Introducción
El paquete {ggplot2} 📦
Wickham (2016)
Iannone, Cheng, and Schloerke (2021)
En este post se muestran los pasos para generar la siguiente tabla:
Show code
knitr::include_graphics('tabla_subtes.png')
The grammar of tables se basa en la siguiente estructura:
Show code
knitr::include_graphics('images/gt_workflow_diagram.svg')
Figure 1: Workflow con tablas gt, fuente: https://gt.rstudio.com
En donde las tablas tienen un formato específico, generado mediante capas:
Show code
knitr::include_graphics('images/gt_parts_of_a_table.svg')
Figure 2: Estructura de tablas gt, fuente: https://gt.rstudio.com
1️⃣ Librerías
Se cargan las librerías a utilizar. Principalmente se utilizarán {ggplot2}, incluida en el ecosistema Tidyverse
Wickham et al. (2019)
Show code
library(tidyverse) # Manipulación de datos
library(lubridate) # Manipulación de fechas
library(circular) # Datos periódicos
library(gt) # Tablas
library(gtExtras) # Extras de tablas gt
library(gtsummary) # Tablas resúmen
library(reshape) # Untable
library(sf) # Trabajar con mapas
library(stringr)
conflicted::conflict_prefer("filter", "dplyr")
conflicted::conflict_prefer("select", "dplyr")
options(scipen=999)2️⃣ Datos
Se importan los datos de viajes en subte de la Ciudad Autónoma de Buenos Aires, en Noviembre 2021.
Show code
base_url = 'https://cdn.buenosaires.gob.ar/datosabiertos/datasets/sbase/subte-viajes-molinetes/'
mes_url = 'molinetes_112021.csv'
df <- read_delim(
paste0(base_url, mes_url),
delim = ';',
col_types = cols(FECHA = col_date("%d/%m/%Y"))
) %>%
# Limpieza de los nombres de las columnas
janitor::clean_names() %>%
# Existen algunos datos sin fecha
filter(!is.na(fecha)) %>%
# Hora en formato correcto
mutate(hora = hour(desde)) %>%
# Se asigna el color correspondiente a cada línea
mutate(
linea=str_replace(linea, 'Linea',''),
color = case_when(
linea == 'A' ~ '#18cccc',
linea == 'B' ~ '#eb0909',
linea == 'C' ~ '#233aa8',
linea == 'D' ~ '#02db2e',
linea == 'E' ~ '#c618cc',
linea == 'H' ~ '#ffdd00',
TRUE ~ 'black'
)
) %>%
# Selección de variables relevantes
select(linea, color, fecha, desde, hasta, hora, linea, molinete, estacion,
pax_pagos, pax_pases_pagos, pax_franq, pax_total)Se obtienen los datos del mes anterior para generar comparaciones:
Show code
mes_url = 'molinetes_102021.csv'
df_oct <- read_delim(
paste0(base_url, mes_url),
delim = ';',
col_types = cols(FECHA = col_date("%d/%m/%Y"))
) %>%
# Limpieza de los nombres de las columnas
janitor::clean_names() %>%
# Existen algunos datos sin fecha
filter(!is.na(fecha)) %>%
# Hora en formato correcto
mutate(hora = hour(desde)) %>%
# Se asigna el color correspondiente a cada línea
mutate(linea=str_replace(linea, 'Linea',''))3️⃣ Análisis exploratorio de los datos
Show code
df %>% select(-color) %>%
head(5) %>%
gt() %>%
tab_header(title=md('**Formato de los datos (primeras 5 filas)**'),
subtitle='Cantidad de pasajeros por molinete
y por estación de todas las estaciones de la
red de subte, Noviembre 2021') %>%
opt_align_table_header('left') %>%
tab_footnote(locations=cells_column_labels(columns=molinete),
'Se ignorará el molinete específico y se considerarán
los datos agregados a nivel estación')| Formato de los datos (primeras 5 filas) | ||||||||||
| Cantidad de pasajeros por molinete y por estación de todas las estaciones de la red de subte, Noviembre 2021 | ||||||||||
| linea | fecha | desde | hasta | hora | molinete1 | estacion | pax_pagos | pax_pases_pagos | pax_franq | pax_total |
|---|---|---|---|---|---|---|---|---|---|---|
| C | 2021-11-01 | 05:30:00 | 05:45:00 | 5 | LineaC_Indepen_Turn03 | Independencia | 0 | 0 | 2 | 2 |
| A | 2021-11-01 | 05:30:00 | 05:45:00 | 5 | LineaA_Pasco_Turn03 | Pasco | 1 | 0 | 0 | 1 |
| B | 2021-11-01 | 05:30:00 | 05:45:00 | 5 | LineaB_Malabia_N_Turn05 | Malabia | 0 | 0 | 1 | 1 |
| B | 2021-11-01 | 05:30:00 | 05:45:00 | 5 | LineaB_Gallardo_S_Turn02 | Angel Gallardo | 1 | 0 | 0 | 1 |
| A | 2021-11-01 | 05:30:00 | 05:45:00 | 5 | LineaA_Congreso_S_Turn03 | Congreso | 0 | 0 | 1 | 1 |
| 1 Se ignorará el molinete específico y se considerarán los datos agregados a nivel estación | ||||||||||
Se observa la distribución de pasajeros por hora. La cantidad total de pasajeros difiere entre líneas.
Show code
df %>%
group_by(linea, color, hora) %>%
summarise(pax_total=sum(pax_total)) %>%
ungroup() %>%
ggplot(aes(x=hora, y=pax_total, fill=color))+
geom_col(color='white')+
scale_fill_identity()+
facet_wrap(~linea)+
scale_y_continuous(labels = scales::label_number(suffix = "k",
scale = 1e-3,
big.mark = ","))+
theme_bw()+
labs(x='Hora', y='Pasajeros totales',
title='Cantidad de pasarjeros por hora por línea',
subtitle='Noviembre 2021',
caption='Fuente: Elaboración propia en base a datos del portal de datos abiertos de la Ciudad de Buenos Aires')
4️⃣ Transformaciones y gráficos
Se realizan algunas transformaciones y se generan las funciones que luego se utilizarán para generar gráficos a incorporar a una tabla.
4.1 Hora de uso de cada línea de subte
Función para obtener la hora promedio:
Show code
get_hour <- function(.linea, .df) {
temp <- .df %>%
filter(linea == .linea) %>%
select(hora, pax_total)
hora <- untable(temp, num = temp$pax_total) %>%
select(-pax_total) %>%
mutate(hora_circular = circular(hora,
template = "clock24",
units = "hours")) %>%
summarise(hora = mean(hora_circular)) %>%
pull(hora)
as.numeric(hora) %% 24
}Función para generar un gráfico circular de la cantidad de pasajeros por hora por línea de subte:
Show code
plot_clock <- function(.linea, .df, .color = 'black', .hora_promedio) {
temp <- data.frame(hora = seq(0, 23)) %>%
left_join(
.df %>%
filter(linea == .linea) %>%
group_by(hora) %>%
summarise(pax_total = sum(pax_total)) %>%
ungroup()
) %>%
mutate(color_hora = ifelse(hora == round(.hora_promedio), TRUE, FALSE)) %>%
mutate(pax_total = ifelse(is.na(pax_total), 0, pax_total))
temp %>%
ggplot(aes(x = hora, y = pax_total)) +
geom_col(color = 'white', fill = 'lightgrey') +
coord_polar(start = 0) +
geom_vline(xintercept = .hora_promedio,
color = .color,
size = 2) +
geom_label(
aes(
x = hora,
y = max(pax_total) + quantile(pax_total, 0.3),
color = color_hora,
label = hora
),
size = 6,
label.size = NA,
show.legend = FALSE
) +
scale_color_manual(values = c('black', .color)) +
scale_x_continuous(
"",
limits = c(0, 24),
breaks = seq(0, 24),
labels = seq(0, 24)
) +
scale_y_continuous(labels = scales::unit_format(unit = "K", scale = 1e-3)) +
labs(y = 'Pasajeros') +
theme_minimal() +
theme(text = element_text(size = 25, color = 'grey'),
axis.text.x = element_blank())
}Test de la función
Show code
plot_clock(.df=df, .linea='B', .color='red',
.hora_promedio=get_hour(.linea='B',.df=df))
4.2 Estación más utilizada por línea
Show code
4.3 Mapa de de estaciones y uso
Se cargan los datos del geojson de barrios de la Ciudad Autónoma de Buenos Aires:
Show code
# Mapa barrios CABA
caba <- st_read('http://cdn.buenosaires.gob.ar/datosabiertos/datasets/barrios/barrios.geojson', quiet = TRUE) %>%
mutate(barrio=str_to_title(BARRIO))
mapa <- ggplot()+
geom_sf(data = caba,
color = "grey",
fill = 'white',
size = 0.1,
show.legend = FALSE)+
theme_minimal()
mapa
Se incluyen los datos de latitud y longitud de cada estación:
Show code
estaciones_simple <- readr::read_csv('https://cdn.buenosaires.gob.ar/datosabiertos/datasets/sbase/subte-estaciones/estaciones-de-subte.csv') %>%
mutate(estacion = str_to_title(estacion)) %>%
mutate(estacion = iconv(estacion, from="UTF-8",to="ASCII//TRANSLIT")) %>%
select(linea, estacion, lat, long)
estaciones_accesibles <- readr::read_csv('https://cdn.buenosaires.gob.ar/datosabiertos/datasets/sbase/subte-estaciones/estaciones-accesibles.csv') %>%
mutate(estacion = str_to_title(estacion)) %>%
mutate(estacion = iconv(estacion, from="UTF-8",to="ASCII//TRANSLIT")) %>%
select(linea, estacion, lat, long)
estaciones <- estaciones_accesibles %>%
bind_rows(estaciones_simple) %>%
mutate(
estacion = case_when(
estacion == 'Saenz Pena' ~ 'Saenz Peña',
estacion == 'Humberto 1?' ~ 'Humberto I',
estacion == 'R.scalabrini Ortiz' ~ 'Scalabrini Ortiz',
estacion == 'Plaza De Los Virreyes - Eva Peron' ~ 'Pza. De Los Virreyes',
estacion == 'Aguero' ~ 'Agüero',
estacion == 'San Martin' ~ 'General San Martin',
str_detect(estacion, 'Carranza') ~ 'Ministro Carranza',
TRUE ~ estacion
)
)
estaciones <- estaciones[!duplicated(estaciones[, 1:2]), ]
df_pasajeros_estaciones <- df %>%
group_by(linea, color, estacion) %>%
summarise(pax_total = sum(pax_total)) %>%
mutate(estacion = str_trim(str_to_title(estacion))) %>%
mutate(
estacion = case_when(
estacion == 'Flores' ~ 'San Jose De Flores',
estacion == 'Saenz Peña ' ~ 'Saenz Peña',
estacion == 'Callao.b' ~ 'Callao',
estacion == 'Retiro E' ~ 'Retiro',
estacion == 'Independencia.h' ~ 'Independencia',
estacion == 'Pueyrredon.d' ~ 'Pueyrredon',
estacion == 'General Belgrano' ~ 'Belgrano',
estacion == 'Rosas' ~ 'Juan Manuel De Rosas',
estacion == 'Patricios' ~ 'Parque Patricios',
estacion == 'Mariano Moreno' ~ 'Moreno',
TRUE ~ estacion
)
) %>%
left_join(estaciones, by = c("linea" = "linea", "estacion" = "estacion"))Mapa de todas las estaciones juntas:
Show code
lbreaks <- round(quantile(df_pasajeros_estaciones$pax_total,
c(0,0.25,0.5,0.75,1)),2) %>%
as.numeric()
ggplot() +
geom_sf(data = caba,
color = "grey",
fill = 'white',
size = 0.1,
show.legend = FALSE)+
geom_point(data = df_pasajeros_estaciones,
aes(x = long, y = lat, size=pax_total, fill=linea),
alpha=0.7, color='black', shape=21)+
scale_size_continuous(breaks = lbreaks, range=c(1,10),
limits=c(min(df_pasajeros_estaciones$pax_total),
max(df_pasajeros_estaciones$pax_total)))+
scale_fill_manual(values=unique(df_pasajeros_estaciones$color %>% unique()))+
theme_void()+
theme(text = element_text(size = 12),
legend.position = 'right',
axis.text = element_blank(),
plot.margin = unit(c(0, 0, 0, 0), "null"))+
labs(x='',y='',size='Pasajeros', fill='Línea',
title='Cantidad de pasajeros totales por línea, por estación',
subtitle='Noviembre 2021')
Estaciones individuales para la tabla:
Show code
plot_mapa <- function(.df, .linea){
temp <- .df %>%
filter(linea==.linea) %>%
mutate(pax_percent = pax_total / sum(pax_total))
lbreaks <- round(quantile(temp$pax_percent, c(0,0.25,0.5,0.75,1)),2) %>%
as.numeric()
ggplot() +
geom_sf(data = caba,
color = "black",
fill = 'white',
size = 0.1,
show.legend = FALSE)+
geom_point(data = temp,
aes(x = long, y = lat, size=pax_percent), alpha=0.7,
fill = temp$color %>% unique(), color='black', shape=21)+
scale_size_continuous(breaks = lbreaks, range=c(1,10),
limits=c(min(temp$pax_percent),max(temp$pax_percent)),
labels = scales::percent(lbreaks, accuracy=0.1))+
theme_void()+
theme(text = element_text(size = 25),
legend.position = 'right',
axis.text = element_blank(),
plot.margin = unit(c(0, 0, 0, 0), "null"))+
labs(x='',y='',size='')
}5️⃣ Datos para la tabla
Cantidad de pasajeros por estación en Octubre 2021:
Show code
Se genera el tibble que contiene los datos para luego generar la tabla:
Show code
datos_tabla <- tibble(linea = sort(unique(df$linea))) %>%
# Recorridos
mutate(
recorrido = case_when(
linea == 'A' ~ 'Plaza de Mayo - San Pedrito',
linea == 'B' ~ 'J.M. Rosas - L.N. Alem',
linea == 'C' ~ 'Constitución - Retiro',
linea == 'D' ~ 'Congreso de Tucumán - Catedral',
linea == 'E' ~ 'Retiro - Plaza de los Virreyes',
linea == 'H' ~ 'Hospitales - Facultad de Derecho',
TRUE ~ 'black'
)
) %>%
# Colores
mutate(
color = case_when(
linea == 'A' ~ '#18cccc',
linea == 'B' ~ '#eb0909',
linea == 'C' ~ '#233aa8',
linea == 'D' ~ '#02db2e',
linea == 'E' ~ '#c618cc',
linea == 'H' ~ '#ffdd00',
TRUE ~ 'black'
)
) %>%
# Cantidad de viajes realizados en cada línea
left_join(df %>%
mutate(hora_grupo = cut(
hora,
breaks = 3,
labels = c('Mañana', 'Tarde', 'Noche')
)) %>%
group_by(linea, hora_grupo) %>%
summarise(pax_total = sum(pax_total)) %>%
group_by(linea) %>%
mutate(pax_percent = round(pax_total / sum(pax_total)*100)) %>%
group_by(linea) %>%
summarise(pasajeros_tipo = list(pax_percent))) %>%
left_join(df %>%
group_by(linea) %>%
summarise(pax_total = sum(pax_total))) %>%
left_join(df_pasajeros_mesprevio) %>%
mutate(variacion=(pax_total/pax_total_oct-1)) %>%
# Hora promedio por línea
mutate(hora_promedio = map(linea, ~get_hour(.linea=.x, .df=df))) %>%
mutate(hora_promedio = unlist(hora_promedio)) %>%
# Gráfico de cantidad de pasajeros por hora por línea
mutate(reloj_plot = pmap(
list(linea, color, hora_promedio),
~ plot_clock(
.linea = ..1,
.df = df,
.color = ..2,
.hora_promedio = ..3
)
)) %>%
# Gráfico de la evolución de cantidad de pasajeros por línea
mutate(
evolucion_plot = map2(
linea,
color,
~ df %>% filter(linea == .x) %>%
group_by(fecha) %>%
summarise(n = sum(pax_total)) %>%
ggplot(aes(x = fecha, y = n)) +
geom_line(color = 'grey', size = 2.5) +
geom_line(color = .y, size = 1.5) +
# scale_y_continuous(labels = scales::unit_format(unit = "K", scale = 1e-3)) +
theme_minimal() +
labs(x = '', y = 'Pasajeros') +
theme(
text = element_text(size = 30),
axis.title.y = element_text(color = 'grey'),
panel.grid = element_blank()
)
)
) %>%
mutate(linea_imagen = here::here('', paste0(
'_posts/tablas-subte/lineas/', tolower(linea), '.jpg'
))) %>%
# Mapa por línea:
mutate(mapa = map(linea, ~ plot_mapa(.df = df_pasajeros_estaciones,
.linea = .x))) %>%
# Estación más utilizada por línea
left_join(estacion_mas_usada %>% select(-pax_total))6️⃣ Generación de la tabla
Se utiliza el paquete {gt} para generar la tabla que contiene plots de {ggplot2}
tabla <- datos_tabla %>%
# Selección de variables relevantes y orden:
select(
linea,
linea_imagen,
recorrido,
estacion_mas_usada,
mapa,
pax_total,
variacion,
pasajeros_tipo,
reloj_plot,
evolucion_plot
) %>%
# Se genera la tabla
gt() De momento se centrará el análisis en las columnas con datos simples, sin considerar las que incluyen gráficos.
Show code
| linea | recorrido | estacion_mas_usada | pax_total | variacion |
|---|---|---|---|---|
| A | Plaza de Mayo - San Pedrito | San Pedrito | 2812536 | 0.14967023 |
| B | J.M. Rosas - L.N. Alem | Federico Lacroze | 3476972 | 0.12526534 |
| C | Constitución - Retiro | Constitucion | 2129704 | 0.19508052 |
| D | Congreso de Tucumán - Catedral | Congreso de Tucuman | 2995373 | 0.11576720 |
| E | Retiro - Plaza de los Virreyes | Bolivar | 1120315 | 0.15501869 |
| H | Hospitales - Facultad de Derecho | Once | 1515556 | 0.09222728 |
Considerando la estructura de tablas de la Figura 2, se comienza por el título y subtitulo:
Show code
knitr::include_graphics('images/gt_titulo_subtitulo.png')
tabla <- tabla %>%
# Título y subtitulo
tab_header(
title = md('**Uso del subte en la Ciudad Autónoma de Buenos Aires**'),
subtitle = 'Período de análisis: Noviembre 2021'
) %>%
# Alineación izquierda
opt_align_table_header('left') %>%
# Estilo
tab_style(locations = cells_title(groups = 'title'),
style = list(
cell_text(
font = google_font(name = 'Raleway'),
size = 'xx-large',
weight = 'bold',
align = 'left',
color = '#515459'
)
)) %>%
tab_style(locations = cells_title(groups = 'subtitle'),
style = list(
cell_text(
font = google_font(name = 'Raleway'),
size = 'small',
align = 'left',
color = '#666666'
)
))Excluyendo las columnas de gráficos, el formato de la tabla actual es el siguiente:
Show code
| Uso del subte en la Ciudad Autónoma de Buenos Aires | ||||
| Período de análisis: Noviembre 2021 | ||||
| linea | recorrido | estacion_mas_usada | pax_total | variacion |
|---|---|---|---|---|
| A | Plaza de Mayo - San Pedrito | San Pedrito | 2812536 | 0.14967023 |
| B | J.M. Rosas - L.N. Alem | Federico Lacroze | 3476972 | 0.12526534 |
| C | Constitución - Retiro | Constitucion | 2129704 | 0.19508052 |
| D | Congreso de Tucumán - Catedral | Congreso de Tucuman | 2995373 | 0.11576720 |
| E | Retiro - Plaza de los Virreyes | Bolivar | 1120315 | 0.15501869 |
| H | Hospitales - Facultad de Derecho | Once | 1515556 | 0.09222728 |
Siguiendo la estructura, es momento de definir los nombres y formato de las columnas:
Show code
knitr::include_graphics('images/gt_col_labels.png')
tabla <- tabla %>%
# Renombrar variables
cols_label(
linea = md('Linea'),
recorrido = md('Recorrido'),
mapa = md('% Pasajeros por estación'),
reloj_plot = md('Pasajeros por hora'),
pasajeros_tipo = md('Momento del día'),
pax_total = md('Total'),
variacion = md('% Variación'),
evolucion_plot = md('Pasajeros por día'),
estacion_mas_usada = md('Estación más usada')
) %>%
# Alineación
cols_align('center',
columns = c(
'pax_total','variacion',
'estacion_mas_usada',
'reloj_plot',
'evolucion_plot')
) %>%
# Ancho de las columnas
cols_width(linea ~ px(50),
linea_imagen ~ px(50),
recorrido ~ px(100),
estacion_mas_usada ~ px(80),
reloj_plot ~ px(20),
pax_total ~ px(80),
variacion ~ px(100)) %>%
# Spanners: agrupamiento de columnas
tab_spanner(
label = "Uso por hora",
columns = c(pasajeros_tipo, reloj_plot)
) %>%
tab_spanner(
label= "Cantidad de pasajeros",
columns = c(pax_total, variacion)
)Show code
| Uso del subte en la Ciudad Autónoma de Buenos Aires | ||||
| Período de análisis: Noviembre 2021 | ||||
| Linea | Recorrido | Estación más usada | Cantidad de pasajeros | |
|---|---|---|---|---|
| Total | % Variación | |||
| A | Plaza de Mayo - San Pedrito | San Pedrito | 2812536 | 0.14967023 |
| B | J.M. Rosas - L.N. Alem | Federico Lacroze | 3476972 | 0.12526534 |
| C | Constitución - Retiro | Constitucion | 2129704 | 0.19508052 |
| D | Congreso de Tucumán - Catedral | Congreso de Tucuman | 2995373 | 0.11576720 |
| E | Retiro - Plaza de los Virreyes | Bolivar | 1120315 | 0.15501869 |
| H | Hospitales - Facultad de Derecho | Once | 1515556 | 0.09222728 |
El siguiente paso es definir cuestiones sobre el contenido de la tabla. Esta es la parte fundamental y es donde las columnas de gráficos podrán ser visualizadas luego de una transformación adicional.
Show code
knitr::include_graphics('images/gt_table_body.png')
La primera columna de la tabla es la imágen correspondiente a cada línea. Se quiere que aparezca como imágen (no como path). Para ello, se utiliza la función text_transform() para aplicar local_image() a cada una de las imágenes contenidas en la tabla mediante paths. Luego se renombra a la columna, eliminando el nombre ya que es redundante.
tabla <- tabla %>%
# Iconos de cada línea
text_transform(
locations = cells_body(columns = c(linea_imagen)),
fn = function(linea_imagen) {
lapply(linea_imagen, local_image, height = 20)
}
) %>%
cols_label(linea_imagen = '')Se transforma el color del texto de recorrido según la línea:
Show code
tabla <- tabla %>%
# Colores de los textos
tab_style(
style = cell_text(color = "#18cccc"),
locations = cells_body(columns = c(recorrido),
rows = linea == "A")
) %>%
tab_style(
style = cell_text(color = "#eb0909"),
locations = cells_body(columns = c(recorrido),
rows = linea == "B")
) %>%
tab_style(
style = cell_text(color = "#233aa8"),
locations = cells_body(columns = c(recorrido),
rows = linea == "C")
) %>%
tab_style(
style = cell_text(color = "#02db2e"),
locations = cells_body(columns = c(recorrido),
rows = linea == "D")
) %>%
tab_style(
style = cell_text(color = "#c618cc"),
locations = cells_body(columns = c(recorrido),
rows = linea == "E")
) %>%
tab_style(
style = cell_text(color = "#ffdd00"),
locations = cells_body(columns = c(recorrido),
rows = linea == "H")
) %>%
# La línea oculta, con la imagen alcanza
cols_hide(linea) %>%
# Fondo gris en el recorrido
tab_style(style = list(cell_fill(color = "#f0f0f0")),
locations = cells_body(columns = c('recorrido')))| Uso del subte en la Ciudad Autónoma de Buenos Aires | ||||
| Período de análisis: Noviembre 2021 | ||||
| Recorrido | Estación más usada | Cantidad de pasajeros | ||
|---|---|---|---|---|
| Total | % Variación | |||
 |
Plaza de Mayo - San Pedrito | San Pedrito | 2812536 | 0.14967023 |
 |
J.M. Rosas - L.N. Alem | Federico Lacroze | 3476972 | 0.12526534 |
 |
Constitución - Retiro | Constitucion | 2129704 | 0.19508052 |
 |
Congreso de Tucumán - Catedral | Congreso de Tucuman | 2995373 | 0.11576720 |
 |
Retiro - Plaza de los Virreyes | Bolivar | 1120315 | 0.15501869 |
 |
Hospitales - Facultad de Derecho | Once | 1515556 | 0.09222728 |
Se puede utilizar ciertas funciones de {gt} para formatear las columnas dependiendo del formato de cada variable.
tabla <- tabla %>%
# Formato numérico
fmt_number(pax_total, suffixing = TRUE) %>%
# Formato de porcentaje
fmt_percent(variacion)Además, se utiliza la función gt_plt_stack() del paquete {gtExtras} para incorporar gráficos del % de uso de cada línea según el momento del día:
tabla <- tabla %>%
gt_plt_bar_stack(
column = pasajeros_tipo,
position = 'fill',
labels = c("Mañana","Tarde","Noche"),
palette = c('grey', '#A3B1C9','#4C699E'),
fmt_fn = scales::label_percent(scale=1),
width = 60)| Uso del subte en la Ciudad Autónoma de Buenos Aires | |||||
| Período de análisis: Noviembre 2021 | |||||
| Recorrido | Estación más usada | Cantidad de pasajeros | Uso por hora | ||
|---|---|---|---|---|---|
| Total | % Variación | Mañana||Tarde||Noche | |||
|
Plaza de Mayo - San Pedrito | San Pedrito | 2.81M | 14.97% | |
|
J.M. Rosas - L.N. Alem | Federico Lacroze | 3.48M | 12.53% | |
|
Constitución - Retiro | Constitucion | 2.13M | 19.51% | |
|
Congreso de Tucumán - Catedral | Congreso de Tucuman | 3.00M | 11.58% | |
|
Retiro - Plaza de los Virreyes | Bolivar | 1.12M | 15.50% | |
|
Hospitales - Facultad de Derecho | Once | 1.52M | 9.22% | |
Para las 3 columnas de gráficos ggplot2 es necesario aplicar nuevamente la función text_transform() pero en este caso se utiliza ggplot_image para transformar estas listas contenidas en el dataframe original a gráficos.
tabla <- tabla %>%
# Ggplots en formato gráfico (sino aparecen como texto)
text_transform(
locations = cells_body(columns = reloj_plot),
fn = function(x) {
map(
datos_tabla$reloj_plot,
gt::ggplot_image,
height = px(180),
aspect_ratio = 2
)
}
) %>%
text_transform(
locations = cells_body(columns = evolucion_plot),
fn = function(x) {
map(
datos_tabla$evolucion_plot,
gt::ggplot_image,
height = px(140),
aspect_ratio = 2
)
}
) %>%
text_transform(
locations = cells_body(columns = mapa),
fn = function(x) {
map(
datos_tabla$mapa,
gt::ggplot_image,
height = px(180),
aspect_ratio = 2
)
}
) Show code
gt::gtsave(tabla, 'tabla_subtes.png',
vwidth = 2000, vheight = 3000)Finalmente, se incluyen algunas anotaciones y opciones genreales de la tabla:
Show code
knitr::include_graphics('images/gt_footnote_sourcenote.png')
Show code
tabla <- tabla %>%
tab_footnote(cells_column_labels(columns = variacion),
footnote = '% Variación en relación a Octubre 2021.') %>%
tab_footnote(cells_column_labels(columns = reloj_plot),
footnote = 'La línea de color representa el horario promedio
considerando la distribución circular de la variable hora.') %>%
tab_footnote(cells_column_labels(columns = mapa),
footnote = 'Se considera el % de pasajeros por estación con
relación al total de pasajeros en esa línea. Para los cortes
se utilizaron los cuantiles de la distribución. Se observa que
la Línea C presentó un uso muy elevado en las cabeceras,
mientras que en el resto de las líneas el uso fue más
distribuido.') %>%
tab_footnote(cells_column_labels(columns = pasajeros_tipo),
footnote = 'Valores en % por línea. Mañana = 5 a 11 hs, Tarde = 12 a 17 hs, Noche = 18 a 23 hs') %>%
tab_source_note(
source_note = html(
"<div><br>Elaboración propia en base a datos del Portal de datos
abiertos de la Ciudad de Buenos Aires</br></div>")
) %>%
tab_style(locations = cells_source_notes(),
style = list(cell_text(
font = google_font(name = 'Raleway'),
size = 'medium',
align = 'left',
color = '#666666'
))) %>%
tab_style(locations = cells_footnotes(),
style = list(cell_text(
font = google_font(name = 'Raleway'),
size = 'medium',
align = 'left',
color = '#666666'
))) %>%
# Opciones de la tabla
tab_options(
data_row.padding = px(0),
table.border.top.style = "hidden",
table.border.bottom.style = "hidden",
table_body.border.top.style = "solid",
column_labels.border.bottom.style = "solid"
)Show code
gt::gtsave(tabla, 'tabla_subtes.png',
vwidth = 2000, vheight = 3000)7️⃣ Guardar la tabla nueva
Se guarda la tabla definiendo el tamaño:
gt::gtsave(tabla, 'tabla_subtes.png',
vwidth = 2000, vheight = 3000)SessionInfo()
Show code
sessioninfo::package_info() %>%
filter(attached==TRUE) %>%
select(package, loadedversion, date, source) %>%
gt() %>%
tab_header(title='Paquetes utilizados',
subtitle='Versiones') %>%
opt_align_table_header('left')| Paquetes utilizados | |||
| Versiones | |||
| package | loadedversion | date | source |
|---|---|---|---|
| circular | 0.4-95 | 2022-04-26 | CRAN (R 4.2.1) |
| dplyr | 1.1.1 | 2023-03-22 | CRAN (R 4.2.3) |
| forcats | 1.0.0 | 2023-01-29 | CRAN (R 4.2.3) |
| ggplot2 | 3.4.2 | 2023-04-03 | CRAN (R 4.2.0) |
| gt | 0.9.0 | 2023-03-31 | CRAN (R 4.2.3) |
| gtExtras | 0.4.1 | 2022-07-13 | CRAN (R 4.2.1) |
| gtsummary | 1.6.1 | 2022-06-22 | CRAN (R 4.2.1) |
| lubridate | 1.9.2 | 2023-02-10 | CRAN (R 4.2.3) |
| purrr | 1.0.1 | 2023-01-10 | CRAN (R 4.2.3) |
| readr | 2.1.4 | 2023-02-10 | CRAN (R 4.2.3) |
| reshape | 0.8.9 | 2022-04-12 | CRAN (R 4.2.1) |
| sf | 1.0-8 | 2022-07-14 | CRAN (R 4.2.1) |
| stringr | 1.5.0 | 2022-12-02 | CRAN (R 4.2.3) |
| tibble | 3.2.1 | 2023-03-20 | CRAN (R 4.2.3) |
| tidyr | 1.3.0 | 2023-01-24 | CRAN (R 4.2.3) |
| tidyverse | 2.0.0 | 2023-02-22 | CRAN (R 4.2.3) |