Chapitre 2 Faire des cartes avec R

De nombreuses données comportent des informations de géolocalisation. Il est alors naturel d’utiliser des cartes pour les visualiser. On peut généralement s’intéresser à deux types de cartes :

statiques : des cartes figées que l’on pourra exporter aux formats pdf ou png par exemple, ce type est généralement utilisé pour des rapports ;
dynamiques ou interactives : des cartes que l’on pourra visualiser dans un navigateur et sur lesquelles on pourra zoomer ou obtenir des informations auxiliaires lorsqu’on clique sur certaines parties de la carte.

De nombreux packages R permettent d’obtenir des cartes. Dans cette partie, on s’intéressera aux packages ggmap et sf pour les cartes statiques et leaflet pour les cartes interactives.

2.1 Le package ggmap

Nous montrons dans cette section comment récupérer des fonds de carte et ajouter quelques informations à l’aide de ggmap. Pour plus de détails sur ce package, on pourra consulter cet article pour plus de détails.

ggmap permet de récupérer facilement des fonds de carte. Par exemple :

library(ggmap)
us <- c(left = -125, bottom = 25.75, right = -67, top = 49)
map <- get_stamenmap(us, zoom = 5, maptype = "toner-lite")
ggmap(map)

Pour l’Europe on fait

europe <- c(left = -12, bottom = 35, right = 30, top = 63)
get_stamenmap(europe, zoom = 5,"toner-lite") %>% ggmap()

On peut également changer le fond de carte

get_stamenmap(europe, zoom = 5,"toner-background") %>% ggmap()

Pour la france, on aura

fr <- c(left = -6, bottom = 41, right = 10, top = 52)
get_stamenmap(fr, zoom = 5,"toner-lite") %>% ggmap()

La fonction geocode de ggmapqui permettait de récupérer des latitudes et longitudes nécessite désormais une API, ce qui contraint son utilisation. Nous proposons d’utiliser la fonction suivante :

if (!(require(jsonlite))) install.packages("jsonlite")
mygeocode <- function(adresses){
# adresses est un vecteur contenant toutes les adresses sous forme de chaine de caracteres
  nominatim_osm <- function(address = NULL){
    ## details: http://wiki.openstreetmap.org/wiki/Nominatim
    ## fonction nominatim_osm proposée par D.Kisler
    if(suppressWarnings(is.null(address)))  return(data.frame())
    tryCatch(
      d <- jsonlite::fromJSON(
        gsub('\\@addr\\@', gsub('\\s+', '\\%20', address),
             'http://nominatim.openstreetmap.org/search/@addr@?format=json&addressdetails=0&limit=1')
      ), error = function(c) return(data.frame())
    )
    if(length(d) == 0) return(data.frame())
    return(c(as.numeric(d$lon), as.numeric(d$lat)))
  }
  tableau <- t(sapply(adresses,nominatim_osm))
  colnames(tableau) <- c("lon","lat")
  return(tableau)
}

Cette fonction permet de récupérer les latitudes et longitudes de lieux à spécifier :

mygeocode("the white house")
                      lon     lat
the white house -77.03655 38.8977
mygeocode("Paris")
           lon      lat
Paris 2.320041 48.85889
mygeocode("Rennes")
            lon      lat
Rennes -1.68002 48.11134

Exercice 2.1 (Populations des grandes villes de france)

Récupérer les latitudes et longitudes de Paris, Lyon et Marseille et représenter ces 3 villes sur une carte de la France.

V <- c("Paris","Lyon","Marseille")
A <- mygeocode(V)
A <- A %>% as_tibble() %>% mutate(Villes=V)
fr <- c(left = -6, bottom = 41, right = 10, top = 52)
fond <- get_stamenmap(fr, zoom = 5,"toner-lite") 
ggmap(fond)+geom_point(data=A,aes(x=lon,y=lat),color="red")

Le fichier villes_fr.csv contient les populations des 30 plus grandes villes de france. Représenter à l’aide d’un point les 30 plus grandes villes de France. On fera varier la taille du point en fonction de la population en 2014.
```
df <- read_csv("data/villes_fr.csv")
df$Commune <- as.character(df$Commune)
```
Attention, la ville de Lille n’est pas bien écrite ! Il faut la renommer :
```
df$Commune[10]    
[1] "Lille15"
df$Commune[10] <- "Lille"
```
On calcule les coordonnées avec mygeocode et on représente les ville. Pour la taille des points, il suffit d’ajouter size=2014 dans l’aes du geom_point.
```
coord <- mygeocode(as.character(df$Commune)) %>% as_tibble()
df1 <- bind_cols(df,coord)
ggmap(fond)+geom_point(data=df1,aes(x=lon,y=lat),color="red")
ggmap(fond)+geom_point(data=df1,aes(x=lon,y=lat,size=`2014`),color="red")
```

2.2 Cartes avec contours, le format shapefile

ggmap permet de récupérer facilement des fonds de cartes et de placer des points dessus avec la syntaxe ggplot. Cependant, de nombreuses fonctions de ca package nécessitent une API et il est difficile de définir des contours (frontières de pays, départements ou régions) avec ggmap. Nous proposons ici de présenter brièvement le package sf qui va nous permettre de créer des cartes “avancées,” en gérant les contours à l’aide d’objets particuliers mais aussi en prenant en compte différents systèmes de coordonnées. En effet, la terre n’est pas plate… mais une carte est souvent visualisée en 2D, il faut par conséquent réaliser des projections pour représenter des lieux définis par une coordonnée (comme la latitude et la longitude) sur une carte 2D. Ces projections sont généralement gérées par les packages qui permettent de faire de la cartographie comme sf. On pourra trouver de la documentation sur ce package aux url suivantes :

https://statnmap.com/fr/2018-07-14-initiation-a-la-cartographie-avec-sf-et-compagnie/
dans les vignettes sur la page du cran de ce package : https://cran.r-project.org/web/packages/sf/index.html

Ce package propose de définir un nouveau format sf adapté à la cartographie. Regardons par exemple l’objet nc

library(sf)
nc <- st_read(system.file("shape/nc.shp", package = "sf"), quiet = TRUE)
class(nc)
[1] "sf"         "data.frame"
nc
Simple feature collection with 100 features and 14 fields
Geometry type: MULTIPOLYGON
Dimension:     XY
Bounding box:  xmin: -84.32385 ymin: 33.88199 xmax: -75.45698 ymax: 36.58965
Geodetic CRS:  NAD27
First 10 features:
    AREA PERIMETER CNTY_ CNTY_ID        NAME  FIPS FIPSNO
1  0.114     1.442  1825    1825        Ashe 37009  37009
2  0.061     1.231  1827    1827   Alleghany 37005  37005
3  0.143     1.630  1828    1828       Surry 37171  37171
4  0.070     2.968  1831    1831   Currituck 37053  37053
5  0.153     2.206  1832    1832 Northampton 37131  37131
6  0.097     1.670  1833    1833    Hertford 37091  37091
7  0.062     1.547  1834    1834      Camden 37029  37029
8  0.091     1.284  1835    1835       Gates 37073  37073
9  0.118     1.421  1836    1836      Warren 37185  37185
10 0.124     1.428  1837    1837      Stokes 37169  37169
   CRESS_ID BIR74 SID74 NWBIR74 BIR79 SID79 NWBIR79
1         5  1091     1      10  1364     0      19
2         3   487     0      10   542     3      12
3        86  3188     5     208  3616     6     260
4        27   508     1     123   830     2     145
5        66  1421     9    1066  1606     3    1197
6        46  1452     7     954  1838     5    1237
7        15   286     0     115   350     2     139
8        37   420     0     254   594     2     371
9        93   968     4     748  1190     2     844
10       85  1612     1     160  2038     5     176
                         geometry
1  MULTIPOLYGON (((-81.47276 3...
2  MULTIPOLYGON (((-81.23989 3...
3  MULTIPOLYGON (((-80.45634 3...
4  MULTIPOLYGON (((-76.00897 3...
5  MULTIPOLYGON (((-77.21767 3...
6  MULTIPOLYGON (((-76.74506 3...
7  MULTIPOLYGON (((-76.00897 3...
8  MULTIPOLYGON (((-76.56251 3...
9  MULTIPOLYGON (((-78.30876 3...
10 MULTIPOLYGON (((-80.02567 3...

Ces données contiennent des informations sur les morts subites de nourissons dans des villes de Caroline du Nord. On remarque que l’objet nc est au format sf et data.frame. On peut donc l’utiliser comme un data.frame classique. Le format sf permet l’ajout d’une colonne particulière (geometry) qui délimitera les villes à l’aide de polygones. Une fois l’objet obtenu au format sf, il est facile de visualiser la carte avec un plot classique

plot(st_geometry(nc))

ou en utilisant le verbe geom_sf si on veut faire du ggplot

ggplot(nc)+geom_sf()

Il devient dès lors facile de colorier des villes et d’ajouter leurs noms :

ggplot(nc[1:3,]) +
   geom_sf(aes(fill = AREA)) + 
   geom_sf_label(aes(label = NAME))

La colonne geometry de nc est au format MULTIPOLYGON, elle permettra donc de délimiter les frontières des villes. Si maintenant on souhaite représenter une ville à l’aide d’un point défini par sa latitude et longitude, il va falloir modifier le format de cette colonne geometry. On peut le faire de la manière suivante :

On récupère les latitudes et longitudes de chaque ville :

coord.ville.nc <- mygeocode(paste(as.character(nc$NAME),"NC"))
coord.ville.nc <- as.data.frame(coord.ville.nc)
names(coord.ville.nc) <- c("lon","lat")

On met ces coordonnées au format MULTIPOINT

coord.ville1.nc <- coord.ville.nc %>%  
  filter(lon<=-77 & lon>=-85 & lat>=33 & lat<=37) %>% 
  as.matrix() %>% st_multipoint()  %>% st_geometry() %>% st_cast(to="POINT")
coord.ville1.nc
Geometry set for 79 features 
Geometry type: POINT
Dimension:     XY
Bounding box:  xmin: -84.08862 ymin: 33.93323 xmax: -77.01151 ymax: 36.503
CRS:           NA
First 5 geometries:
POINT (-81.50766 36.43936)
POINT (-81.13408 36.503)
POINT (-80.70138 36.41356)
POINT (-77.36422 36.41681)
POINT (-77.01151 36.35605)

On indique que ces coordonnées sont des latitudes et longitude et on ajoute la colonne aux données initiales
```
st_crs(coord.ville1.nc) <- 4326 
```
On peut enfin représenter la carte avec les frontières et les points :
```
ggplot(nc)+geom_sf()+geom_sf(data=coord.ville1.nc)
```

Le package sf possède également des fonctions très utiles pour traiter des données cartographiques, on peut citer par exemple :

st_distance qui permet de calculer des distances entre coordonnées ;
st_centroid pour calculer le centre d’une région ;
…

On peut ainsi représenter les centres des villes délimitées par les polygones des données nc avec

nc2 <- nc %>% mutate(centre=st_centroid(nc)$geometry)
ggplot(nc2)+geom_sf()+geom_sf(aes(geometry=centre))

Exercice 2.2 (Première carte avec sf) Nous nous servons de la carte GEOFLAR proposée par l’Institut Géographique National pour récupérer un fond de carte contenant les frontières des départements français. Cette carte est disponible sur le site http: //professionnels.ign.fr/ au format shapefile, elle se trouve dans l’archive dpt.zip. Il faut décompresser pour reproduire la carte. Grâce au package sf, cette carte, contenue dans la série de fichiers departement du répertoire dpt, peut être importée dans un objet R :

dpt <- read_sf("data/dpt")
ggplot(dpt) + geom_sf()

Refaire la carte de l’exercice 2.1 sur ce fond de carte.

On définit tout d’abord un geometry au format MULTIPOINT. On le transforme ensuite en un “vecteur” de longueur 30 au format POINT que l’on ajoute dans la dataframe qui contient les coordonnées des villes.

coord.ville1 <- data.frame(df1[,14:15]) %>% 
  as.matrix() %>% st_multipoint() %>% st_geometry()
coord.ville2 <- st_cast(coord.ville1, to = "POINT")
coord.ville1
Geometry set for 1 feature 
Geometry type: MULTIPOINT
Dimension:     XY
Bounding box:  xmin: -4.486009 ymin: 42.69853 xmax: 7.750713 ymax: 50.63657
CRS:           NA
MULTIPOINT ((2.351462 48.8567), (5.369953 43.29...
coord.ville2
Geometry set for 30 features 
Geometry type: POINT
Dimension:     XY
Bounding box:  xmin: -4.486009 ymin: 42.69853 xmax: 7.750713 ymax: 50.63657
CRS:           NA
First 5 geometries:
POINT (2.351462 48.8567)
POINT (5.369953 43.29617)
POINT (4.832011 45.75781)
POINT (1.444247 43.60446)
POINT (7.268391 43.70094)

On peut maintenant visualiser la carte demandée.

st_geometry(df1) <- coord.ville2
st_crs(df1) <- 4326
df1
Simple feature collection with 30 features and 15 fields
Geometry type: POINT
Dimension:     XY
Bounding box:  xmin: -4.486009 ymin: 42.69853 xmax: 7.750713 ymax: 50.63657
Geodetic CRS:  WGS 84
# A tibble: 30 × 16
    Rang Commune  Département  Région   `1968` `1975` `1982`
 * <dbl> <chr>    <chr>        <chr>     <dbl>  <dbl>  <dbl>
 1     1 Paris    Paris        Île-de-… 2.59e6 2.30e6 2.18e6
 2     2 Marseil… Bouches-du-… Provenc… 8.89e5 9.09e5 8.74e5
 3     3 Lyon     Métropole d… Auvergn… 5.28e5 4.57e5 4.13e5
 4     4 Toulouse Haute-Garon… Occitan… 3.71e5 3.74e5 3.48e5
 5     5 Nice     Alpes-Marit… Provenc… 3.22e5 3.44e5 3.37e5
 6     6 Nantes   Loire-Atlan… Pays de… 2.60e5 2.57e5 2.41e5
 7     7 Strasbo… Bas-Rhin     Grand E… 2.49e5 2.53e5 2.49e5
 8     8 Montpel… Hérault      Occitan… 1.62e5 1.91e5 1.97e5
 9     9 Bordeaux Gironde      Nouvell… 2.67e5 2.23e5 2.08e5
10    10 Lille    Nord         Hauts-d… 2.39e5 2.19e5 1.97e5
# … with 20 more rows, and 9 more variables: 1990 <dbl>,
#   1999 <dbl>, 2006 <dbl>, 2011 <dbl>, 2013 <dbl>,
#   2014 <dbl>, lon <dbl>, lat <dbl>, geometry <POINT [°]>
ggplot(dpt)+geom_sf(fill="white")+
  geom_sf(data=df1,aes(size=`2014`),color="red")+theme_void()

Exercice 2.3 (Visualisation de taux de chômage avec sf) Nous souhaitons visualiser graphiquement les différences de taux de chômage par département entre deux années. Pour cela, nous disposons de chaque taux mesuré aux premiers trimestres des années 2006 et 2011 (variables TCHOMB1T06, TCHOMB1T11) qui se trouvent dans le jeu de données tauxchomage.csv.

Importer le jeu de données.

chomage <- read_delim("data/tauxchomage.csv",delim=";")

Faire la jointure de cette table avec celle des frontières des départements. On pourra utiliser inner_join.
```
dpt <- read_sf("data/dpt")
dpt2 <- inner_join(dpt,chomage,by="CODE_DEPT")
```

Comparer les taux de chômage en 2006 et 2011 (on le fera avec une carte pour les taux en 2006 et une autre pour les taux en 2011).

dpt3 <- dpt2 %>% select(A2006=TCHOMB1T06,A2011=TCHOMB1T11,geometry) %>%
  as_tibble() %>% 
  pivot_longer(-geometry,names_to="Annee",values_to="TxChomage") %>%
  st_as_sf()

ggplot(dpt3) + aes(fill = TxChomage)+geom_sf() +
  facet_wrap(~Annee, nrow = 1)+
  scale_fill_gradient(low="white",high="brown")+theme_bw()

2.2.1 Challenge 1 : carte des températures avec sf

On souhaite ici faire une carte permettant de visualiser les température en France à un moment donné. Les données se trouvent sur le site des données publiques de meteo france. On peut notamment récupérer

les températures observées dans certaines stations en France les 15 derniers jours dans le lien téléchargement. On utilisera uniquement les identifiants de la station ainsi que la température observée (colonne t).
la géolocalisation de ces stations dans le lien documentation

Importer les 2 bases nécessaires. On pourra les lire directement sur le site. Convertir les degrés Kelvin en degrés Celsius et faire la jointure de ces bases.

donnees <- read_delim("https://donneespubliques.meteofrance.fr/donnees_libres/Txt/Synop/synop.2021122415.csv",delim=";",col_types = cols(t=col_double()))
station <- read_delim("https://donneespubliques.meteofrance.fr/donnees_libres/Txt/Synop/postesSynop.csv",delim=";")
donnees$t <- donnees$t-273.15 #on passe en degrés celcius
temp <- donnees %>% select(numer_sta,t)
names(temp)[1] <- c("ID")
D <- inner_join(temp, station, by = c("ID"))

Éliminer les station d’outre mer (on pourra conserver uniquement les stations qui ont une longitude entre -20 et 25). On appellera ce tableau station1. Visualiser les stations sur la carte contenant les frontières des départements français.
```
station1 <- D %>% filter(Longitude<25 & Longitude>-20) %>% na.omit()
station4326 <- st_multipoint(as.matrix(station1[,5:4])) %>% st_geometry()
st_crs(station4326) <- 4326
ggplot(dpt) + geom_sf()+geom_sf(data=station4326)
```

Créer un dataframe au format sf qui contient les températures des stations ainsi que leurs coordonnées dans la colonne geometry. On pourra commencer avec

station2 <- station1 %>% select(Longitude,Latitude) %>% 
  as.matrix() %>% st_multipoint() %>% st_geometry()
st_crs(station2) <- 4326
station2 <- st_cast(station2, to = "POINT")

df <- data.frame(temp=station1$t)
st_geometry(df) <- station2

Représenter les stations sur une carte de france. On pourra mettre un point de couleur différente en fonction de la température.

ggplot(dpt) + geom_sf(fill="white")+
  geom_sf(data=df,aes(color=temp),size=2)+
  scale_color_continuous(low="yellow",high="red")

On obtient les coordonnées des centroïdes des départements à l’aide de
```
centro <- st_centroid(dpt$geometry) 
centro <- st_transform(centro,crs=4326)
```
On déduit les distances entre ces centroïdes et les stations avec (df étant la table sf obtenue à la question 3).
```
DD <- st_distance(df,centro)
```
Prédire la température de chaque département à l’aide de la règle du 1 plus proche voisin (la température du département $i$ sera celle de la station la plus proche du centroïde de $i$).
```
NN <- apply(DD,2,order)[1,]
t_prev <- station1[NN,2]
```

Colorier les départements en fonction de la température prédite dans le département. On pourra faire varier le dégradé de couleur du jaune (pour les faibles températures) au rouge (pour les fortes).

dpt1 <- dpt %>% mutate(t_prev=as.matrix(t_prev))
ggplot(dpt1) + geom_sf(aes(fill=t_prev)) +
  scale_fill_continuous(low="yellow",high="red")+theme_void()

On peut supprimer les lignes de frontières avec

ggplot(dpt1) + geom_sf(aes(fill=t_prev,color=t_prev)) + 
  scale_fill_continuous(low="yellow",high="red") + 
  scale_color_continuous(low="yellow",high="red")+theme_void()

2.2.2 Trouver des cartes au format shapefile

Le plus souvent on ne va pas construire les fonds de carte au format shapefile “à la main” et il est bien entendu important de récupérer ces fonds de carte au préalable. La méthode la plus courante consiste à taper les bons mots clefs sur un moteur de recherche… On pourra par exemple utiliser :

des packages R, par exemple rnaturalearth:

world <- rnaturalearth::ne_countries(scale = "medium", returnclass = "sf")
class(world)
[1] "sf"         "data.frame"
ggplot(data = world) +
geom_sf(aes(fill = pop_est)) +
scale_fill_viridis_c(option = "plasma", trans = "sqrt")+theme_void()

On peut aussi visualiser la térre comme une sphère :

ggplot(data = world) +
geom_sf() +
coord_sf(crs = "+proj=laea +lat_0=52 +lon_0=10 +x_0=4321000 +y_0=3210000 +ellps=GRS80 +units=m +no_defs ")

Voir https://www.r-spatial.org/r/2018/10/25/ggplot2-sf.html pour plus de détails.

le web, par exemple le site data gouv:

regions <- read_sf("data/regions-20180101-shp/")

Attention, la taille des objets peut être très (trop) grande

format(object.size(regions),units="Mb")
[1] "15.4 Mb"

et la construction de la carte peut dans ce cas prendre beaucoup de temps… On peut réduire la taille avec ce type d’outils

library(rmapshaper)
regions1 <- ms_simplify(regions)
format(object.size(regions1),units="Mb")
[1] "0.9 Mb"
ggplot(regions1)+geom_sf()+
  coord_sf(xlim = c(-5.5,10),ylim=c(41,51))+theme_void()

2.3 Cartes interactives avec leaflet

Leaflet est un package permettant de faire de la cartographie interactive. On pourra consulter un descriptif synthétique ici. Le principe est similaire à ce qui a été présenté précédemment : les cartes sont construites à partir de couches qui se superposent. Un fond de carte s’obtient avec les fonctions leaflet et addTiles

library(leaflet)
leaflet() %>% addTiles()

On dispose de plusieurs styles de fonds de cartes (quelques exemples ici) :

Paris <- mygeocode("paris")
m2 <- leaflet() %>% setView(lng = Paris[1], lat = Paris[2], zoom = 12) %>% 
  addTiles()
m2 %>% addProviderTiles("Stamen.Toner")

m2 %>% addProviderTiles("Wikimedia")

m2 %>% addProviderTiles("Esri.NatGeoWorldMap")

m2 %>%
  addProviderTiles("Stamen.Watercolor") %>%
  addProviderTiles("Stamen.TonerHybrid")

Il est souvent utile de repérer des lieux sur une carte à l’aide de symboles. On pourra effectuer cela à l’aide des fonctions addMarkers et addCircles…

data(quakes)
leaflet(data = quakes[1:20,]) %>% addTiles() %>%
  addMarkers(~long, ~lat, popup = ~as.character(mag))

On remarque que l’on utilise ici un tilde pour spécifier qu’on utilise des variables dans un dataframe.

Le caractère interactif de la carte permet d’ajouter de l’information lorsqu’on clique sur un marker (grâce à l’option popup). On peut également ajouter des popups qui contiennent plus d’information, voire des liens vers des sites web :

content <- paste(sep = "<br/>",
  "<b><a href='http://www.samurainoodle.com'>Samurai Noodle</a></b>",
  "606 5th Ave. S",
  "Seattle, WA 98138"
)

leaflet() %>% addTiles() %>%
  addPopups(-122.327298, 47.597131, content,
    options = popupOptions(closeButton = FALSE)
  )

Exercice 2.4 (Popup avec leaflet) Placer un popup localisant l’Université Rennes 2 (Campus Villejean). On ajoutera un lien renvoyant sur le site de l’Université.

R2 <- mygeocode("Universite Rennes Villejean") %>% as_tibble()
info <- paste(sep = "<br/>",
  "<b><a href='https://www.univ-rennes2.fr'>Universite Rennes 2</a></b>",
  "Campus Villejean")


leaflet() %>% addTiles() %>%  
  addPopups(R2[1]$lon, R2[2]$lat, info,options = popupOptions(closeButton = FALSE))

2.3.1 Challenge 2 : Visualisation des stations velib à Paris

Plusieurs villes dans le monde ont accepté de mettre en ligne les données sur l’occupation des stations velib. Ces données sont facilement accessibles et mises à jour en temps réel. On dispose généralement de la taille et la localisation des stations, la proportion de vélos disponibles… Il est possible de requêter (entre autres) :

sur les données Decaux
sur Open data Paris
sur vlstats pour des données mensuelles ou historiques ou encore sur Velib pour obtenir des fichiers qui sont rafraichis régulièrement.

Récupérer les données actuelles de velib disponibles pour la ville de Paris : https://opendata.paris.fr/explore/dataset/velib-disponibilite-en-temps-reel/information/. On pourra utiliser la fonction read_delim avec l’option delim=";".
```
lien <- "https://opendata.paris.fr/explore/dataset/velib-disponibilite-en-temps-reel/download/?format=csv&timezone=Europe/Berlin&use_labels_for_header=true"
sta.Paris <- read_delim(lien,delim=";")
```
Décrire les variables du jeu de données.

Nous avons de l’information sur la disponibilité, le remplissage… de stations velib parisiennes.

Créer une variable latitude et une variable longitude à partir de la variable Coordonnées géographiques. On pourra utiliser la fonction separate du package tidyr.

sta.Paris1 <- sta.Paris %>% separate(`Coordonnées géographiques`,
                                 into=c("lat","lon"),sep=",") %>% 
  mutate(lat=as.numeric(lat),lon=as.numeric(lon))

Visualiser les positions des stations sur une carte leaflet.
```
map.velib1 <- leaflet(data = sta.Paris1) %>% 
  addTiles() %>%
  addCircleMarkers(~ lon, ~ lat,radius=3,
stroke = FALSE, fillOpacity = 0.5,color="red"
  )

map.velib1
```
Ajouter un popup qui permet de connaitre le nombre de vélos disponibles (électriques+mécanique) quand on clique sur la station (on pourra utiliser l’option popup dans la fonction addCircleMarkers).
```
map.velib2 <- leaflet(data = sta.Paris1) %>% 
  addTiles() %>% 
  addCircleMarkers(~ lon, ~ lat,radius=3,stroke = FALSE, 
               fillOpacity = 0.7,color="red", 
               popup = ~ sprintf("<b> Vélos dispos: %s</b>",
                                 as.character(`Nombre total vélos disponibles`)))

#ou sans sprintf

map.velib2 <- leaflet(data = sta.Paris1) %>% 
  addTiles() %>% 
  addCircleMarkers(~ lon, ~ lat,radius=3,stroke = FALSE, fillOpacity = 0.7,color="red", 
               popup = ~ paste("Vélos dispos :",
                               as.character(`Nombre total vélos disponibles`)))

map.velib2
```
Ajouter la nom de la station dans le popup.
```
map.velib3 <- leaflet(data = sta.Paris1) %>% 
  addTiles() %>%
  addCircleMarkers(~ lon, ~ lat,radius=3,stroke = FALSE, 
               fillOpacity = 0.7,color="red", 
               popup = ~ paste(as.character(`Nom station`),", Vélos dispos :",
                               as.character(`Nombre total vélos disponibles`),
                               sep=""))

map.velib3
```
Faire de même en utilisant des couleurs différentes en fonction de la proportion de vélos disponibles dans la station. On pourra utiliser les palettes de couleur
```
ColorPal1 <- colorNumeric(scales::seq_gradient_pal(low = "#132B43", high = "#56B1F7",
                                               space = "Lab"), domain = c(0,1))
ColorPal2 <- colorNumeric(scales::seq_gradient_pal(low = "red", high = "black", 
                                               space = "Lab"), domain = c(0,1))
```
```
map.velib4 <- leaflet(data = sta.Paris1) %>% 
  addTiles() %>%
  addCircleMarkers(~ lon, ~ lat,radius=3,stroke = FALSE, fillOpacity = 0.7,
               color=~ColorPal1(`Nombre total vélos disponibles`/
                                  `Capacité de la station`), 
               popup = ~ paste(as.character(`Nom station`),", Vélos dispos :",
                               as.character(`Nombre total vélos disponibles`),
                               sep=""))

map.velib4
```
```
map.velib5 <- leaflet(data = sta.Paris1) %>% 
  addTiles() %>%
  addCircleMarkers(~ lon, ~ lat,stroke = FALSE, fillOpacity = 0.7,
               color=~ColorPal2(`Nombre total vélos disponibles`/
                                  `Capacité de la station`),
               radius=~(`Nombre total vélos disponibles`/
                          `Capacité de la station`)*8,
               popup = ~ paste(as.character(`Nom station`),", Vélos dispos :",
                               as.character(`Nombre total vélos disponibles`),
                               sep=""))

map.velib5
```
Créer une fonction local.station qui permette de visualiser quelques stations autours d’une station choisie.
```
nom.station <- "Jussieu - Fossés Saint-Bernard"
local.station <- function(nom.station){
  df <- sta.Paris1 %>% filter(`Nom station`==nom.station)
  leaflet(data = sta.Paris1) %>% setView(lng=df$lon,lat=df$lat,zoom=15) %>%
addTiles() %>% 
addCircleMarkers(~ lon, ~ lat,stroke = FALSE, fillOpacity = 0.7,
                popup = ~ paste(as.character(`Nom station`),", Vélos dispos :",
                                as.character(`Nombre total vélos disponibles`),
                                sep="")) %>%
addMarkers(lng=df$lon,lat=df$lat,
           popup = ~ paste(nom.station,", Vélos dispos :",
                           as.character(df$`Nombre total vélos disponibles`),
                           sep=""),
           popupOptions = popupOptions(noHide = T))
}
```
La fonction devra par exemple renvoyer
```
local.station("Jussieu - Fossés Saint-Bernard")
```
```
local.station("Gare Montparnasse - Arrivée")
```

2.3.2 Carte des températures avec leaflet

Exercice 2.5 (Challenge) Refaire la carte des températures du premier challenge (voir section 2.2.1) en utilisant leaflet. On utilisera la table construite dans le challenge 1 et la fonction addPolygons. On pourra également ajouter un popup qui permet de visualiser le nom du département ainsi que la température prévue lorsqu’on clique dessus.

dpt2 <- st_transform(dpt1, crs = 4326)
dpt2$t_prev <- round(dpt2$t_prev)
pal <- colorNumeric(scales::seq_gradient_pal(low = "yellow", high = "red",
                                             space = "Lab"), domain = dpt2$t_prev)
m <- leaflet() %>% addTiles() %>% 
  addPolygons(data = dpt2,color=~pal(t_prev),fillOpacity = 0.6, 
              stroke = TRUE,weight=1,
              popup=~paste(as.character(NOM_DEPT),as.character(t_prev),sep=" : "),
              highlightOptions = highlightOptions(color = "black", weight = 3,bringToFront = TRUE)) %>% 
  addLayersControl(options=layersControlOptions(collapsed = FALSE))
m

ou avec une autre palette de couleur

pal1 <- colorNumeric(palette = c("inferno"),domain = dpt2$t_prev)
m1 <- leaflet() %>% addTiles() %>% 
  addPolygons(data = dpt2,color=~pal1(t_prev),fillOpacity = 0.6, 
              stroke = TRUE,weight=1,
              popup=~paste(as.character(NOM_DEPT),as.character(t_prev),sep=" : "),
              highlightOptions = highlightOptions(color = "black", weight = 3,bringToFront = TRUE)) %>% 
  addLayersControl(options=layersControlOptions(collapsed = FALSE))
m1