3.2.1 변수에 숫자 지정

다음은 숫자형 자료를 변수에 지정하는 과정이다.

# 참고: 주석 다는법

#(해시, 샵) 사용(주석처리할 라인(혹은 부분) 맨 앞에)

# 주석(comment)이란?: 프로그래밍에 있어 내용을 메모하는 목적으로 쓰이며,
# 주석 처리가 된 줄은 실행되지 않는다.


n <- 1 #n에 1을 선언
m = .1 #m에 0.1을 선언

str(n) # 자료형 확인

 num 1

str(m)

 num 0.1

nm <- n*m # 반환형식: 
          # > str(nm)
          #  num 0.1  <<< 자료형 자료값
          # 자세한 내용은 콘솔창에 ?str()

str(nm)

 num 0.1

3.2.2 변수에 문자 지정

c <- "꿈과 희망이 가득한 대학원"
c =  "꿈과 희망이 가득한 대학원" # 동일한 변수에 지정시 덮어쓰기

str(c)

 chr "꿈과 희망이 가득한 대학원"

3.2.3 변수에 배열 지정

{1,2,3,4,5}와 같이 벡터 혹은 집합과 같은 데이터를 담는 방법으로, 배열은 c()를 사용하여 생성한다.

an <- c(1,3,5,7)

ac <- c(c,"같이하실래요?","쪼-인","어스")

str(an)

 num [1:4] 1 3 5 7

str(ac)

 chr [1:4] "꿈과 희망이 가득한 대학원" "같이하실래요?" "쪼-인" "어스"

3.2.4 변수에 데이터프레임 지정

데이터프레임은 스프레드 시트 형식으로 자료를 저장하는 구조로, 행과 열로 구성됨.

df <- data.frame(an,ac) #각 배열의 차원이 같아야 데이터 프레임으로 지정 가능

str(df)

'data.frame':   4 obs. of  2 variables:
 $ an: num  1 3 5 7
 $ ac: chr  "꿈과 희망이 가득한 대학원" "같이하실래요?" "쪼-인" "어스"

3.2.5 지정한 변수 값 반환

변수의 값을 확인하기 위해서는 커맨드 라인에 해당 변수명을 치거나 print() 함수를 사용하여 반환한다.

m         # 변수명

[1] 0.1

print(df) # print() 함수 사용

  an                        ac
1  1 꿈과 희망이 가득한 대학원
2  3             같이하실래요?
3  5                     쪼-인
4  7                      어스

an*m      # 연산 결과도 표출 가능

[1] 0.1 0.3 0.5 0.7

3.3.1 패키지 설치

#install.packages("새로운_패키지명")

install.packages("tidyverse")


# 패키지 제거

#remove.packages("tidyverse")

혹은 다음과 같이 RStudio에서 그래픽 인터페이스 환경으로도 설치할 수 있다.

GUI로 패키지 설치 창에 접근할 수 있는 방법은 2가지가 있는데

1. 상단바 중 ‘Tools’의 ’Install Packages…’
2. 우측 ‘Packages’ 탭의 ‘Install’ (위 사진 참고)

패키지 설치 창에 접근하였으면 자동완성기능을 활용하여 원하는 패키지를 설치하면 된다.

3.3.2 패키지 불러오기

현재 R 세션에 패키지를 불러오기 위해서는 다음과 같은 명령이 필요하다. 예를 들어, 데이터 정제에 필수적인 tidyverse 패키지를 불러오려면,

#library(기설치된패키지명)

library(tidyverse)

-- Attaching packages --------------------------------------- tidyverse 1.3.1 --

v ggplot2 3.3.5     v purrr   0.3.4
v tibble  3.1.6     v dplyr   1.0.7
v tidyr   1.1.4     v stringr 1.4.0
v readr   2.1.0     v forcats 0.5.1

-- Conflicts ------------------------------------------ tidyverse_conflicts() --
x dplyr::filter() masks stats::filter()
x dplyr::lag()    masks stats::lag()

위와 같이 여러 메시지들이 나타나면서 정상적으로 로드가 된다.

설치시와 비슷하게 RStudio에서 그래픽 인터페이스 환경으로도 불러올 수 있다.

GUI환경에서 패키지 불러오는 법

1. Packages 탭 누르기
2. 검색창에 원하는 패키지 검색
3. 원하는 패키지 체크

그러나 GUI에서 패키지를 불러오는 방법은 추천하지 않는데, 그 이유는 코드를 짜다보면 어떤 패키지를 불러왔는지 기록이 남지 않기 때문에 작업에 혼선을 야기할 수 있다. 따라서 library()함수를 사용하여 코드 내에 기록을 하며 작업하기를 권장한다.

참고로 다음과 같이 패키지를 내릴 수도 있다.

# 패키지 unload

#detach("package:tidyverse", unload = TRUE)

3.4.1 Data Frame이란?

데이터 프레임(Data frame)은 다양한 형태의 데이터가 2차원으로 구성된 데이터 구조이며, 행(케이스)과 열(변수)로 구성된 표이다. 엑셀에서 이름 필드, 연령 필드, 성적 필드 등으로 이루어진 표와 같다고 생각하면 이해가 빠를 것이다. 통계분석에 가장 많이 사용된다. GIS에서 속성 테이블(Attribute table) 또한 해당 형식으로 나타낼 수 있다.

3.4.2 데이터 프레임 구조 보기

아래는 tidyverse패키지에서 기본으로 제공하는 샘플 tibble로, 형태는 데이터 프레임과 유사하다.

table1

# A tibble: 6 x 4
  country      year  cases population
  <chr>       <int>  <int>      <int>
1 Afghanistan  1999    745   19987071
2 Afghanistan  2000   2666   20595360
3 Brazil       1999  37737  172006362
4 Brazil       2000  80488  174504898
5 China        1999 212258 1272915272
6 China        2000 213766 1280428583

str(table1)

tibble [6 x 4] (S3: tbl_df/tbl/data.frame)
 $ country   : chr [1:6] "Afghanistan" "Afghanistan" "Brazil" "Brazil" ...
 $ year      : int [1:6] 1999 2000 1999 2000 1999 2000
 $ cases     : int [1:6] 745 2666 37737 80488 212258 213766
 $ population: int [1:6] 19987071 20595360 172006362 174504898 1272915272 1280428583

데이터 프레임 또한 위와 같은 구조를 지닌다.

3.4.3 데이터 프레임 만들기

데이터 프레임을 생성하는 방법은 많다. 그 중에서 가장 많이 쓰이는 방법은 외부에서 데이터를 R에서 읽어 들이는 방법이다. 이 방법은 R 입출력에서 자세히 다루도록 하겠다.

두 번째 방법은 벡터 형식의 자료를 묶어서 데이터 프레임을 만드는 것이다. 아래 예제는 data.frame() 함수를 이용하여 벡터 변수 name, age, sex, score를 하나로 묶어서 데이터 프레임 df를 만들어 보겠다.

name <- c("유재석", "홍진영", "송가인", "강호동", "이영자", "김종민", "김연아")
age <- c(24, 28, 31, 25, 27, 22, 29)
sex <- c("남", "여", "여", "남", "여", "남", "여")
score <- c(90, 80, 85, 75, 95, 80, 70)


# 'stringsAsFactors = F' 옵션 : 문자 데이터를 factor로 변환시키지 않음
df <- data.frame(name, age, sex, score, stringsAsFactors = F)
df

    name age sex score
1 유재석  24  남    90
2 홍진영  28  여    80
3 송가인  31  여    85
4 강호동  25  남    75
5 이영자  27  여    95
6 김종민  22  남    80
7 김연아  29  여    70

세번째 방법은 수식 등의 규칙을 사용한 방법이다.

x <-  1:10    #1부터 10까지의 배열
y <-  2       #상수 2로 채워진 배열이며 길이는 x와 동일
z <- (x**2)+y #x^2 + 2 x와 y의 식으로 채워짐



num.df <- data.frame(x,y,z)

num.df

    x y   z
1   1 2   3
2   2 2   6
3   3 2  11
4   4 2  18
5   5 2  27
6   6 2  38
7   7 2  51
8   8 2  66
9   9 2  83
10 10 2 102

# deg 2 rad

deg <-  0:360
PI  <-  atan(1)*4 #the exact value of pi
rad <-  deg*PI/180



rad.df <- data.frame(deg, PI, rad)


#head()와 tail()함수는 각각 자료의 앞과 뒤를 반환하는 함수이며,
#rbind() 함수는 차원이 동일하며 같은 열이름을 지닌 df를 합쳐준다.
rbind(head(rad.df,n=3),tail(rad.df,n=3))

    deg       PI        rad
1     0 3.141593 0.00000000
2     1 3.141593 0.01745329
3     2 3.141593 0.03490659
359 358 3.141593 6.24827872
360 359 3.141593 6.26573201
361 360 3.141593 6.28318531

3.4.4 데이터 프레임에서 데이터 선택 및 추출

이 부분에서는 데이터 프레임에서 자료를 선택하고 이를 추출하는 방법에 대해 다룬다.

아래의 예시에서 반환되는 데이터는 모두 변수에 저장하여 사용이 가능하다.

# name 열(변수) 데이터 추출
# 데이터프레임과 컬럼사이에 $기호가 사용됨

df$name # df[,1], df[, "name"]와 동일

[1] "유재석" "홍진영" "송가인" "강호동" "이영자" "김종민" "김연아"

# df$name 대신 아래처럼 사용 가능

df[, "name"]

[1] "유재석" "홍진영" "송가인" "강호동" "이영자" "김종민" "김연아"

# 첫번째 열(name) 추출

df[, 1]

[1] "유재석" "홍진영" "송가인" "강호동" "이영자" "김종민" "김연아"

# 1열과 3열 추출 
# 여러 항목을 넣을 때는 배열 형식인 c(1,6,8:11)으로 할 것.

df[, c(1, 3)]

    name sex
1 유재석  남
2 홍진영  여
3 송가인  여
4 강호동  남
5 이영자  여
6 김종민  남
7 김연아  여

# name 열(변수)의 3번째 데이터 추출

df$name[3]

[1] "송가인"

# 2~3번째 행 추출

df[2:3, ]

    name age sex score
2 홍진영  28  여    80
3 송가인  31  여    85

# 연령 변수의 데이터를 추출하여 평균을 구함
# na.rm = TRUE는 missing value를 제외하고 계산함

mean(df$age, na.rm = TRUE)

[1] 26.57143

아래와 같이 특정 영역을 제외하고 추출할 수 있다.

# 3번째 열 제외

df[, -3]

    name age score
1 유재석  24    90
2 홍진영  28    80
3 송가인  31    85
4 강호동  25    75
5 이영자  27    95
6 김종민  22    80
7 김연아  29    70

행 또한 위와같이 -기호를 사용하여 적용 가능하다.

혹은 다음과 같이 조건을 적용하여 추출이 가능하다.

# score가 90이상인 데이터 추출
df[df$score >= 90, ]

    name age sex score
1 유재석  24  남    90
5 이영자  27  여    95

# score가 90이상인 데이터의 name과 age만 추출
# 1:2 대신 c("name", "age")를 사용해도 됨
df[df$score >= 90, 1:2]

    name age
1 유재석  24
5 이영자  27

# 조건식과 출력 컬럼명을 변수에 입력하고 이를 활용
score90 <- df$score >= 90
cols <- c("name", "age")
df[score90, cols]

    name age
1 유재석  24
5 이영자  27

subset()함수 사용시

# score가 90이상인 데이터 추출  문법: subset(df, 조건)
subset(df, score >= 90)

    name age sex score
1 유재석  24  남    90
5 이영자  27  여    95

# score가 90이상인 데이터의 name과 age만 추출
subset(df, score >= 90, select = c(name, age))

    name age
1 유재석  24
5 이영자  27

# score가 90이상인 데이터에서 age와 sex만 제외하고 추출
subset(df, score >= 90, select = -c(age,sex))

    name score
1 유재석    90
5 이영자    95

3.4.6 데이터 프레임 자료 수정

df

    name age sex score
1 유재석  24  남    90
2 홍진영  28  여    80
3 송가인  31  여    85
4 강호동  25  남    75
5 이영자  27  여    95
6 김종민  22  남    80
7 김연아  29  여    70
8 김남준  24  남    92
9 이지은  26  여    93

위와 같은 데이터 프레임에서 홍진영의 점수를 100점으로 바꾸려면..

df[2,4] <- 100. # df[행#,열#]

# 목록에 조교 추가!
df[9,1] <- "서용훈"
df[9,3] <- "남"
df

    name age sex score
1 유재석  24  남    90
2 홍진영  28  여   100
3 송가인  31  여    85
4 강호동  25  남    75
5 이영자  27  여    95
6 김종민  22  남    80
7 김연아  29  여    70
8 김남준  24  남    92
9 서용훈  26  남    93

위와 같이 행번호와 열번호를 지정하여 데이터를 수정할 수 있다.

3.5.1 경로 개념 - 절대경로와 상대경로

엑셀과 같은 외부 데이터를 불러오기에 앞서, 파일 경로에 대한 이해가 필요하기 때문에 마련한 부분이다. 익혀두면 R 뿐만이 아니라 다른 프로그래밍을 할 때에도 도움이 되는 부분이라 생각된다.

# 현재 작업공간을 절대경로로 반환
getwd()

[1] "E:/workspace/active/ComputerCartography(TA)/ex8_rev/webGIS"

상대경로

’상대 경로(Relative Path)’는 특정 경로를 기준으로 다른 경로는 표시하는 개념이다. 상대경로를 표시할 때는 ‘.’과 ‘..’을 함께 많이 사용하는데 ‘.’은 현재 경로(Current Directory)를 의미하고 ‘..’은 상위 경로(Parent Directory)를 의미한다.

예를 들어 현재 작업 공간을 상대경로로 다시 나타낸다면 다음과 같이 나타낼 수 있다.

.

간단하지요?

진짜인지 확인하기 위해 작업공간을 설정할 수 있는 setwd() 함수를 이용하여 확인해보자.

# 작업공간 설정
setwd(".") # 경로는 문자열로 받기 때문에 "your_dir" 씌울 것

getwd()

[1] "E:/workspace/active/ComputerCartography(TA)/ex8_rev/webGIS"

절대경로에서 확인한 경로와 동일함을 알 수 있다.

참고로 ‘..’은 상위 경로를 탐색할 때 사용되고, 하위 경로를 탐색할 때에는 절대경로와 동일하게 원하는 파일이나 폴더를 명시하면 된다. ‘.’은 현재 경로를 명시적으로 나타낼 때 사용된다.

# 예시
## 여기서 사용된 dir() 함수는 입력된 경로의 파일/폴더 목록을 보여준다.

# 절대경로 - 현재 작업공간
# E:/workspace/active/ComputerCartography(TA)/ex8_rev/webGIS

dir(getwd())

 [1] "2020pop.html"        "data"                "ex8"                
 [4] "Ex8-1.html"          "Ex8.html"            "Ex8.Rmd"            
 [7] "ex8.zip"             "Ex8_old.html"        "fig"                
[10] "map.html"            "seoulGU.html"        "test.html"          
[13] "서울시데이터셋.html" "실습8.html"          "실습8.Rmd"          

# 상대경로 - 현재 작업공간
# E:/workspace/active/ComputerCartography(TA)/ex8_rev/webGIS

dir(".")

 [1] "2020pop.html"        "data"                "ex8"                
 [4] "Ex8-1.html"          "Ex8.html"            "Ex8.Rmd"            
 [7] "ex8.zip"             "Ex8_old.html"        "fig"                
[10] "map.html"            "seoulGU.html"        "test.html"          
[13] "서울시데이터셋.html" "실습8.html"          "실습8.Rmd"          

# 상대경로 - 현재 작업공간의 상위 폴더
# E:/workspace/active/ComputerCartography(TA)/ex8_rev

dir("./..") # `./` <- 현재 경로임을 명시적으로 선언

[1] "lab7"   "webGIS"

# 상대경로 - 현재 작업공간에 위치한 'data' 폴더(하위)
# E:/workspace/active/ComputerCartography(TA)/ex8_rev/webGIS/data

dir("./data/")

[1] "Datasets" "html"     "raster"   "Rawdata"  "shp"     

상대경로의 장점은 프로젝트 파일을 다른 사람과 공유할 때, 보통 R 문서(확장자가 .R, .Rmd)이 포함된 작업공간 폴더를 통째로 공유한다면 공유를 받은 사람이 작업 시 경로를 하나하나 해당 작업공간에 맞게 변경하지 않아도 되는 장점이 있다.

절대경로는 작업공간이 아닌 D 드라이브와 같은 자료 저장소에서 자료를 불러올 때 유용하다. 만약 저장소 파일을 상대경로로 지정한다면, 사용자의 PC 내에서 R 문서를 옮긴다면 오히려 파일 경로가 깨질 것이다.

다음 사진을 보면 이해가 빠를 것이다.

상대경로와 절대경로

3.5.2 구분자 형식 외부 데이터 R로 불러오기

이제부터는 여러 파일 형식의 파일을 불러오는 방법을 알아볼 것이다.

이 섹션에서 다루는 함수는 readr 패키지이며, 이는 tidyverse에 포함되어 있으므로, 보통 tidyverse만 불러오면 될 것이다. 기존 R base에도 유사한 함수가 존재하나 성능 및 tibble 지원 때문에 readr 패키지의 함수를 사용하는 것을 권장한다.

readr의 함수 대부분은 파일을 데이터 프레임으로 바꾸는데 특화되어있다.

구분자(delimiter)로 이루어진 파일을 읽는 함수는 다음과 같다.

• read_csv() : 콤마(,) 구분자 파일(csv)
• read_csv2(): 세미콜론(;) 구분자 파일
• read_tsv : 탭( ) 구분자 파일
• read_delim(): 모든 구분자 파일

위 함수의 사용 방법이 유사한 관계로 이 중 모든 형식의 구분자를 받을 수 있는 read_delim() 함수를 사용해보도록 하겠다.

# read_csv()와 동일
seoul_obs_loc <- read_delim("./data/Rawdata/IO/META_관측지점정보_20200627233901.csv",#상대경로
                          locale=locale('ko',encoding='euc-kr')) # 파일인코딩 설정


seoul_obs_loc

# A tibble: 65 x 13
    지점 시작일     종료일     지점명 지점주소            관리관서     위도  경도
   <dbl> <date>     <date>     <chr>  <chr>               <chr>       <dbl> <dbl>
 1   400 2019-05-29 NA         강남   "서울특별시 강남구~ <NA>         37.5  127.
 2   400 2010-08-16 2019-05-29 강남   "서울특별시 강남구~ <NA>         37.5  127.
 3   400 1994-12-04 2010-08-15 강남   "서울특별시 강남구~ 서울기상관~  37.5  127.
 4   401 2016-09-12 NA         서초   "서울특별시 서초구~ <NA>         37.5  127.
 5   401 2010-08-16 2016-09-12 서초   "서울특별시 서초구~ <NA>         37.5  127.
 6   401 1994-12-04 2010-08-15 서초   "서울특별시 서초구~ 서울기상관~  37.5  127.
 7   402 2010-08-16 NA         강동   "서울특별시 강동구~ <NA>         37.6  127.
 8   402 1994-12-04 2010-08-15 강동   "서울특별시 강동구~ 서울기상관~  37.6  127.
 9   403 2010-08-16 NA         송파   "서울특별시 송파구~ <NA>         37.5  127.
10   403 1994-12-05 2010-08-15 송파   "서울특별시 송파구~ 서울기상관~  37.5  127.
# ... with 55 more rows, and 5 more variables: 노장해발고도(m) <dbl>,
#   기압계(관측장비지상높이(m)) <dbl>, 기온계(관측장비지상높이(m)) <dbl>,
#   풍속계(관측장비지상높이(m)) <dbl>, 강우계(관측장비지상높이(m)) <dbl>

# read_tsv()와 동일
# 이번 파일은 csv 예시와 다르게 인코딩이 패키지 기본 값인 UTF-8이므로
# 추가적으로 인코딩 선언은 불필요함
seoulGU21 <- read_delim("./data/Rawdata/population/20201stQGu.txt")

seoulGU21

# A tibble: 28 x 14
   기간     자치구   세대  인구...4 인구...5 인구...6 인구...7 인구...8 인구...9
   <chr>    <chr>    <chr> <chr>    <chr>    <chr>    <chr>    <chr>    <chr>   
 1 기간     자치구   세대  합계     합계     합계     한국인   한국인   한국인  
 2 기간     자치구   세대  계       남자     여자     계       남자     여자    
 3 2020.1/4 합계     4,35~ 10,013,~ 4,874,9~ 5,138,7~ 9,733,6~ 4,742,2~ 4,991,4~
 4 2020.1/4 종로구   74,1~ 161,984  78,271   83,713   151,217  73,704   77,513  
 5 2020.1/4 중구     63,0~ 136,469  66,769   69,700   126,175  61,839   64,336  
 6 2020.1/4 용산구   110,~ 246,165  119,961  126,204  229,579  110,667  118,912 
 7 2020.1/4 성동구   135,~ 307,193  149,891  157,302  299,042  146,300  152,742 
 8 2020.1/4 광진구   165,~ 365,990  176,226  189,764  350,417  169,568  180,849 
 9 2020.1/4 동대문구 165,~ 362,793  178,202  184,591  346,156  171,896  174,260 
10 2020.1/4 중랑구   182,~ 400,678  198,122  202,556  395,619  196,076  199,543 
# ... with 18 more rows, and 5 more variables: 인구...10 <chr>,
#   인구...11 <chr>, 인구...12 <chr>, 세대당인구 <chr>, 65세이상고령자 <chr>

3.5.3 외부로부터 공간자료 불러오기

앞서 다뤘던 구분자 형식의 자료를 R 외부로부터 불러왔던 것과 같이, 이전 실습에서 다루었던 셰이프(.shp) 형식의 공간자료를 불러오는 법과 래스터 형식의 자료(.img)파일을 불러오는 방법을 살펴볼 것이다.

Shapefiles(.shp)

셰이프 파일을 불러오는 함수는 여러 개가 존재하나, 이번 실습에서는 rgdal 패키지를 사용하여 진행하고자 한다.

다음의 코드를 사용하여 rgdal 패키지를 설치하도록 한다.

if (require("rgdal")) {
    # 참: 패키지 존재
    print("패키지있어유~") 
} else {
    # 거짓: 패키지 설치
    print("패키지깔게유~") 
    if (require("terra")){
      print("terra 패키지 존재")
    } else{
      print("terra 패키지 설치..")
      install.packages("terra")
    }
    install.packages("rgdal")
}

[1] "패키지있어유~"

library(rgdal) # 패키지 로드

아래는 rgdal패키지의 함수인 readOGR() 함수를 사용하여 shp 파일을 불러오는 코드이다.

# 남한 시군구 shp를 불러오기

sigungu <- readOGR(dsn = "./data/shp/구",     # dsn: shp파일 위치 경로
                   layer = "kr_si_gun-gu",    # layer: 확장자를 제외한 파일명
                   encoding = "UTF-8",        # 속성 테이블 인코딩
                   stringsAsFactors = FALSE,  # 문자열을 factor로 받을지 선택
                   verbose = FALSE)           # 로드 시 여러 메시지를 띄울지 여부

shp 파일을 불러왔으면 다음과 같은 명령으로 속성테이블(attribute table)을 데이터프레임 형식으로 조회할 수 있다.

# attr table
sigungu@data # shp지정변수명@data

   SIG_CD      SIG_ENG_NM SIG_KOR_NM
0   11110       Jongno-gu     종로구
1   11140         Jung-gu       중구
2   11170      Yongsan-gu     용산구
3   11200    Seongdong-gu     성동구
4   11215     Gwangjin-gu     광진구
5   11230   Dongdaemun-gu   동대문구
6   11260     Jungnang-gu     중랑구
7   11290     Seongbuk-gu     성북구
8   11305      Gangbuk-gu     강북구
9   11320       Dobong-gu     도봉구
10  11350        Nowon-gu     노원구
11  11380    Eunpyeong-gu     은평구
12  11410    Seodaemun-gu   서대문구
13  11440         Mapo-gu     마포구
14  11470    Yangcheon-gu     양천구
15  11500      Gangseo-gu     강서구
16  11530         Guro-gu     구로구
17  11545    Geumcheon-gu     금천구
18  11560 Yeongdeungpo-gu   영등포구
19  11590      Dongjak-gu     동작구
20  11620       Gwanak-gu     관악구
21  11650       Seocho-gu     서초구
22  11680      Gangnam-gu     강남구
23  11710       Songpa-gu     송파구
24  11740     Gangdong-gu     강동구
 [ reached 'max' / getOption("max.print") -- omitted 225 rows ]

# 데이터프레임 형식과 동일하여 아래와 같이 속성테이블만 df로 추출 가능
# sigungu.as.df <- sigungu@data

불러온 이후에는 plot() 함수를 사용하여 간단하게 도시할 수 있다.

# 시각화


# 패키지명::함수()
# 위와 같은 형식으로 패키지를 명시하면 패키지를 불러오지 않더라도
# 패키지 내장 함수를 불러올 수 있다. 또한 동명의 패키지가 있어
# 시스템이 어느 패키지를 지정 못함으로 인해 발생하는 오류를 해결할 때도
# 이를 사용하면 해결이 가능함.

sp::plot(sigungu)

함수를 사용한 도시법 1

Raster files(.img)

R에서는 래스터 형식의 파일도 처리할 수 있다. raster 패키지는 해당 기능을 지원한다.

if (require("raster")) {
    # 참: 패키지 존재
    print("패키지있어유~") 
} else {
    # 거짓: 패키지 설치
    print("패키지깔게유~") 
    install.packages("raster")
}

[1] "패키지있어유~"

library(raster)

다음은 raster 패키지의 raster() 함수를 사용하여 서울특별시 수치표고모델(DEM)을 불러오는 과정이다.

seoulDEM30 <- raster("./data/raster/DEM/seoul_dem.img")   # 주의! 경로에 한글이나 띄어쓰기가 있으면 오류남!

# raster::plot() 사용

{                                                     # 한번에 실행 가능한 중괄호
  plot(seoulDEM30,                                    # plot 대상(필수)
       legend.args = list(text = 'Elevation (m)',     # 범례 제목 넣기
       side = 4, font = 2, line = 2.5, cex = 0.8))    # 범례 꾸미기 설정
  title("서울시 수치표고모형", sub = crs(seoulDEM30), # 여러 타이틀 설정
        xlab = "x(meter)", ylab = "y(meter)",         # 여기서 crs()는 좌표계 반환
        cex.main= 2, font.main= 4, col.main= "blue",  # 타이틀 꾸미기 설정
        cex.sub= 0.75, font.sub= 3, col.sub= "black")
 
                                                      # crs() 함수는 raster 패키지에 있음
                                                      # rgdal 패키지의 CRS()와 혼동 주의(대문자)
}                                                     # 괄호는 항상 닫아주기

함수를 사용한 도시법 2

4.1.1 좌표계 설정

ArcGIS의 Define Projection과 같은 내용이다.

우리나라 데이터 센터에서 제공하는 일부 셰이프 파일은 좌표 메타데이터 파일인 파일명.prj 파일이 없는 경우도 있다.

아래와 같이 좌표투영이 되어있지 않은 파일은 GIS 프로그램 상에 올릴 시 다음과 같이 올바르게 도시되지 않는다.

seoulemd <- readOGR(dsn = "./data/shp/행정동", 
                    layer = "Z_SOP_BND_ADM_DONG_PG", 
                    encoding = "UTF-8",
                    stringsAsFactors = FALSE,
                    verbose = FALSE)[c(1:424),] # 424행까지 - 서울시만 추출


# tmap  RGIS-시각화 에서 다룸

library(tmap)
library(tmaptools)

# 64비트 R에서 'OpenStreetMap' 패키지 다루려면 64비트 자바 설치 필수 - 링크
# https://javadl.oracle.com/webapps/download/AutoDL?BundleId=245060_d3c52aa6bfa54d3ca74e617f18309292
library(OpenStreetMap) 

# read_osm() 함수는 OpenStreetMap을 입력 공간자료의 범위로 잘라 줌
osm_seoul <- read_osm(seoulDEM30)
tm_shape(osm_seoul) + tm_rgb() +      # 베이스 레이어 (맨 밑)
  tm_shape(seoulemd) + tm_polygons(border.col="red", alpha = 0)  # 상위 레이어

엥 어데갔누?

따라서 해당 자료 제작 시 어떠한 좌표 체계를 사용하였는지 파악하는게 중요하다.

좌표를 R 공간자료에 집어넣기 위해서는 PROJ.4 string(문자열) 형식을 알고 있어야 한다.

PROJ.4 string은 좌표계를 식별하는 간단한 방법이다. 이는 공간자료를 다루는 R 패키지에서 많이 사용된다.

일반적인 워크플로우는 자료를 제공하는 사이트 상에서 보통 알 수 있는 좌표 정보를 파악하고. 이를 가지고 ‘Spatialreference.org’ 웹 페이지에서 해당 좌표체계를 검색 후 Proj4 항목에 대한 정보를 아래와 같이 집어넣으면 된다.

아래의 예시는 구득 웹 사이트(국가공간정보포털 오픈마켓) 상에서 메타데이터를 확인하고, 지리원 표준 좌표계 중 하나인 ‘EPSG:5181’(중부원점, GRS80)로 좌표계를 PROJ.4 string 형식을 가지고 다음과 같이 정의하였다.

# 좌표계 정의
# CRS() 함수를 사용하여 폴리곤 공간자료 'seoulemd' 하위-
# 항목인 'proj4string' 항목에 다음과 같이 좌표계를 정의함.
 
# rgdal::CRS("proj.4 string"), raster::crs() 사용해도 무방

# proj4 오류 시 엔터(줄 바꿈) 지울 것
seoulemd@proj4string <- crs("+proj=tmerc +lat_0=38 +lon_0=127 +k=1 +x_0=200000 +y_0=500000 
                            +ellps=GRS80 +towgs84=0.0,0.0,0.0,0.0,0.0,0.0,0.0 +units=m +no_defs")

# tmap  RGIS-시각화 에서 다룸
tm_shape(osm_seoul) + tm_rgb() + 
  tm_shape(seoulemd) + tm_polygons(border.col="red", alpha = 0) # alpha = 불투명도

좌표계 정의가 올바르게 된 공간자료

정상적으로 중첩이 되는 것을 볼 수 있다.

이러한 과정이 불편하다면, 불러올 때 readOGR() 함수의 p4s 파라미터로 한번에 처리가 가능하다.

seoulemd <- readOGR(dsn = "./data/shp/행정동", 
                    layer = "Z_SOP_BND_ADM_DONG_PG", 
                    encoding = "UTF-8",
                    stringsAsFactors = FALSE,
                    verbose = FALSE,
                    p4s = "+proj=tmerc +lat_0=38 +lon_0=127 +k=1 +x_0=200000 
                    +y_0=500000 +ellps=GRS80 +units=m +no_defs")[c(1:424),]

# 좌표계 확인
crs(seoulemd) # raster 패키지 CRS() 함수는 안 먹힘

Coordinate Reference System:
Deprecated Proj.4 representation:
 +proj=tmerc +lat_0=38 +lon_0=127 +k=1 +x_0=200000 +y_0=500000
+ellps=GRS80 +units=m +no_defs 

4.1.2 좌표계 변환

ArcGIS의 Project 툴과 비슷한 기능이다. 타원체와 투영법이 다른 두 가지의 공간자료를 가지고 작업을 할 때 필수적으로 해야하는 작업이다.

가령, 아래와 같이 범위가 큰 래스터 자료를 사례지역으로 잘라내고 싶을 때 해당 래스터와 범위 자료가 서로 좌표체계가 다를 경우, 공간 연산이 불가능하다.

seoulgwanak <- subset(sigungu, SIG_KOR_NM == "관악구") # 관악구 경계만 추출


# Extract by mask(벡터 파일의 clip연산과 유사)
# 관악구 경계를 가지고 서울시 DEM을 관악구만 추출

# 작업이 행해지는 객체(Object) 대신
# 작업의 흐름을 강조하기 위해 '%>%'를 사용함
# '%>%'는 '파이프' 연산자라고 칭하고 'tidyverse' 패키지에 포함

# https://style.tidyverse.org/pipes.html <- 참고

DEMgwanak <- crop(seoulDEM30, extent(seoulgwanak), snap="out") %>%
             mask(mask = seoulgwanak)

Error in h(simpleError(msg, call)): 함수 'mask'를 위한 메소드 선택시 인수 'x'를 평가하는데 오류가 발생했습니다: extents do not overlap

# 위 코드를 다음과 같이 쓸 수도 있음
# DEMgwanak <-mask(x = crop(seoulDEM30, extent(seoulgwanak), snap="out"), mask = seoulgwanak)

# 작업의 순서대로 코드를 짤 수 있는 장점이 있음
# 이전 작업의 결과물은 파이프로 다음 함수의 주요 변수로 우선 지정이 됨.

에러 메시지 상으로도 두 공간자료가 중첩되지 않는다고 나타난다.

따라서 이런 경우에는 좌표체계를 동일한 좌표체계를 사용하게끔 변환해줘야한다.

위에서 사용한 두 공간자료의 좌표체계는 다음과 같다.

crs(seoulgwanak)  # EPSG:5179,  UTM-K,   GRS80 

Coordinate Reference System:
Deprecated Proj.4 representation:
 +proj=tmerc +lat_0=38 +lon_0=127.5 +k=0.9996 +x_0=1000000 +y_0=2000000
+ellps=GRS80 +units=m +no_defs 
WKT2 2019 representation:
PROJCRS["PCS_ITRF2000_TM",
    BASEGEOGCRS["ITRF2000",
        DATUM["International Terrestrial Reference Frame 2000",
            ELLIPSOID["GRS 1980",6378137,298.257222101,
                LENGTHUNIT["metre",1]],
            ID["EPSG",6656]],
        PRIMEM["Greenwich",0,
            ANGLEUNIT["Degree",0.0174532925199433]]],
    CONVERSION["unnamed",
        METHOD["Transverse Mercator",
            ID["EPSG",9807]],
        PARAMETER["Latitude of natural origin",38,
            ANGLEUNIT["Degree",0.0174532925199433],
            ID["EPSG",8801]],
        PARAMETER["Longitude of natural origin",127.5,
            ANGLEUNIT["Degree",0.0174532925199433],
            ID["EPSG",8802]],
        PARAMETER["Scale factor at natural origin",0.9996,
            SCALEUNIT["unity",1],
            ID["EPSG",8805]],
        PARAMETER["False easting",1000000,
            LENGTHUNIT["metre",1],
            ID["EPSG",8806]],
        PARAMETER["False northing",2000000,
            LENGTHUNIT["metre",1],
            ID["EPSG",8807]]],
    CS[Cartesian,2],
        AXIS["(E)",east,
            ORDER[1],
            LENGTHUNIT["metre",1,
                ID["EPSG",9001]]],
        AXIS["(N)",north,
            ORDER[2],
            LENGTHUNIT["metre",1,
                ID["EPSG",9001]]]] 

crs(seoulDEM30)   # EPSG:32652, UTM 52N, WGS84

Coordinate Reference System:
Deprecated Proj.4 representation:
 +proj=utm +zone=52 +datum=WGS84 +units=m +no_defs 
WKT2 2019 representation:
PROJCRS["WGS_1984_UTM_Zone_52N",
    BASEGEOGCRS["WGS 84",
        DATUM["World Geodetic System 1984",
            ELLIPSOID["WGS 84",6378137,298.257223563,
                LENGTHUNIT["metre",1]]],
        PRIMEM["Greenwich",0,
            ANGLEUNIT["degree",0.0174532925199433]],
        ID["EPSG",4326]],
    CONVERSION["UTM zone 52N",
        METHOD["Transverse Mercator",
            ID["EPSG",9807]],
        PARAMETER["Latitude of natural origin",0,
            ANGLEUNIT["degree",0.0174532925199433],
            ID["EPSG",8801]],
        PARAMETER["Longitude of natural origin",129,
            ANGLEUNIT["degree",0.0174532925199433],
            ID["EPSG",8802]],
        PARAMETER["Scale factor at natural origin",0.9996,
            SCALEUNIT["unity",1],
            ID["EPSG",8805]],
        PARAMETER["False easting",500000,
            LENGTHUNIT["meters",1],
            ID["EPSG",8806]],
        PARAMETER["False northing",0,
            LENGTHUNIT["meters",1],
            ID["EPSG",8807]]],
    CS[Cartesian,2],
        AXIS["easting",east,
            ORDER[1],
            LENGTHUNIT["meters",1]],
        AXIS["northing",north,
            ORDER[2],
            LENGTHUNIT["meters",1]],
    ID["EPSG",32652]] 

관악구 경계는 GRS80 타원체의 UTM-K 좌표계를 가지고 있는데 반해 서울시 DEM은 WGS84 타원체의 UTM zone 52N 좌표계를 지니고 있다.

따라서 둘 중 하나의 좌표계를 다른 것과 동일하게 맞춰야 하는데 이 때 좌표계를 앞서 설명했던 Proj.4 string 형식으로 정의하여 관악구 경계를 DEM의 좌표계와 동일하게 변경하였다.

UTM52N <- CRS("+proj=utm +zone=52 +ellps=WGS84 
              +datum=WGS84 +units=m +no_defs") #EPSG:32652, UTM 52N, WGS84

gwanakUTM <- spTransform(seoulgwanak, UTM52N)

# crs 조회는 raster::crs()로만!
crs(gwanakUTM) #EPSG:32652, UTM 52N, WGS84

Coordinate Reference System:
Deprecated Proj.4 representation:
 +proj=utm +zone=52 +datum=WGS84 +units=m +no_defs 
WKT2 2019 representation:
PROJCRS["unknown",
    BASEGEOGCRS["unknown",
        DATUM["World Geodetic System 1984",
            ELLIPSOID["WGS 84",6378137,298.257223563,
                LENGTHUNIT["metre",1]],
            ID["EPSG",6326]],
        PRIMEM["Greenwich",0,
            ANGLEUNIT["degree",0.0174532925199433],
            ID["EPSG",8901]]],
    CONVERSION["UTM zone 52N",
        METHOD["Transverse Mercator",
            ID["EPSG",9807]],
        PARAMETER["Latitude of natural origin",0,
            ANGLEUNIT["degree",0.0174532925199433],
            ID["EPSG",8801]],
        PARAMETER["Longitude of natural origin",129,
            ANGLEUNIT["degree",0.0174532925199433],
            ID["EPSG",8802]],
        PARAMETER["Scale factor at natural origin",0.9996,
            SCALEUNIT["unity",1],
            ID["EPSG",8805]],
        PARAMETER["False easting",500000,
            LENGTHUNIT["metre",1],
            ID["EPSG",8806]],
        PARAMETER["False northing",0,
            LENGTHUNIT["metre",1],
            ID["EPSG",8807]],
        ID["EPSG",16052]],
    CS[Cartesian,2],
        AXIS["(E)",east,
            ORDER[1],
            LENGTHUNIT["metre",1,
                ID["EPSG",9001]]],
        AXIS["(N)",north,
            ORDER[2],
            LENGTHUNIT["metre",1,
                ID["EPSG",9001]]]] 

DEMgwanak <- crop(seoulDEM30, extent(gwanakUTM), snap="out") %>%
             mask(mask = gwanakUTM)


# tmap

tmap_mode("view")

tm_shape(DEMgwanak) +
  tm_raster(alpha = 0.45) +
tm_shape(seoulgwanak) +
  tm_polygons(border.col="red", alpha = 0)

4.1.3 위경도 좌표로 공간자료 생성

해당 문서에서 정제한 올리브영 자료는 2020년 7월 19일 기준이다.

해당 자료는 올리브영 매장안내에서 구득하였다.

자료 정제 과정?

oliveyoungXY <- read_csv("./data/Datasets/Oliveyoung/Oliveyoung.csv")

# noi는 관심매장으로 추가한 사람의 수
oliveyoungXY

# A tibble: 368 x 6
   name           addr                               ph.numb     noi     x     y
   <chr>          <chr>                              <chr>     <dbl> <dbl> <dbl>
 1 은행사거리점   서울특별시 노원구 한글비석로 264 ~ 02-938-9~  1278  127.  37.7
 2 중계역점       서울특별시 노원구 동일로 1335 (상~ 02-930-2~   518  127.  37.6
 3 노원역사거리점 서울특별시 노원구 노해로 480       02-934-5~  2365  127.  37.7
 4 노원점         서울특별시 노원구 상계로 65 105호~ 02-935-5~  1948  127.  37.7
 5 홈플러스중계점 서울특별시 노원구 동일로204가길 1~ 02-948-6~   526  127.  37.6
 6 상계보람점     서울특별시 노원구 한글비석로 471   02-930-2~   729  127.  37.7
 7 창동점         서울특별시 도봉구 마들로11길 57    02-991-5~   452  127.  37.7
 8 공릉역점       서울특별시 노원구 동일로192길 74 ~ 02-948-8~  1148  127.  37.6
 9 창동역점       서울특별시 도봉구 노해로63길 84-16 02-908-5~  1168  127.  37.7
10 노원공릉점     서울특별시 노원구 동일로 1083      02-948-1~   294  127.  37.6
# ... with 358 more rows

주어진 좌표가 경위도 좌표(decimal degrees)이기 때문에 단위가 도(°)이다. 위경도 좌표를 가지고 포인트 공간자료를 제작할 때 평면 상에 투영되어 단위가 Meter인 투영좌표계(Projected Coordinate System, PCS)는 사용하지 못한다. 따라서 3차원 구 표면을 가지고 위치를 표현하며 단위를 도(°)로 가지는 지리좌표계(Geographic Coordinate System, GCS)를 사용해야 한다.

따라서 이번 예시에서는 WGS84(EPSG:4326) 경위도 좌표를 사용하였다.

crsgcs <- crs("+proj=longlat +ellps=WGS84 +datum=WGS84 +no_defs")            # WGS84 GCS

oliveSP <- SpatialPointsDataFrame(oliveyoungXY[, 5:6], # df에서 x(경도), y(위도) 열 지정(5~6열)
                                  oliveyoungXY,        # 해당 df 지정
                                  proj4string = crsgcs) %>% # 앞서 변수선언한 GCS
           spTransform(crs(DEMgwanak))          # 앞서 다뤘던 관악구DEM 좌표계로 변경(PCS)     

# %>% 파이프 복습
# 위 코드를 다음과 같이 쓸 수도 있음
# oliveSP <-spTransform(x = SpatialPointsDataFrame(olive[, 5:6], olive,proj4string = crsgcs),
#                       CRSobj = crs(seoulgu))

# 작업의 순서대로 코드를 짤 수 있는 장점이 있음
# 이전 작업의 결과물은 파이프로 다음 함수의 주요 변수로 우선 지정이 됨.

추후 다룰 tmap 패키지를 사용하여 도시하였다.

library(tmap)
library(leafem)

tmap_mode("view")                     # 상호작용지도

{
tm1 <- tm_shape(oliveSP) + tm_dots()  # 공간자료 선언 + 표시 형식
lf <- tmap_leaflet(tm1)               # (옵션) leafleat 기능 사용위한 변환
addMouseCoordinates(lf)               # (옵션) 동적 지도에 좌표표시
}

4.1.4 테이블 Join

해당 자료는 서울시 주민등록인구 (구별) 통계에서 구득하였고, 일련의 과정을 통해 정제하였다.

공간자료의 속성 테이블(Attribute table)과 다른 데이터 프레임에 서로 분리되어 있는 데이터를 연결하여 하나의 공간자료로 출력해야 할 때 사용 하는 것이 조인(Join)이다.

먼저 기준이 될 서울시 폴리곤 공간자료이다.

# 시군구 셰입에서 서울만 추출
seoulGU <- subset(sigungu, SIG_CD <= 11740) 

head(seoulGU@data)

  SIG_CD    SIG_ENG_NM SIG_KOR_NM
0  11110     Jongno-gu     종로구
1  11140       Jung-gu       중구
2  11170    Yongsan-gu     용산구
3  11200  Seongdong-gu     성동구
4  11215   Gwangjin-gu     광진구
5  11230 Dongdaemun-gu   동대문구

그리고 조인을 수행할 서울시 인구자료이다.

seoulgupop2020 <- read_csv("./data/Datasets/Population/20201stQGu.csv")

seoulgupop2020

# A tibble: 25 x 14
   quarter  GU     HousHld TotlPop   Male Female Domestc DomMale DomFmle Foreign
   <chr>    <chr>    <dbl>   <dbl>  <dbl>  <dbl>   <dbl>   <dbl>   <dbl>   <dbl>
 1 2020.1/4 종로구   74151  161984  78271  83713  151217   73704   77513   10767
 2 2020.1/4 중구     63045  136469  66769  69700  126175   61839   64336   10294
 3 2020.1/4 용산구  110895  246165 119961 126204  229579  110667  118912   16586
 4 2020.1/4 성동구  135643  307193 149891 157302  299042  146300  152742    8151
 5 2020.1/4 광진구  165287  365990 176226 189764  350417  169568  180849   15573
 6 2020.1/4 동대~   165279  362793 178202 184591  346156  171896  174260   16637
 7 2020.1/4 중랑구  182220  400678 198122 202556  395619  196076  199543    5059
 8 2020.1/4 성북구  193801  454532 218561 235971  442494  213926  228568   12038
 9 2020.1/4 강북구  144805  316750 154141 162609  312985  152747  160238    3765
10 2020.1/4 도봉구  138595  333495 162774 170721  331238  161879  169359    2257
# ... with 15 more rows, and 4 more variables: ForMale <dbl>, ForFmle <dbl>,
#   cap/hhd <dbl>, 65+ <dbl>

다음은 조인을 하는 과정이다. sp 패키지의 merge() 함수를 사용하였다.

# usage: sp::merge(x, y, by.x = "x기준열명", by.y = "y기준열명" ...)
seoulpopJOIN <- merge(seoulGU, seoulgupop2020 ,by.x ="SIG_KOR_NM", by.y = "GU")

head(seoulpopJOIN@data)

   SIG_KOR_NM SIG_CD   SIG_ENG_NM  quarter HousHld TotlPop   Male Female
23     종로구  11110    Jongno-gu 2020.1/4   74151  161984  78271  83713
24       중구  11140      Jung-gu 2020.1/4   63045  136469  66769  69700
21     용산구  11170   Yongsan-gu 2020.1/4  110895  246165 119961 126204
16     성동구  11200 Seongdong-gu 2020.1/4  135643  307193 149891 157302
   Domestc DomMale DomFmle Foreign ForMale ForFmle cap/hhd   65+
23  151217   73704   77513   10767    4567    6200    2.04 28073
24  126175   61839   64336   10294    4930    5364    2.00 23794
21  229579  110667  118912   16586    9294    7292    2.07 39439
16  299042  146300  152742    8151    3591    4560    2.20 44728
 [ reached 'max' / getOption("max.print") -- omitted 2 rows ]

tm_shape(seoulpopJOIN) + 
  tm_polygons(c("TotlPop","Domestc","Foreign","65+"))+
  tm_facets(sync = TRUE, ncol = 2) # 움직임 동기화 / 열의 수

4.2.1 기초 문법

load(url("https://github.com/mgimond/Spatial/raw/main/Data/Sample1.RData"))

회색의 기본적인 지도를 만들려면 다음을 입력한다.

tmap_mode("plot") # 일반 그림 지도

tm_shape(s.sf) + tm_polygons()

tm_shape() 함수는 공간자료를 패키지로 불러오는 역할을 하며 공간자료는 vector 형식이나 raster 형식이 될 수 있다. tm_polygons 함수는 tmap 패키지에서 어떻게 공간자료가 도시되는지 표현하는 여러 명령 중 하나이다.

tm_polygons 함수에 col= 파라미터를 넣어서 단순히 단색으로 채워 넣을 수도, 속성 값에 따라 색상의 변화를 줄 수도 있다.

tm_shape(s.sf) + tm_polygons(col="Income", border.col = "white") # border.col <- 경계선 색상

여기서 우리의 목표는 웹 상에 올려서 웹 GIS를 만드는 것이기 때문에 다음과 같은 코드로 html 형식의 지도를 만들 것이다.

tmap_mode("view")는 정적인(static) 지도가 아닌 상호작용이 가능한 웹 문서에서 많이 쓰이는 html 형식의 지도를 제공한다.

기존 정적인 지도를 동적으로 바꾸기 위해서는 tmap_mode("view") 함수를 앞에 명시해주면 된다.

tmap_mode("view") # 상호작용 지도 <-> tmap_mode("plot")

tm_shape(s.sf) + tm_polygons(col="Income", border.col = "red")

4.2.2 Tmap을 활용한 지도 예시

AQstations <- readOGR(dsn = "./data/shp/point",
                      layer = "AQstations",
                      encoding = "UTF-8",
                      use_iconv=TRUE,           #esri shapefile 설정
                      stringsAsFactors = FALSE,
                      verbose = FALSE)

names(AQstations@data) <- c("측정일시", "측정소명", "이산화질소농도(ppm)", "오존농도(ppm)", "이산화탄소농도(ppm)", "아황산가스(ppm)", "미세먼지(㎍/㎥)", "초미세먼지(㎍/㎥)","주소",  "지점명", "일일교통량(대)", "lon", "lat")


AQstations@data[,1] <- lubridate::ymd(AQstations@data[,1]) # 측정일시 날짜형식으로 변환



traffic <- readOGR(dsn = "./data/shp/point",
                   layer = "traffic",
                   encoding = "UTF-8",
                   use_iconv=TRUE,           #esri shapefile 설정
                   stringsAsFactors = FALSE,
                   verbose = FALSE)

names(traffic@data) <- c("지점번호","지점명","경도","위도")

tmap_mode("view")

lung <- tmap_icons("./fig/lung.png")
car  <- tmap_icons("./fig/car.png")

tm_shape(AQstations) +
  tm_symbols("측정소명", id="측정소명", popup.vars = names(AQstations@data), size = 0.5,shape = lung, legend.col.show = FALSE)+
tm_shape(traffic) +
  tm_symbols("지점명", id="지점명", popup.vars = names(traffic@data),size = 0.5, shape = car,legend.col.show = FALSE)

tm_shape(rail.sf) + tm_lines(col = "FULLNAME",id="FULLNAME",lwd=4)

seoulDongPOP <- read_csv("./data/Datasets/Population/20201stQDong.csv")

merge(x = seoulemd, y = seoulDongPOP , "ADM_DR_CD" ) %>%
  tm_shape() +
  tm_polygons(title = "2020년 1/4분기 <br>서울시 행정동별 등록인구 <br>(Jenks 분류법)", 
              id="ADM_DR_NM.x", 
              col = "TotlPop", 
              popup.vars = c("GU","ADM_DR_NM.x","TotlPop","Domestc","Foreign"),
              style = "jenks",
              n = 7,
              palette = "BuPu" #tmaptools::palette_explorer()
  )

data("World", package = "tmap") # tmap 기본 공간자료 - sf 형식

tm_shape(World) +
  tm_polygons(c("HPI", "gdp_cap_est"),
              palette = list("RdYlGn", "Purples"),
              style = c("pretty", "fixed"), n = 7, 
              breaks = list(NULL, c(0, 500, 2000, 5000, 10000, 25000, 50000, Inf)),
              title = c("Happy Planet Index", "GDP per capita")) +
  tm_style("natural", 
           earth.boundary = c(-180, -87, 180, 87))

tmap_mode("view")

# tm_basemap에 적용 가능한 배경지도는 다음의 링크 잠고
# https://leaflet-extras.github.io/leaflet-providers/preview/

tm_basemap(c("Stamen.Terrain","OpenStreetMap.HOT")) +     # 배경지도(basemap)
tm_shape(seoulDEM30)  +                                   # tm_shape
tm_raster(n=10^5,                                         # 간격 수
          palette = "-Spectral",                          # 색 그라데이션 tmaptools::palette_explorer() 참고
          style = "cont",                                 # ArcGIS Symbology의 Classification. 간격 스타일 설정
          title = "Seoul DEM 30M<br/>Elevation(Meter)")                        # 범례 제목

                                                          # 자세한 내용은 패키지 로드 후 Console에 ?tm_raster

4.2.3 결과물 저장

제작한 결과물을 웹 상에 호스팅하여 볼 수 있게 만들면 실습 목표인 webGIS 제작을 하는 것이다.

그러기 위해서는 저장 시 html 형식으로 해야 하는데 다음과 같은 코드를 사용한다.

# 서울시 구 예시
tmexp <- tm_shape(seoulpopJOIN) + tm_polygons()

# tmap_save(tm = tmexp, filename = "./seoulGU.html") # 경로/파일명.html  예시는 상대경로

하지만 위 함수로는 4 by 4 형식 등의 facets 지도를 추출 할 수 없다. 따라서 다음과 같이 RStudio에서 html 저장을 해주도록 하자.

RStudio 상에서 Viewer 창에 나타난 html 지도 저장 방법

1. Export를 누른다.
2. Save as Web Page…를 누른다.
3. 저장 창이 뜨면 원하는 위치에 저장한다.