本文我们绘制英国脱欧投票的地图。

由Kaizong Ye，Coin Ge撰写

第一步是绘制底图

可下载资源

UK@data\[159,"HASC_2"\]="GB.NR"
plot(UK, xlim = c(-4,-2), ylim = c(50, 59), main="UK areas")

地理空间数据可视化

地图映射：
　地图映射，也就是将数据中的地理坐标转换成屏幕上的坐标
　按照曲面映射过程中的优化目标区分，地图映射主要包含以下三种类型：
　　等角度（正形投影）：源曲面和目标曲面（即投影前后）的任何位置的局部切向和法向方向组成的角度保持不变
　　等面积：地图上任何图形面积经主比例尺放大以后与实地上相应图形面积大小保持不变
　　等距离：在标准经纬线上无长度变形，即投影后任何点到原点的距离保持不变

从地图到地理数据可视化

地图角色的改变
传统的角色：沟通功能　传递信息给大众
新的角色：认知功能　　帮助人们思考，解决问题，做决定

地理空间可视化集成了从科学计算可视化（VISC）、制图、图像分析、信息系统（GISystems）到提供视觉探索、分析、综合和地理空间数据表示的理论、方法和工具的各种方法。

地理数据可视化的推动力：
　图形硬件和个人电脑的普及
　虚拟现实技术
　爆炸性增长的数据
　80%的采集数据包含地理信息
　互联网的发展
　信息的聚合，地图制作门槛的降低

地理空间数据可视化技术

可视化思考
可视化图形语言
地理数据和可视化技术
点数据
线数据
面数据
三维数据
数据的时间属性

地理空间数据：
　地理信息空间数据与普通的空间数据都描述了一个对象在空间中的位置
　点，线，面，空间，时空

添加爱尔兰

plot(IRL,add=TRUE)

添加法国，它位于右下方，因此我们应该看到一点…

plot(FR,add=TRUE)

课程

R语言数据分析挖掘必知必会

从数据获取和清理开始，有目的的进行探索性分析与可视化。让数据从生涩的资料，摇身成为有温度的故事。

立即参加 ➜

然后，我们可以检索英国退欧公投数据

referendum=ddply(referendum,.(Region,HASC_code),summarise,Remain=sum(Remain),Leave=sum(Leave))

我们可以发现，脱欧赢得了51.89％的选票

> sum(referendum$Leave)/(sum(referendum$Leave)+sum(referendum$Remain))
\[1\] 0.5189184

大家可以看一下，使用

plot(UK, col = map_data$Brexit, border = "gray1", xlim = c(-4,-2), ylim = c(50, 59), main="How the UK has voted?", bg="#A6CAE0")
plot(IRL, col = "lightgrey", border = "gray1",add=TRUE)
plot(FR, col = "lightgrey", border = "gray1",add=TRUE)

最受欢迎的见解

1.R语言动态图可视化：如何、创建具有精美动画的图

2.TABLEAU的骑行路线地理数据可视化

3.用数据告诉你出租车资源配置是否合理

4.R语言GGMAP空间可视化机动车交通事故地图

5.用R语言制作交互式图表和地图

6.基于出租车GPS轨迹数据的研究：出租车行程的数据分析

7.R语言动态可视化：制作历史全球平均温度的累积动态折线图动画gif视频图

8.把握出租车的数据脉搏

9.共享单车大数据报告

（我们添加了一个小图例以使其更清晰）。为此，我们可以使用制图软件包

R语言ggmap空间可视化机动车交通事故地图

阅读文章 ➜

plot(FR, col = "lightgrey", border = "gray1",add=TRUE)
choroLayer(spdf = UK,
df = map_data,
var = "Percentage_Remain",
breaks = seq(0,100,10),
col = cols,
legend.pos = "topright",
legend.title.txt = "",
legend.values.rnd = 2,
add = TRUE)

随时关注您喜欢的主题

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

非常感谢您阅读本文，如需帮助请联系我们！

可下载资源

关于作者

Kaizong Ye是拓端研究室（TRL）的研究员。Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

非常感谢您阅读本文，如需帮助请联系我们！