12  Operaciones con datos de atributos

12.1 Resumen

Se les llama atributos a los elementos de datos no espaciales o geométricos de un conjunto de datos geoespaciales. Estos datos pueden ser de tipos numéricos o textuales, entre otros. Un conjunto de datos vectoriales puede tener asociados varios campos de atributos, mientras que un conjunto de datos raster tiene solamente uno.

Las operaciones con atributos en datos vectoriales incluyen creación de subconjuntos, agregación y unión (join). Estas operaciones pueden ejecutarse con funciones del paquete base de R o con las de paquetes de Tidyverse, como dplyr. Por su parte, las operaciones con atributos en datos raster incluyen creación de subconjuntos y resumen de información.

12.2 Trabajo previo

12.2.1 Lecturas

Lovelace, R., Nowosad, J., & Münchow, J. (2019). Geocomputation with R (capítulo 3). CRC Press. https://geocompr.robinlovelace.net/

12.3 Carga de bibliotecas

# Cargar bibliotecas
library(tidyverse)
library(DT)
library(sf)
library(terra)
library(tmap)

12.4 Carga de datos

12.4.1 Cantones de Costa Rica

Este archivo proviene de un geoservicio de tipo Web Feature Service (WFS) publicado por el Instituto Geográfico Nacional (IGN). Se utiliza una versión del año 2020 (con 82 cantones), debido a que esa es la que corresponde a los datos de COVID-19 que publicó el Ministerio de Salud durante la pandemia.

Archivo GPKG de cantones de Costa Rica (del año 2020 y con geometrías simplificadas)

# Cargar datos de cantones de Costa Rica
cantones <- st_read(
  "https://github.com/gf0604-procesamientodatosgeograficos/2025-i/raw/refs/heads/main/datos/ign/cantones-2020-simplificados.gpkg",
  quiet = TRUE
)
Código para generar el mapa y la tabla 
# Mapa interactivo de cantones

# Activar el modo interactivo
tmap_mode("view")

# Definir el mapa
mapa_cantones <-
  tm_basemap("OpenStreetMap.Mapnik") +            # capa base OSM
  tm_basemap("OpenTopoMap") +                     # capa base OpenTopoMap 
  tm_view(set.view = c(
    lon = -84.19452,
    lat =  9.572735,
    zoom = 7
  )) +                                            # centro y zoom
  tm_shape(cantones, name = "Cantones") +         # capa de cantones
    tm_fill(
      # relleno transparente
      col = NA,
      alpha = 0,
      id = "canton",                              # texto que se ve al pasar el ratón
      popup.vars = c(# ventana emergente
        "Código de cantón" = "cod_canton", "Cantón" = "canton")
    ) +
    tm_borders(col = "black", lwd = 1) +          # contorno negro, grosor 1
    tm_scale_bar(position = c("left", "bottom"))  # barra de escala
  
# Mostrar el mapa
mapa_cantones
# Tabla interactiva de cantones

# Definir y mostrar tabla
cantones |>
  st_drop_geometry() |>                  # remover columna de geometrías
  dplyr::select(cod_canton, canton) |>   # seleccionar columnas
  arrange(cod_canton) |>                 # ordenar filas
  datatable(                             # crear tabla
    rownames = FALSE,                      # omitir identificadores de filas
    options = list(                 
      dom = 'ft',                          # configuración de la interfaz
      pageLength = 8,                      # cantidad de filas por página
      language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json')
    )    
  )

Mapa y tabla de cantones de Costa Rica

12.4.2 Casos positivos de COVID-19 en cantones de Costa Rica

Estos datos fueron publicados por el Ministerio de Salud de Costa Rica en https://geovision.uned.ac.cr/oges/ (a la fecha de escritura de este documento, el enlace no está funcionando). Se distribuyen en archivos CSV, incluyendo un archivo de datos generales para todo el país y varios archivos con datos por cantón. La fecha de la última actualización es 2022-05-30.

Archivo CSV de casos positivos de COVID-19 en cantones de Costa Rica

El archivo contiene una columna por cada fecha en la que se tomaron datos en el nivel de cantón. En este caso, Se carga solamente la columna de la última fecha (2022-05-30).

# Cargar datos de casos positivos de COVID-19 en cantones
covid_positivos_cantones <-
  read_delim(
    "https://github.com/gf0604-procesamientodatosgeograficos/2025-i/raw/refs/heads/main/datos/ministerio-salud/05_30_22_CSV_POSITIVOS.csv",
    delim = ";",
    locale = locale(encoding = "WINDOWS-1252"), # para desplegar correctamente acentos y otros caracteres
    col_select = c("cod_provin", "provincia", "cod_canton", "canton", "30/05/2022") # 30/05/2022 contiene los datos para la última fecha disponible
)

# Remover la fila con canton == "Otros"
covid_positivos_cantones <-
  covid_positivos_cantones |>
  filter(canton != "Otros")

# Cambiar nombres de columnas
covid_positivos_cantones <-
  covid_positivos_cantones |>
  rename(positivos_20220530 = '30/05/2022')
Código 
# Tabla DT de casos positivos de COVID-19 en cantones
covid_positivos_cantones |>
  arrange(cod_canton) |>
  datatable(
    rownames = FALSE,
    options = list(
      pageLength = 7,
      language = list(url = '//cdn.datatables.net/plug-ins/1.10.11/i18n/Spanish.json')
    )    
  )

Tabla de casos positivos de COVID-19 en cantones de Costa Rica

12.5 Introducción

Se les llama atributos a los elementos de datos no espaciales o geométricos de un conjunto de datos geográficos. Estos datos pueden ser de tipos numéricos o textuales, entre otros. Un conjunto de datos vectoriales puede tener asociados varios campos de atributos, mientras que un conjunto de datos raster tiene solamente uno.

12.6 Datos vectoriales

Las operaciones con atributos en datos vectoriales incluyen:

  • Creación de subconjuntos (subsetting).
  • Agregación (aggregation).
  • Unión (joining).

Seguidamente, se explica como maneja estas operaciones el paquete sf.

12.6.1 Manejo de datos de atributos con el paquete sf

Como se mencionó en capítulos anteriores, el paquete sf define una clase, llamada sf, la cual extiende la clase data.frame del paquete base de R. Los objetos de la clase sf tienen una fila (o feature) por cada observación y una columna por cada atributo. También tienen una columna especial para almacenar las geometrías (puntos, líneas, polígonos, etc.), la cual generalmente se denomina geometry o geom (pero puede tener cualquier otro nombre). Esto permite que sf utilice métodos (i.e. funciones) de la clase data.frame, tales como plot() y summary(), entre otros.

Además de data.frame, sf es compatible con la clase tibble, la cual también puede manipularse mediante los métodos de dplyr. Esto permite un manejo tidy (i.e. ordenado, organizado) de los datos geoespaciales, de acuerdo con el enfoque de Tidyverse.

En la secciones siguientes, se explicará el manejo de datos de atributos en conjuntos de datos geoespaciales, mediante Tidyverse.

12.6.1.1 El método st_drop_geometry()

st_drop_geometry() es un método que remueve las geometrías de un objeto sf. Esto puede ser útil cuando se desea operar solamente con las variables no espaciales.

# Desplegar datos de cantones, incluyendo las geometrías
# (este es el funcionamiento por defecto)
cantones |>
  dplyr::select(canton, area) |>
  filter(area >= 2000)
Simple feature collection with 5 features and 2 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -84.86235 ymin: 8.775055 xmax: -82.55287 ymax: 10.99578
Geodetic CRS:  WGS 84
        canton    area                           geom
1 Buenos Aires 2382.94 MULTIPOLYGON (((-83.32144 9...
2    Talamanca 2792.23 MULTIPOLYGON (((-82.89498 9...
3       Pococí 2408.76 MULTIPOLYGON (((-83.6793 10...
4   San Carlos 3352.31 MULTIPOLYGON (((-84.37648 1...
5    Sarapiquí 2144.38 MULTIPOLYGON (((-84.16126 1...
# Desplegar datos de cantones, removiendo las geometrías con st_drop_geometry()
cantones |>
  st_drop_geometry() |>
  dplyr::select(canton, area) |>
  filter(area >= 2000)
        canton    area
1 Buenos Aires 2382.94
2    Talamanca 2792.23
3       Pococí 2408.76
4   San Carlos 3352.31
5    Sarapiquí 2144.38

Como puede verse, la columna de geometrías se incluye como resultado de cualquier operación, a menos que se remueva explícitamente.

12.6.1.2 Creación de subconjuntos (filtrado)

Frecuentemente, es necesario extrer subconjuntos del conjunto de datos original, para facilidad de manejo y para atender requerimientos específicos de un análisis.

El paquete dplyr permite crear flujos de trabajo intuitivos y rápidos. Esto es útil, por ejemplo, cuando se trabaja con conjuntos de datos grandes (big data) y cuando se necesita integración con bases de datos. Los principales métodos de dplyr para creación de subconjuntos son select(), slice() y filter().

12.6.1.2.1 El método select()

select() permite seleccionar y renombrar columnas de un conjunto de datos.

# Seleccionar las columnas canton, area (renombrada a area_km2) y provincia
cantones |>
  head(10) |>           # mostrar solo las 10 primeras filas
  st_drop_geometry() |> # remover la columna de geometrías
  dplyr::select(canton, area_km2 = area, provincia)
          canton area_km2  provincia
1     Corredores   623.61 Puntarenas
2        Golfito  1753.42 Puntarenas
3      Coto Brus   944.24 Puntarenas
4            Osa  1932.03 Puntarenas
5   Buenos Aires  2382.94 Puntarenas
6  Pérez Zeledón  1901.08   San José
7         Quepos   557.85 Puntarenas
8      Talamanca  2792.23      Limón
9        Parrita   483.22 Puntarenas
10       Tarrazú   291.27   San José
12.6.1.2.2 El método slice()

slice() crea un subconjunto con base en las posiciones de las filas.

# Crear un subconjunto de las filas entre la 1 y la 10
# del conjunto de datos de COVID-19
covid_positivos_cantones |>
  slice(1:10)
# A tibble: 10 × 5
   cod_provin provincia cod_canton canton             positivos_20220530
        <dbl> <chr>          <dbl> <chr>                           <dbl>
 1          1 San José         112 Acosta                           4104
 2          1 San José         110 Alajuelita                      18973
 3          1 San José         106 Aserrí                          10880
 4          1 San José         118 Curridabat                      14518
 5          1 San José         103 Desamparados                    43283
 6          1 San José         117 Dota                              834
 7          1 San José         102 Escazú                          15134
 8          1 San José         108 Goicoechea                      25497
 9          1 San José         120 León Cortés Castro               1339
10          1 San José         115 Montes de Oca                    9987
12.6.1.2.3 El método filter()

filter() filtra filas que cumplen una expresión lógica.

# Filtrar cantones de la provincia de Heredia
cantones |>
  st_drop_geometry() |>
  dplyr::select(provincia, canton) |>
  filter(provincia == "Heredia")
   provincia        canton
1    Heredia Santo Domingo
2    Heredia         Belén
3    Heredia     San Pablo
4    Heredia       Heredia
5    Heredia        Flores
6    Heredia    San Rafael
7    Heredia         Barva
8    Heredia    San Isidro
9    Heredia Santa Bárbara
10   Heredia     Sarapiquí

12.6.1.3 Agregación

Las operaciones de agregación realizan cálculos (ej. sumas, promedios, mínimos, máximos) a partir de la agrupaciones de datos. En Tidyverse y dplyr, las agregaciones de datos se realizan con las funciones group_by() y summarize().

12.6.1.3.1 Las funciones group_by() y summarize()

group_by() crea grupos de filas de un conjunto de datos, de acuerdo con los valores de una o varias columnas. summarize() crea columnas adicionales con cálculos para cada grupo, tales como promedios, sumas, mínimos, máximos y otros. Si summarize() se ejecuta sin group_by(), crea una única fila para todo el conjunto de datos.

Por ejemplo, en un conjunto de datos de ventas de una cadena de tiendas, se podría usar group_by() para hacer un grupo por cada ciudad en la que una o varias tiendas. Luego con summarize(), se podría crear una columna con el total de ventas para cada ciudad (i.e. para cada grupo).

Agrupación y sumarización

# Sumar áreas de cantones por provincia
cantones |>
  st_drop_geometry() |>
  group_by(provincia) |>
  summarize(area_km2 = sum(area, na.rm = TRUE))
# A tibble: 7 × 2
  provincia  area_km2
  <chr>         <dbl>
1 Alajuela      9772.
2 Cartago       3093.
3 Guanacaste   10190.
4 Heredia       2663.
5 Limón         9177.
6 Puntarenas   11299.
7 San José      4970.
# Sumar áreas de todos los cantones
cantones |>
  st_drop_geometry() |>
  summarize(area_km2 = sum(area, na.rm = TRUE))
  area_km2
1    51164
# Sumar áreas y contar cantones de las 3 provincias más grandes
cantones |>
  st_drop_geometry() |>
  dplyr::select(area, provincia) |>
  group_by(provincia) %>%
  summarize(
    area = sum(area, na.rm = TRUE),
    cantidad_cantones = n()
  ) |>
  arrange(desc(area)) |> # orden descendente por área
  top_n(n = 3, wt = area) # se separan los primeros 3
# A tibble: 3 × 3
  provincia    area cantidad_cantones
  <chr>       <dbl>             <int>
1 Puntarenas 11299.                11
2 Guanacaste 10190.                11
3 Alajuela    9772.                16
# Sumar casos positivos de COVID-19 por provincia
covid_positivos_cantones |>
  group_by(provincia) |>
  summarize(positivos_20220530 = sum(positivos_20220530, na.rm = TRUE))
# A tibble: 7 × 2
  provincia  positivos_20220530
  <chr>                   <dbl>
1 Alajuela               179754
2 Cartago                 92933
3 Guanacaste              61470
4 Heredia                100766
5 Limón                   66752
6 Puntarenas              86938
7 San José               315969

12.6.1.4 Unión (join)

La unión (en inglés, join) de datos ubicados en diferentes fuentes (ej. archivos) es una tarea común en análisis de información. Este tipo de operaciones se realizan con base en columnas que son comunes en los conjuntos de datos que se desea unir.

El paquete dplyr implementa varios tipos de uniones, los cuales se ilustran en la Figura 12.1.

Figura 12.1: Tipos de uniones (join) de datos. Imagen de hostingplus.

Los métodos que implementan las uniones son:

  • left_join(): mantiene todas las filas del conjunto de datos del lado izquierdo y les agrega las columnas del conjunto de datos del lado derecho, en las filas en las que hay coincidencia.
  • inner_join(): incluye las filas que coinciden en ambos conjuntos de datos.
  • right_join(): mantiene todas las filas del conjunto de datos del lado derecho y agrega las columnas del conjunto de datos del lado izquierdo, en las filas en las que hay coincidencia.
  • full_join(): incluye todas las filas de ambos conjuntos de datos.

Todos los tipos de joins requieren de una o varias columnas que sean comunes a ambos conjuntos de datos, llamadas llaves de unión o join keys, en inglés. Esas columnas se especifican con el argumento by. Por ejemplo, by = codigo, si la columna común se llama codigo en ambos conjuntos de datos. Si tienen diferentes nombres, se utiliza un vector (ej. by = c("codigo_1" = "codigo_2"), en donde codigo_1 es el nombre de la columna en el conjunto de datos de la izquierda y codigo_2 en el de la derecha. Si hay columnas con nombres iguales en ambos conjuntos de datos, by utiliza esos nombres por defecto.

12.6.1.4.1 Ejemplo: unión de los datos geoespaciales de cantones con los datos tabulares de COVID-19

Se desea crear un mapa de coropletas de los cantones de Costa Rica, coloreado de acuerdo con la cantidad de casos positivos de COVID-19 acumulados al 2022-05-30. Para esto se necesita unir, a través de (por ejemplo) un left join, el conjunto de datos cantones (con las geometrías y otros datos de los cantones) con el conjunto de datos de covid_positivos_cantones (con la cantidad de casos positivos para cada cantón). Para ambas tablas, la llave de unión es un campo llamado cod_canton, que contiene el código de cantón asignado por el IGN. Se utiliza un left join porque se desea incluir en la unión todos las filas del conjunto de datos de cantones, ya sea que tengan o no tengan datos de COVID-19 asociados.

El siguiente bloque de código realiza el left join y almacena el resultado en un objeto sf llamado cantones_union_covid, el cual se usa como fuente de datos para generar el mapa de coropletas.

# Unir cantones con datos de COVID 19
cantones_union_covid <-
  cantones |>
  left_join(
    dplyr::select(covid_positivos_cantones, cod_canton, positivos_20220530), # este select() es para no llevar columnas innecesarias a la unión
    by = "cod_canton" # llave para realizar la unión
  )
Código para generar el mapa 
# Mapa interactivo de casos positivos de COVID 19 en cantones

# Activar el modo interactivo
tmap_mode("view")

# Definir el mapa
mapa_cantones_covid <-
  tm_basemap("OpenStreetMap.Mapnik") +
  tm_view(set.view = c(
    lon = -84.19452,
    lat =  9.572735,
    zoom = 7
  )) +
  tm_shape(cantones_union_covid, name = "Casos positivos de COVID") +
    tm_fill(
      fill = "positivos_20220530",
      fill.scale = tm_scale_intervals(
      style  = "quantile",
      values = "Reds"
    ),
    fill.legend = tm_legend(title = "Cantidad de casos"),
    id = "canton",
    popup.vars  = c(
      "Cantón" = "canton",
      "Casos" = "positivos_20220530"
    )
  ) +
  tm_borders(col = "black", lwd = 0.5) +
  tm_scale_bar(position = c("left", "bottom"))


# Mostrar el mapa
mapa_cantones_covid

12.6.2 Ejercicios

  1. Cree un mapa leaflet de coropletas de las provincias de Costa Rica, coloreado de acuerdo con la cantidad de casos positivos de COVID-19 acumulados al 2022-05-30. Se sugiere seguir los siguientes pasos:
  1. Cree un data frame con la suma, por provincia, de casos positivos de cantones (para realizar la agrupación, use el código de la provincia, no el nombre).
  2. Con un left join, una la capa de provincias (del año 2020) y el dataframe que creó en el punto a.
  3. Genere el mapa leaflet de coropletas con el objeto sf que creó en el punto b.

12.7 Datos raster

Las operaciones con atributos en datos raster incluyen:

  • Creación de subconjuntos (subsetting).
  • Resumen de información (summarizing).

Seguidamente, se explicará como maneja estas operaciones el paquete terra.

12.7.1 Manejo de datos de atributos con el paquete terra

Para ejemplificar las operaciones, se utilizarán datos de temperatura de WorldClim para Costa Rica.

# Cargar datos de temperatura
temperatura <- rast(
  "https://github.com/gf0604-procesamientodatosgeograficos/2025-i/raw/refs/heads/main/datos/worldclim/temperatura.tif"
)
Código para generar el mapa 
# Especificar el modo interactivo
tmap_mode("view")

# Definir el mapa
mapa_temperatura <-
  tm_view(set.view = c(
    lon = -84.19452,
    lat =  9.572735,
    zoom = 7
  )) +
  tm_shape(temperatura, name = "Temperatura") +
  tm_raster(
    palette = c("lightblue", "brown", "orange", "red"), 
    title = "Temperatura (°C)"
  ) +
  tm_scalebar(position = c("left", "bottom"))

# Mostrar el mapa
mapa_temperatura

12.7.1.1 Resumen y sumarización de información

La escritura del nombre de un objeto SpatRaster en la consola imprime información general sobre ese objeto. La función summary() proporciona algunas estadísticas descriptivas (mínimo, máximo, cuartiles, etc.).

# Desplegar información general
temperatura
class       : SpatRaster 
dimensions  : 686, 545, 1  (nrow, ncol, nlyr)
resolution  : 0.008333333, 0.008333333  (x, y)
extent      : -87.1, -82.55833, 5.5, 11.21667  (xmin, xmax, ymin, ymax)
coord. ref. : lon/lat WGS 84 (EPSG:4326) 
source      : temperatura.tif 
name        : temperatura 
# Desplegar resumen
summary(temperatura)
  temperatura   
 Min.   : 6.09  
 1st Qu.:22.00  
 Median :25.38  
 Mean   :23.59  
 3rd Qu.:26.21  
 Max.   :27.76  
 NA's   :83880

Las estadísticas pueden ser visualizadas con funciones como hist() y density().

# Desplegar histograma
hist(temperatura)

# Desplegar gráfico de densidad
density(temperatura)