03_ggplot_avanzado_soluciones.qmd

---
title: 'Soluciones capítulo 3'
author: "Luz Frias"
execute:
  message: false
  warning: false
---

```{r, message=FALSE}
library(dplyr)
library(ggplot2)
library(sf)
```


### Actividad 1

Sobre el dataset `diamonds`, pinta:

* El histograma del precio según los _facets_ de la calidad del corte (`cut`)
* Un gráfico de barras por claridad (`clarity`) según los _facets_ de calidad del corte (`cut`) y color (`color`).

```{r}
# histograma del precio según la calidad del corte
ggplot(diamonds, aes(x = price)) +
  geom_histogram(bins = 30) +
  facet_wrap(~ cut, scales = "free_y") +
  theme_minimal() +
  labs(
    title = "Relación entre el precio y la calidad",
    y = "# diamantes",
    x = "precio"
  )
```

```{r}
# gráfico de barras por claridad según la calidad del corte y color
ggplot(diamonds, aes(x = clarity)) +
  geom_bar() +
  facet_grid(cut ~ color, scales = "free_y") +
  theme_minimal() +
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust = 1)) +
  labs(
    y = "# diamantes",
    x = "Claridad",
    title = "Diamantes por color, calidad y claridad"
  )
```

### Actividad 2

Utilizando los datos de elecciones (elecciones_2019_provincias.csv y elecciones_2019_votos.csv) y el mapa base con las provincias (spain_provinces.geojson), crea los siguientes gráficos:

1. Un mapa coloreado según la población de cada provincia (mayor intensidad = mayor población).
2. Un mapa con el color del partido más votado en cada provincia (PP en azul, PSOE en rojo, ...).
3. Un _facet_ de mapas, con 4, marcando el porcentaje de votos a los 4 partidos políticos (PP, PSOE, VOX, Podemos). Por ejemplo, en el facet del PSOE, se verán en un color más intenso las provincias con mayor % de votos a PSOE, y menos aquellas con menor %. Y así con cada uno de los partidos.

```{r}
# mapa coloreado según la población de cada provincia
provincias <- read_sf("dat/spain_provinces.geojson")
elecciones_provincias <- read.csv("dat/elecciones_2019_provincias.csv")

tmp <- provincias %>%
  inner_join(elecciones_provincias, by = c("codigo" = "provincia_cod_ine"))

ggplot(tmp) +
  geom_sf(aes(fill = poblacion)) +
  scale_fill_continuous(trans = "reverse") +
  theme_void() +
  labs(
    title = "Población por provincias",
    fill  = "Población"
  )
```

```{r}
# mapa con el color del partido más votado en cada provincia
elecciones_votos <- read.csv("dat/elecciones_2019_votos.csv")

mas_votado <- elecciones_votos %>%
  group_by(provincia_cod_ine) %>%
  arrange(desc(votos)) %>%
  summarise(partido = first(partido))

tmp <- provincias %>%
  inner_join(mas_votado, by = c("codigo" = "provincia_cod_ine"))

paleta_partidos <- c(
  "erc"          = "#f7a003",
  "navarra_suma" = "#444444",
  "pnv"          = "#278347",
  "pp"           = "#3caee1",
  "psoe"         = "#bb0201",
  "teruelexiste" = "#eeeeee",
  "vox"          = "#83b431"
)

ggplot(tmp) +
  geom_sf(aes(fill = partido)) +
  scale_fill_manual(values = paleta_partidos) +
  theme_void() +
  labs(
    title = "Partido más votado por provincia",
    fill  = "Partido"
  )
```

```{r}
# Un _facet_ de mapas, con 4, marcando el porcentaje de votos a los 4 partidos políticos
# (PP, PSOE, VOX, Podemos)

votos <- elecciones_votos %>%
  filter(partido %in% c("pp", "psoe", "podemos", "vox")) %>%
  inner_join(elecciones_provincias) %>%
  mutate(ratio_votos = votos / votos_validos)

tmp <- provincias %>%
  inner_join(votos, by = c("codigo" = "provincia_cod_ine"))

ggplot(tmp) +
  geom_sf(aes(fill = ratio_votos)) +
  scale_fill_distiller(palette = "Blues", trans = "reverse") +
  facet_wrap(~ partido) +
  theme_void()
```

### Actividad 3

Repasa estos gráficos que acabas de generar y añade títulos, nombres de eje, y personaliza el tema utilizado.


```{r}
# Hecho sobre los propios gráficos
```