Mexico's 2019 earthquake data processing and mapping

mapeando_sismo.R

## Cargando los paquetes necesarios para el análisis
if (!require(tidyverse)) {
        install.packages(tidyverse)
}
library(tidyverse)

if (!require(googledrive)) {
        install.packages("googledrive")
}
library(googledrive)

if (!require(ggmap)) {
        install.packages("ggmap")
}
library(ggmap)

## Seleccionando la URL del link
url <-
        "https://docs.google.com/spreadsheets/d/1ijleBcHJH_3V2nbMeXTjH4hTDYsjcdodYvHqhTc8C8c/edit#gid=0"

## Descargando el archivo de Google Drive (require autorizar con Oauth2.0)
drive_download(file = as_id(url),
               path = "raw_sismo_cdmx.csv",
               overwrite = TRUE)

## ¿cuál es la fecha?
fecha <- Sys.time() %>% format.Date("%d-%m-%Y %H:%M")

## Cargando los datos en el ambiente de trabajo
sismo <- read_csv("raw_sismo_cdmx.csv")

## Seleccionando las variables de interés
sismo <- sismo %>%
        select(
                lugar,
                tipo_daño,
                tipo_reporte,
                calle,
                numero_exterior ,
                entrecalles,
                colonia,
                entidad,
                lat,
                lon,
                link_google_maps
        )

# Transformando y limpiando los datos
tidy.sismo <- sismo %>%
        mutate_if(is_character, tolower) %>%
        mutate(
                tipo_daño = ifelse(
                        test = grepl(
                                pattern = "derrumbe",
                                x = .$tipo_daño,
                                ignore.case = TRUE
                        ),
                        yes = "derrumbe",
                        no = "daño"
                ),
                numero_exterior = parse_number(numero_exterior),
                colonia = ifelse(
                        test = is.na(colonia),
                        yes = NA,
                        no = paste("colonia", colonia)
                ),
                entidad = ifelse(
                        test = grepl(
                                pattern = "ciudad de",
                                x = .$entidad,
                                ignore.case = TRUE
                        ),
                        yes = "CDMX",
                        no = "CDMX"
                ),
                lat = parse_number(lat),
                lon = parse_number(lon)
        ) %>%
        separate(
                col = entrecalles,
                into = c("calle_1", "calle_2"),
                sep = " y ",
                remove = TRUE,
                extra = "merge",
                fill = "right"
        )

## Separando las observaciones que si/no tienen latitud, longitud o liga maps
to_get_latlon <- tidy.sismo %>%
        filter(((is.na(lat) |
                         is.na(lon)) & is.na(link_google_maps)))
got_latlon <- tidy.sismo %>%
        filter(!((is.na(lat) |
                          is.na(lon)) & is.na(link_google_maps)))

## Del API de Google Maps, obteniendo latitud y longitud
addresses <- with(data = to_get_latlon,
                  paste(test = ifelse(
                          is.na(calle),
                          yes = ifelse(
                                  test = is.na(calle_1),
                                  yes = calle_2,
                                  no = calle_1
                          ),
                          no = calle
                  ), numero_exterior, colonia)) %>%
        gsub(pattern = "NA", replacement = "") %>%
        paste("Ciudad de Mexico")

lat_lon <- geocode(addresses)

to_get_latlon$lat <- lat_lon$lat
to_get_latlon$lon <- lat_lon$lon


## Uniendo de nuevo los datos, ya con latitud, longitud
tidy.sismo <- bind_rows(got_latlon, to_get_latlon)

## Guardando los datos limpios
write_csv(
        x = tidy.sismo,
        path = paste("tidy_sismo_cdmx.csv"),
        col_names = TRUE,
        append = TRUE
)

## Limpiando el espacio de trabajo
rm(list = ls()[!ls() %in% c("tidy.sismo", "fecha")])

## Descargando el mapa de la CDMX
mexico_city <- get_map(
        location = "mexico city",
        zoom = 11,
        scale = "auto",
        maptype = "roadmap",
        source = "google",
        color = "bw",
        force = TRUE
) %>%
        ggmap() ## en formato google maps

## Mapeando los puntos de daños y derrumbes en el mapa
map_sismo_1 <- mexico_city + geom_point(
        data = tidy.sismo,
        mapping = aes(x = lon, y = lat, colour = tipo_daño),
        alpha = 0.35,
        size = 2
) +
        scale_colour_manual(
                name = "Tipo de Daño",
                labels = c("Daño", "Derrumbe"),
                values = c("blue", "red")
        ) +
        ggtitle(
                list(
                        title = paste("Reporte de",
                                      nrow(tidy.sismo),
                                      "Daños por el Terremoto en la CDMX"),
                        subtitle = paste(
                                "Datos del Mapeo Colaborativo en Google Drive, (última actualización: ",
                                fecha,
                                ")",
                                sep = ""
                        ),
                        x = "Longitud",
                        y = "Latitud",
                        caption = "https://gist.github.com/jclopeztavera/c59f595da6553dbf26cd4c2f837a9b70"
                )
        ) +
        theme_bw(base_size = 14)

## Guardando el grafico en un archivo png
ggsave(
        filename = paste("mapa_sismo_cdmx", fecha, ".png"),
        plot = map_sismo_1,
        device = "png",
        width = 25,
        height = 25,
        units = "cm",
        dpi = 500
)

tidy_sismo_cdmx.csv

La línea 61:

numero_exterior = parse_number(numero_exterior),

Elimina algunos números unidos con texto que pueden ser útiles para identificación.