[R語言專題]用ggplot畫地圖 – 基礎篇

2023-10-26
R語言專題, R語言教學

Last Updated on 2023-12-19

Home » R語言教學 » R語言專題 » [R語言專題]用ggplot畫地圖 – 基礎篇

怎麼用R語言繪製地圖？畫出台灣或者台北市地圖，有什麼要注意的事情？本文利用ggplot2和sf帶你畫地圖。

這篇文章介紹R語言當中的套件sf以及ggplot2，還有相應的空間與地理資料型態、資料格式、資料結構，帶你一步步用R語言畫出精美地圖。

文章目錄

用 R 語言畫地圖 – 架構

地圖（map）是一種用來呈現地理空間資料的視覺化方法，用來呈現地點、區域或是其他地理相關的資訊。

當我們想看台北市7-11的歷史發展的時候，當然可以觀察營收變化、毛利率結構，但是如果有一張地圖比較1990年和2020年的展店變化，就能清楚讓讀者知道，喔！原來7-11帝國就是如此擴張的。

畫地圖的基礎元素通常包括非笛卡爾體系的座標軸（non Cartesian coordinate system，笛卡爾體系就是我們平常常見的正交座標系，跟地理不一樣）、圖上標籤與圖例等。

我們通常將經度（longitude）和緯度（latitude）作為x軸和y軸，並且在地圖上附加其他資料層，比如用圓點呈現（heatmap），或是在地標上加上標記（marker）表示特定事件發生。

美國大選扭曲地圖

想要繪製出地圖，除了理解R語言的套件與程式碼以外，其實更需要先增加對地理資訊系統（geographic information system，簡稱GIS）的理解，架構包含認識地理資訊原始格式（format）、R語言裡面的地理資料結構（data structure）、操作地理資料（geometry operations）、視覺化地理資料等。

在知道怎麼畫出一張地圖以外，還得補充基礎的地理學概念與知識，例如投影系統（projection system）、座標系統（coordinate system）、縮放比例（scale）、分區（zoning）、等高線（contour lines）、圖層（layers）等。

另外，除了最常見一般的地圖以外，其實我們還有多種圖表可以選擇，例如面量圖/統計地圖（Choropleth）、點示地圖（dot distribution map）、變形地圖（Cartogram）、六角地圖（hexmap）、國會席次圖（parliament plots）等多種選項。

我們會將文章分成幾個部分：

認識空間資料型態、認識空間資料格式、認識空間資料結構、實際繪製地圖。

一般地圖 – 端傳媒

在 R 語言中，你可以使用 ggplot2 的擴展套件 ggmap 或是專門用於地理空間數據處理的 sf 和 leaflet 套件來輕鬆地繪製地圖。這些套件提供了豐富的函數和工具，讓你能一步一步實作出精緻的地圖。

認識空間資料型態：向量與網格

最主要的空間資料型態分別是向量（vector）與網格（raster）。

先來看兩張示意圖，你就能看懂向量與網格的差異了。

向量與網格差異

向量與網格差異之二

用小朋友都能懂的話來說，網格是把現實世界切成一個又一個方格，利用抽象（abstraction）逼近真實世界，向量則試圖百分百的還原真實。我們來看各自的特性吧！

向量（Vector）

描述：向量格式用點（points）、線（lines）和多邊形（polygons）來表示地理特徵。“The vector data model represents the world using points, lines and polygons.”
優點：精確度高，能夠準確表示複雜的形狀。想想Adobe Illustrator的向量檔案。能夠緊密結合地理特徵與屬性資料。例如各個縣市的投票人次。通常所需儲存空間較少。
缺點：當資料很大、很複雜時，處理速度可能較慢。不善於應對高度與溫度等連續變數。

網格（Raster）

描述：網格利用網格系統（grid system）表示空間資料，每個格子都是一個基本的地理單位。“The raster data model divides the surface up into cells of constant size.”
優點：計算效率高，適合進行大範圍的空間分析。能夠更容易地表示連續變數。容易取得衛星影像等遙測資料。
缺點：精確度受到格子大小的限制。想想地理的比例尺。可能需要更多的儲存空間。格子越細密能存越多東西。屬性資料的管理較為複雜。

範例

台北市政府的開放資料：台北市各里人口數和台北市里界圖，前者的資料格式為 csv ，後者為 shapefile
內政部的SEGIS資料庫：台北市人口統計_村里與和台北市人口統計_最小統計區，資料格式則是 csv 和 shapefile 都有

認識空間資料格式

為什麼要先認識空間資料格式，而非空間資料結構呢？因為後面會花比較大的篇幅介紹空間資料結構，所以把格式拉到前面。

xlsx/ods：可以用 Excel/Google sheet 開啟的檔案格式，長相就是平常可以看到的試算表表格。政府單位常常以 ods 發布資料，台北市民政局的人口統計就是提供 ods
csv： comma separated value, 用逗點分隔欄位，是非常常見的檔案格式。無論政府或私人單位都會以 csv 發布資料
tif：儲存地理圖像的點陣圖格式，通常資料當中包含經緯度。衛星影像的原始格式即是 tif。
shapefile：儲存地理圖資的檔案格式，由 shp, shx, dbf, prj 所組成，分別紀錄了地理參照資料、索引、屬性、投影。通常提供地理圖資時，會提供包含 shp, shx, dbf, prj, 等格式的壓縮檔案。
geojson：基於 JSON 儲存地理資訊的檔案格式，內容包含空間範圍和屬性。

ShapefiIe

最常見的地理資訊格式，由 ERSI 發明，當中包含數個檔案。以下就是他的細部組成：

.shp: 儲存幾何特徵
.shx: 儲存 .shp 當中特徵的 index
.dbf: 儲存屬性資訊，像是幾何特徵的名字或變數
.prj: 儲存座標系統資訊 (coordinate system information) 這個格式常見到有人創了twitter account

ShapefiIe推特帳號

GeoJSON

使用跟 JSON 類似的原始格式，但設計上有特別考慮在表現出地理特徵以外，也保留 non-spatial 的屬性。

地理特徵包含 points, line strings, polygons, and multi-part collections of these types. 你可以看這篇在R語言中處理GeoJSON資料的教學。

GeoJSON長相

認識空間資料結構

知道R語言中空間資料的型態，也認識原始資料的格式，接著我們就能進到空間資料結構了！

我們來看R語言中常見的空間資料結構：Simple Feature 與 raster。

raster

raster (網格資料) 由數個 cells/pixels (格子)所組成，每個格子都代表一個區域，而格子都有自己對應到的值，拿 raster 資料來繪圖時，格子當中值的大小可以表現出不同的顏色或是單色的深淺，藉此表示不同的地理特徵，像是地勢高低或是土地類型。

若對 raster 資料有興趣，Intro to Raster Data in R 有大量的插圖幫助理解。

先呈現R語言中 raster 資料的長相，以及利用 plot() 畫出的圖。

library(tidyverse)
library(raster)
aut <- getData("alt", country = "AUT", mask = TRUE)
aut
#> class      : RasterLayer 
#> dimensions : 336, 948, 318528  (nrow, ncol, ncell)
#> resolution : 0.008333333, 0.008333333  (x, y)
#> extent     : 9.4, 17.3, 46.3, 49.1  (xmin, xmax, ymin, ymax)
#> crs        : +proj=longlat +datum=WGS84 +no_defs 
#> source     : AUT_msk_alt.grd 
#> names      : AUT_msk_alt 
#> values     : 108, 3533  (min, max)
plot(aut)

實際用raster套件畫出的圖像

因為應用學門不同，資料型態也不同，所以這次教學不會使用 library(raster)，將會以 library(sf)為主。因為 sf 的程式碼實作很長，底下

simple feature

simple feature，簡稱為 sf，它的長相和 raster 有很大的不同。sf 結合了地理特徵與非地理特性，地理特徵像是點、線、多邊形、點與線的組合、線與線的組合，或者是這幾個元素混合在一起，非地理特徵像是地理區的名稱、編號，或者是其他紀錄了人口數量、行政區類型等的欄位。

可以將 simple feature 想像成幾何圖形加上 data frame，幾何圖形就是前述的point, line string, polygon等，data frame 的內容就是區域的屬性(attribute)，只是 dataframe 當中地理特性以 list columns 的形式儲存。

可以參考這篇不簡單的介紹Simple Features for R。

simple feature 範例

其實，除了 sf 以外，若上網查詢在 R 中應該如何處理地理資料，會看到很多人使用 library(sp)，sp 是另一種常見的空間資料型態，只是與 sp 相比，sf 的資料型態易懂且好操作，譬如說可以直接用 st_join() 串接地理資料，而且生態系完整，像是 sf 物件也支援 tidyverse 底下 library(dplyr) 的操作，再加上清楚易懂的官方教學，讓 library(sf) 逐漸熱門，也因此逐漸取代 sp。

若對 sp 與 sf 有興趣，可以參考 Should I learn sf or sp for spatial R programming? 還有Spatial R – Moving from SP to SF，另外，Geocompuations with R 裡面介紹 sf 的段落也值得一看，書中直接提到 “sf largely supersedes the sp ecosystem.”，因此本文才主要介紹 sf。

實作篇 – 結合sf和ggplot2畫地圖

匯入資料

前面提過，資料格式是電腦裡面一個又一個檔案，所以我們是把原始的shapefile、GeoJSON讀進R裏面，變成sf。

匯入資料的函數為st_read()，有兩個重要參數，分別是dsn（data source name）和layer（layer name），可以用「資料夾」的名字理解dsn，以及檔案名稱來理解layer。

空間資料-資料夾長相

以上面的資料夾為例，若我們想匯入台北市的圖資，程式碼要這樣寫：

library(sf)

sf_tpe <-
  st_read(dsn = "data/109年12月行政區人口統計_村里_臺北市_SHP/", layer = "109年12月行政區人口統計_村里", quiet = T) %>%
  # 改編碼
  mutate(across(where(is.character), ~iconv(., from = "BIG5", to = "UTF8")))

sf_tpe
#> Simple feature collection with 7928 features and 12 fields
#> Geometry type: MULTIPOLYGON
#> Dimension:     XY
#> Bounding box:  xmin: -40418.36 ymin: 2422005 xmax: 351690.1 ymax: 2919551
#> CRS:           NA
#> First 10 features:
#>    COUNTY   TOWN VILLAGE COUNTY_ID  TOWN_ID         V_ID VILLAGE_ID H_CNT P_CNT
#> 1  高雄市 林園區  中門里     64000 64000130 64000130-006        006  1130  2871
#> 2  高雄市 林園區  港埔里     64000 64000130 64000130-008        008   823  2040
#> 3  高雄市 旗津區  上竹里     64000 64000100 64000100-010        010  1372  3202
#> 4  高雄市 旗津區  中興里     64000 64000100 64000100-013        013  1065  2858
#> 5  屏東縣 潮州鎮  新榮里     10013 10013020 10013020-003        003   589  1385
#> 6  屏東縣 潮州鎮  新生里     10013 10013020 10013020-004        004   464  1109
#> 7  屏東縣 潮州鎮  光華里     10013 10013020 10013020-005        005  2187  5518
#> 8  屏東縣 潮州鎮  彭城里     10013 10013020 10013020-006        006   329   991
#> 9  屏東縣 潮州鎮  三星里     10013 10013020 10013020-007        007  2455  6437
#> 10 屏東縣 潮州鎮  富春里     10013 10013020 10013020-014        014   512  1353
#>    M_CNT F_CNT INFO_TIME                       geometry
#> 1   1479  1392   109Y12M MULTIPOLYGON (((185730.3 24...
#> 2   1042   998   109Y12M MULTIPOLYGON (((186891 2489...
#> 3   1660  1542   109Y12M MULTIPOLYGON (((177841.5 24...
#> 4   1424  1434   109Y12M MULTIPOLYGON (((177633.5 24...
#> 5    685   700   109Y12M MULTIPOLYGON (((202694 2494...
#> 6    562   547   109Y12M MULTIPOLYGON (((202713.5 24...
#> 7   2729  2789   109Y12M MULTIPOLYGON (((203502.9 24...
#> 8    518   473   109Y12M MULTIPOLYGON (((204497.8 24...
#> 9   3134  3303   109Y12M MULTIPOLYGON (((204655.4 24...
#> 10   674   679   109Y12M MULTIPOLYGON (((202901.1 24...

從匯入後顯示出的資訊可以看到，第一行描述寫著”Simple feature collection with 7928 features and 12 fields”，前面的feature代表共有7928筆資料，後面的fields代表有12個欄位。

接著，Geometry type寫著MULTIPOLYGON，意思是multi加上polygon，也就是多個多邊形，指多邊形的組合。這是什麼意思了，從資料中可以看出，這份資料的單位是里，所以是由多個里拼湊而成的台灣資料，每個里都是一個polygon，拼在一起自然是multipolygon了。

Dimension顧名思義指的是資料的維度，這邊的XY代表兩維，若資料有到三維，就會顯示XYZ。

再往下的Bounding box直翻是邊界框，在這裡就是指這份圖資的地理邊界，或者稱為地圖範圍。你可以想像他是一個四邊形，每個數值分別代表四個點。

最後的CRS代表Coordinate Reference System，也就是座標參考系統，後面的篇章我們會有滿滿的大平台介紹它，這邊先略過不計。

看完這些資訊之後，正式進入我們的資料，可以發現其實就和平常匯入資料一樣，這張表格有包含縣市、鄉鎮市區、村里在內的欄位，最後一個欄位geometry最直得注意，它儲存了地理特徵。

因此，前面縣市鄉鎮市區這些就是我們說的非地理特性，最後一個polygon欄位則是地理特徵。

sf_tpe %>% dplyr::select(geometry)
#> Simple feature collection with 7928 features and 0 fields
#> Geometry type: MULTIPOLYGON
#> Dimension:     XY
#> Bounding box:  xmin: -40418.36 ymin: 2422005 xmax: 351690.1 ymax: 2919551
#> CRS:           NA
#> First 10 features:
#>                          geometry
#> 1  MULTIPOLYGON (((185730.3 24...
#> 2  MULTIPOLYGON (((186891 2489...
#> 3  MULTIPOLYGON (((177841.5 24...
#> 4  MULTIPOLYGON (((177633.5 24...
#> 5  MULTIPOLYGON (((202694 2494...
#> 6  MULTIPOLYGON (((202713.5 24...
#> 7  MULTIPOLYGON (((203502.9 24...
#> 8  MULTIPOLYGON (((204497.8 24...
#> 9  MULTIPOLYGON (((204655.4 24...
#> 10 MULTIPOLYGON (((202901.1 24...

若是只選geometry欄位，我們可以看到每一格都是multipolygon，而且後面有很多數字。這邊你可能會產生疑問，為什麼每個都是multipolygon？為什麼不是polygon？答案是因為村里的組成未必只是一個多邊形，它可能由好幾個不相連的多邊形拼湊再一起。

舉例來說，以前地理課學過飛地，兩片屬於同一個國家的領土沒有相連，這是一個例子。第二個例子就簡單得多，假設我們有一份縣市的圖資，以澎湖縣來說，他絕對不可能是polygon！因為實在有太多不相連的離島散落於海上，陸地彼此沒有相連，但卻構成一個澎湖縣，所以一定要用multipolygon，才能好好呈現。

你可能又想問說，飛地或者離島，不是應該是例外嗎？對，這樣說也沒錯，但當例外發生時就要重新設計欄位，這樣很沒效率，所以乾脆用涵蓋一切狀況的multipolygon，比較有效喔！

我們試著拉出其中一列的資料來看內容長什麼樣子。哇賽，是一堆數字！把這些數字投到地圖上，再把它們連起來，最後就能畫出那個里的長相。

sf_tpe %>% head(1) %>% pull(geometry) %>% `[`(1) %>% unlist()
#>   [1]  185730.3  185723.3  185703.1  185701.0  185695.4  185694.8  185684.1
#>   [8]  185429.0  185426.0  185423.8  185410.4  185396.9  185394.7  185396.3
#>  [15]  185380.7  185380.0  185377.2  185366.8  185364.0  185362.9  185358.2
#>  [22]  185358.2  185359.5  185361.8  185390.1  185362.4  185294.1  184977.6
#>  [29]  184944.4  184590.4  184140.2  184074.3  184042.9  184057.4  184182.4
#>  [36]  184185.6  184185.9  184185.9  184198.5  184225.4  184245.3  184265.7
#>  [43]  184271.5  184286.3  184300.0  184301.5  184299.6  184296.6  184285.1
#>  [50]  184264.9  184271.5  184276.2  184301.6  184313.2  184334.9  184350.9
#>  [57]  184371.9  184406.6  184442.1  184439.4  184434.1  184428.1  184418.2
#>  [64]  184423.8  184428.2  184435.3  184457.9  184470.6  184477.7  184504.7
#>  [71]  184514.7  184520.0  184519.9  184520.8  184518.9  184511.2  184508.0
#>  [78]  184508.4  184510.3  184513.9  184518.2  184525.7  184531.5  184542.5
#>  [85]  184556.5  184567.0  184576.4  184585.2  184593.5  184603.2  184610.4
#>  [92]  184614.2  184624.5  184641.6  184648.6  184665.5  184683.5  184694.0
#>  [99]  184708.9  184717.5  184723.2  184739.5  184750.6  184765.6  184769.5
#> [106]  184779.4  184802.0  184821.1  184845.4  184850.9  184851.1  184859.4
#> [113]  184876.0  184883.6  184895.1  184904.6  184921.8  184929.3  184937.8
#> [120]  184956.3  184972.2  185018.8  185024.0  185131.6  185239.3  185243.1
#> [127]  185243.8  185246.5  185248.2  185249.9  185279.1  185279.4  185282.7
#> [134]  185387.8  185416.4  185420.9  185412.7  185416.5  185419.7  185419.7
#> [141]  185434.3  185478.3  185508.7  185515.6  185528.0  185545.2  185624.3
#> [148]  185641.5  185641.8  185647.9  185652.3  185658.7  185672.1  185711.7
#> [155]  185730.3 2489775.0 2489718.1 2489555.0 2489547.7 2489544.8 2489544.5
#> [162] 2489545.0 2489595.8 2489593.5 2489589.8 2489547.7 2489517.2 2489508.0
#> [169] 2489460.7 2489292.0 2489290.0 2489288.7 2489286.5 2489285.0 2489281.5
#> [176] 2489253.2 2489245.5 2489242.3 2489240.5 2489234.2 2489182.5 2489020.5
#> [183] 2488628.6 2488573.5 2488860.1 2489177.8 2489144.8 2489139.2 2489218.6
#> [190] 2489904.9 2489916.7 2489917.8 2489917.9 2489932.2 2489949.6 2489962.7
#> [197] 2489971.2 2489979.2 2489990.6 2490008.4 2490025.9 2490034.3 2490045.2
#> [204] 2490065.4 2490099.1 2490124.0 2490130.1 2490147.1 2490152.2 2490161.5
#> [211] 2490164.4 2490167.2 2490168.2 2490166.4 2490181.4 2490189.5 2490199.3
#> [218] 2490219.0 2490225.6 2490230.2 2490242.5 2490258.4 2490267.8 2490277.0
#> [225] 2490304.6 2490319.0 2490330.0 2490343.7 2490354.3 2490361.6 2490395.0
#> [232] 2490405.6 2490419.6 2490437.1 2490446.1 2490450.8 2490455.3 2490462.9
#> [239] 2490470.7 2490486.5 2490494.1 2490507.5 2490524.6 2490541.5 2490571.0
#> [246] 2490591.4 2490602.7 2490617.4 2490636.4 2490650.8 2490676.6 2490706.1
#> [253] 2490722.5 2490752.9 2490768.0 2490774.1 2490790.5 2490802.5 2490814.6
#> [260] 2490821.5 2490834.5 2490817.0 2490801.5 2490772.3 2490765.5 2490765.3
#> [267] 2490738.2 2490684.3 2490671.0 2490655.5 2490646.0 2490634.0 2490631.0
#> [274] 2490627.5 2490620.5 2490617.8 2490613.9 2490613.5 2490604.7 2490595.0
#> [281] 2490593.5 2490593.3 2490590.0 2490588.0 2490582.3 2490480.7 2490479.8
#> [288] 2490474.2 2490297.5 2490236.5 2490223.5 2490163.5 2490079.5 2490033.1
#> [295] 2490032.8 2490008.0 2489952.0 2489916.6 2489908.5 2489894.0 2489883.0
#> [302] 2489855.0 2489844.8 2489844.1 2489831.5 2489802.0 2489792.5 2489784.2
#> [309] 2489778.0 2489775.0

理解simple feature的長相後，我們往後推進，先進一段現在還沒學到的程式碼，它的意義主要是修改欄位名稱、修改座標系統、修改異體字，以及，為了方便展示，篩選出台北市的圖資。

sf_tpe <-
  sf_tpe %>%
  rename_with(~str_to_lower(.), everything()) %>% 
  mutate(across(where(is.double), ~if_else(is.na(.),as.double(0),.))) %>%
  st_set_crs(3826) %>% st_transform(4326) %>% filter(str_detect(county, "臺北市")) %>%
  mutate(village = if_else(str_detect(village,"糖"),"糖廍里",village))

sf_tpe
#> Simple feature collection with 456 features and 12 fields
#> Geometry type: MULTIPOLYGON
#> Dimension:     XY
#> Bounding box:  xmin: 121.4571 ymin: 24.9605 xmax: 121.6659 ymax: 25.21018
#> Geodetic CRS:  WGS 84
#> First 10 features:
#>    county   town village county_id  town_id         v_id village_id h_cnt p_cnt
#> 1  臺北市 文山區  樟新里     63000 63000080 63000080-031        031  2199  5697
#> 2  臺北市 文山區  老泉里     63000 63000080 63000080-037        037   362   923
#> 3  臺北市 文山區  樟腳里     63000 63000080 63000080-032        032  2108  5674
#> 4  臺北市 文山區  樟文里     63000 63000080 63000080-041        041  2374  6311
#> 5  臺北市 文山區  樟樹里     63000 63000080 63000080-043        043  1825  4898
#> 6  臺北市 文山區  順興里     63000 63000080 63000080-029        029  2902  7642
#> 7  臺北市 文山區  指南里     63000 63000080 63000080-036        036  1766  4108
#> 8  臺北市 文山區  樟林里     63000 63000080 63000080-030        030  3247  8424
#> 9  臺北市 文山區  忠順里     63000 63000080 63000080-038        038  1781  4213
#> 10 臺北市 文山區  試院里     63000 63000080 63000080-023        023  2808  6901
#>    m_cnt f_cnt info_time                       geometry
#> 1   2682  3015   109Y12M MULTIPOLYGON (((121.5595 24...
#> 2    485   438   109Y12M MULTIPOLYGON (((121.5715 24...
#> 3   2735  2939   109Y12M MULTIPOLYGON (((121.5691 24...
#> 4   3048  3263   109Y12M MULTIPOLYGON (((121.5599 24...
#> 5   2324  2574   109Y12M MULTIPOLYGON (((121.5625 24...
#> 6   3674  3968   109Y12M MULTIPOLYGON (((121.5678 24...
#> 7   2099  2009   109Y12M MULTIPOLYGON (((121.5799 24...
#> 8   4103  4321   109Y12M MULTIPOLYGON (((121.5585 24...
#> 9   1986  2227   109Y12M MULTIPOLYGON (((121.5683 24...
#> 10  3276  3625   109Y12M MULTIPOLYGON (((121.5507 24...

在開始畫圖之前，我們最後統整一下simple feature裡面有些什麼東西：

資料結構 – Simple feature collection
幾何組成 – geometry type
維度 – dimension
地理區域 – bbox
大地座標系統 – geographic CRS

用ggplot2畫圖

令人感動的時刻到來。我們利用ggplot()和geom_sf()函數，就能立刻畫出台北市的地圖。

sf_tpe %>% ggplot() + geom_sf()

接下來我們來上色。這份資料，有一個欄位p_cnt，意思是人口數量，我們由淺至深，將人口數量映射到顏色上。裡面我還多做一件事，在geom_sf()裡面，把color設成NA，這邊的color原先的作用是邊界的顏色，也就是border line，調整成NA後，雖然看不到分界，但也能因此不會受到分界顏色帶來的干擾。另一個常見做法是設定成灰色，你也可以參考。

sf_tpe %>% ggplot(aes(fill = p_cnt)) + geom_sf(color = NA) +
  scale_fill_gradient(low = "white", high = "purple")

有上過地理課的朋友們，可能會聽老師強調一件事情，地圖上色會誤導人！上面這張圖就是一個好例子，某個面積超大的里A有100人、某個面積超小的里B同樣有100人，但地圖上呈現出來，就會覺得這兩邊的人都很多，但反而沒有顯示出密度不同的事實，所以要慎選變數。我們改成將密度映射到顏色深淺上：

sf_tpe %>% mutate(p_density = p_cnt/(as.double(st_area(.))/1000000)) %>%
  ggplot(aes(fill = p_density)) + geom_sf(color = NA) + scale_fill_gradient(low = "white", high = "purple")

就這樣！大功告成！我們利用R語言，完美的畫出地圖。

不過，有些概念還沒提到，例如上面跳過的CRS，還有空間資料的操作，例如怎麼從村里變成鄉鎮市區，例如想要篩選出北台灣，除了利用縣市名稱以外還有沒有其他做法，這些都會在進階篇補上！

小結

在這篇文章中，我們利用R語言中的sf與ggplot2套件，畫了一張地圖（map），在此之前，我們認識了空間資料格式，包含vector與raster，另外也介紹空間資料型態，如GeoJSON和shapefile，最後則是談到空間資料結構，包含simple feature與raster。希望你喜歡這篇文章，也能夠增添對於 ggplot2 的認識，並且學到東西。

Post Views: 1,251

Dennis Tseng

3 Comments

Kris
2023-11-16 at 10:43 // Reply

教學淺顯易懂，感謝您的無私付出!!
Kuoan
2023-12-18 at 20:16 // Reply

請問｀[｀（1）是什麼意思？
- Dennis Tseng Author
  2023-12-19 at 03:23 // Reply
  
  我用底下的程式碼來解釋喔
  第一段
  abc <- c(1,2,3);abc[1] #1 第二段 abc <- c(1,2,3);abc %>% `[`(1) #1
  這兩段的意思一樣
  我們平常看到的 [] 其實是一個函數
  跟 %>% 連用時 `[`(1) 其實就是 object[1] 的意思