrow_nautical(
fill = c("grey40", "white"),
line_col = "grey20",
text_family = "ArcherPro Book"
)) +
annotate(geom = "text", x = 113.5, y = 12, label = "South East \nAsian Sea",
fontface = "italic", color = "grey22", size = 4) +
# adding color the waters and other aesthetics
theme(panel.background = element_rect(fill = "aliceblue"))
library(png) ## dùng đề chèn file ảnh
library(grid) ## canh chỉnh vị trí ảnh
logor <- readPNG("logo-blue.png")
grid.raster(logor, x = 0.91, y = 0.89, width = 0.1)
ggplot(data = world_production) +
geom_sf() +
geom_sf(data = south_asia, aes(fill = rice_2021/1000)) +
xlab("Longitude") + ylab("Latitude") +
scale_fill_distiller(palette = "YlGn", direction = 1,
name = "Đơn vị (nghìn tấn)",
na.value = "grey90",
guide = "colourbar") +
# scale_fill_viridis_c(name = "Đơn vị (nghìn tấn)",
# option = "plasma",
# trans = "sqrt",
# direction = 1,
# na.value = "grey90",
# guide = "colourbar") +
ggtitle("Sản lượng lúa gạo khu vực Đông Nam Á vào năm 2021", subtitle = paste0("Nguồn: FAOSTAT | Thực hiện: Duc Nguyen | tuhocr.com")) +
theme(legend.position = "right") +
theme(plot.title = element_text(face = "bold", colour = "red"),
plot.subtitle = element_text(face = "bold", colour = "blue")) +
guides(fill = guide_colourbar(barwidth = 1, barheight = 20)) +
# adding capital cities as points
geom_sf(data = capital, size = 1, color = "red") +
geom_text(data = world_points, aes(x = X, y = Y, label = name),
color = "darkblue", fontface = "bold", check_overlap = FALSE) +
# setting the limits for South East Asia region
coord_sf(xlim = c(88.594382881345, 152.93774260658),
ylim = c(31.29186472309,-12.375471986864), expand = FALSE) +
# adding scale and compass
annotation_scale(location = "tr", pad_x = unit(0.5, "cm"), pad_y = unit(0.5, "cm")) +
# scalebar(data = south_asia, location = "topleft", dist = 500,
# dist_unit = "km", transform = TRUE, model = "International") +
# annotation_north_arrow(location = "tr", which_north = "true",
# pad_x = unit(0.3, "in"), pad_y = unit(0.5, "in"),
# style = north_arrow_fancy_orienteering) +
ggspatial::annotation_north_arrow(
location = "tr", which_north = "true",
pad_x = unit(0.4, "in"), pad_y = unit(0.4, "in"),
style = ggspatial::north_arrow_nautical(
fill = c("grey40", "white"),
line_col = "grey20",
text_family = "ArcherPro Book"
)) +
annotate(geom = "text", x = 113.5, y = 12, label = "South East \nAsian Sea",
fontface = "italic", color = "grey22", size = 4) +
# adding color the waters and other aesthetics
theme(panel.background = element_rect(fill = "aliceblue"))
library(png) ## dùng đề chèn file ảnh
library(grid) ## canh chỉnh vị trí ảnh
logor <- readPNG("logo-blue.png")
grid.raster(logor, x = 0.91, y = 0.89, width = 0.1)
Các bạn cũng có thể đối chiếu kết quả này với các đồ thị world map từ
https://www.visualcapitalist.com/cp/mapped-food-production-around-the-world/https://www.fao.org/faostat/en/#data
Tài liệu tham khảo
http://aejaffe.com/summerR_2015/modules/mapping_module.htmlhttps://blog.rwhitedwarf.com/post/map_any_region_with_ggplot2_part_ii/https://medium.com/geekculture/how-to-map-data-with-r-8333110dff5bhttps://r-spatial.org/r/2018/10/25/ggplot2-sf.html
Sơ kết
Trên đây là hướng dẫn vẽ heatmap theo khu vực địa lý. Để học R bài bản từ A đến Z, thân mời Bạn tham gia khóa học “HDSD R để xử lý dữ liệu” để có nền tảng vững chắc về R nhằm tự tay làm các câu chuyện dữ liệu của riêng mình!
ĐĂNG KÝ NGAY:
https://www.tuhocr.com/register
Hướng dẫn cài đặt package tuhocr
https://tuhocr.github.io/
