Mapa de Grupos

Octubre 2017

Datos generales del mapa.

Cita oficial:

Texto aquí

Resumen:

En este mapa se muestra la agrupación de los AGEB de la Ciudad de México por medio del método de k-means

Nivel de avance:

En desarrollo

Ubicación geográfica.

Área geográfica:

Ciudad de México

Coordenadas extremas:

xMín 348621.68 yMín 2054434.61 xMáx 644398.35 yMáx 2344228.00

Calidad de los datos.

Metodología:

Proceso en R

Se efectuó un análisis de componentes principales con las siguientes variables:

Biofísicas:

Porcentaje de cobertura urbana (%)
Precipitación total anual promedio (mm/año)
Elevación (msnm)
subsidencia (cm/año)

Socioeconómicas:

Población total del AGEB
Proporción de viviendas sin acceso a agua potable
Número promedio de ocupantes por vivienda
Índice de ingreso

#Se carga la base de datos
datos<-read.csv("matriz2.csv", header=TRUE, sep=",")   
#datos$AGEB <- as.numeric(seq(1:11))   

#Cambiar datos de factor a número  
datos$precip <- as.numeric(datos$precip)   
#datos$OCUP_VIV <- as.numeric(datos$OCUP_VIV)  
#datos$precip <- as.numeric(datos$precip)  
#datos$V_S_AGUA <- as.numeric(datos$V_S_AGUA)    

#datos_cov <- prcomp(na.omit(datos),scale=TRUE)  
datos_cov <- prcomp(datos,scale=TRUE)  

names(datos_cov)  

#Se calcula el eigenvalor  
eig <- (datos_cov$sdev)^2   

#Se calcula la varianza en porcentage del eigenvalor   
varianza <- (eig*100)/sum(eig)

#Se calcula la varianza acumulativa  
cumvar <- cumsum(varianza)   
eig.todo <- data.frame(eig=eig,varianza=varianza,cumvarianza=cumvar)   
head(eig.todo)  

#Se grafica
barplot(eig.todo[,2],names.arg=1:nrow(eig.todo),
        main="Varianza",
        xlab="Componente principal",
        ylab="Porcentaje de varianza",
        col="blue")
lines(x=1:nrow(eig.todo),
      eig.todo[,2],
      type="b", pch=19,
      col="red")

Varianza

Análisis de componentes principales


install.packages("factoextra")  
library("factoextra")   
var <- get_pca_var(datos_cov)   
var$coord[,1:8]  

#Correlación entre variables y el componente principal  
var_cor_fun <- function(var.loadings,comp.sdev){var.loadings*comp.sdev}  

#Correlación   
loadings <- datos_cov$rotation
sdev <- datos_cov$sdev
var.coord <- var.cor <- t(apply(loadings,1,var_cor_fun,sdev))
var.coord[,1:8]

#Se grafica
a <- seq(0,2*pi,length=100)
plot(cos(a),sin(a),type="l",col="gray",
     xlab="PC1", ylab="PC2")
abline(h=0, v=0, lty=2)
arrows(0,0,var.coord[,1],var.coord[,2],
       length=0.1,angle=15,code=2)
text(var.coord,labels=rownames(var.coord),cex=1, adj=1)

fviz_pca_var(datos_cov,col.var="contrib")+
  scale_color_gradient2 (low="white", mid="blue", high="red", midpoint=10)+
  theme_minimal()

Correlación de variables

Determinación del número de grupos para dividir el conjunto de AGEB, metodo de K-means

#Estandarización de variables
datos.stand <- scale(datos[-1])

#Se grafica
wssplot <- function(data, nc=15, seed=1234){
  wss <- (nrow(data)-1)*sum(apply(data,2,var))
  for (i in 2:nc){
    set.seed(seed)
    wss[i] <- sum(kmeans(data, centers=i)$withinss)}
  plot(1:nc, wss, type="b", xlab="Número de clusters",
       ylab="Suma de cuadrados intra cluster")}

wssplot(datos.stand,nc=15)

Codo

De la gráfica anterior se obtuvo el valor de 9 para definir el número de grupos

Proceso en QGis

Se usó una capa vectorial de los AGEB con los datos del archivo matriz2.csv y se clasificó en ocho grupos usando el plugin Attirbute based clustering

Datos espaciales.

Estructura del dato:

Vector

Tipo de datos:

Polígonos

Proyección geográfica.

Sistema de coordenadas:

Universal Transversa de Mercator

Proyección:

WGS 84 / UTM zone 14N

Paralelos estándar:

Greenwich

Esferoide:

Datum:

World Geodetic System 1984

Elipsoide:

WGS84

Atributos del mapa.

Nombre del campo	AGEB_ID
Tipo	Entero
Unidades
Descripción	Identificador numérico para cada AGEB
Observaciones	Texto

Nombre del campo	grupos
Tipo	Entero
Unidades
Descripción	Grupo al que pertenece cada AGEB
Observaciones

sostenibilidad-unam / layers

Layer: grupos_v1 #55