Α1: Real Estate
Δημήτρης Καβρουδάκης
1 Στόχοι της άσκησης
- Διάβασμα Shapefile αρχείων με χρηση σχετικού path
- Φιλτράρισμα γεωγραφικών δεδομένων
- Υποσυνολο γεωγραφικών δεδομένων
- Μετατροπή Vector σε Raster
- Υπολογισμός αποστασης σε δεδομένα Raster
- Εξαγωγή σημειακών τιμών απο δεδομένα Raster
- Ιεράρχηση (Ranking) γεωγραφικών δεδομένων
- Στάθμιση (Weighting) γεωγραφικών δεδομένων
- Βασική ανάλυση καταληλότητας γεωγραφικών θέσεων
2 Δεδομένα
Φορτώνουμε τις απαραίτητες βιβλιοθήκες καθώς και τα δεδομένα. Φορτώνοντας τα δεδομένα, αναθέτουμε και προβολικό σύστημα συντεταγμένων (CRS).
library(sf)
library(tibble)
library(raster)
ghsl_crs_text = '+proj=moll +lon_0=0 +x_0=0 +y_0=0 +ellps=WGS84 +datum=WGS84 +units=m +no_defs'
ghsl_crs = 4326
spitia = sf::read_sf( "data/Spitia.shp" ) %>% sf::st_transform(ghsl_crs)
schools = sf::read_sf( "data/Sxoleia.shp" ) %>% sf::st_transform(ghsl_crs)
metro = sf::read_sf( "data/Metro.shp" ) %>% sf::st_transform(ghsl_crs)
perioxi = sf::read_sf( "data/perioxi.shp" ) %>% sf::st_transform(ghsl_crs)Εδώ είναι όλες οι λεπτομέρειες για τα διαθέσιμα σπίτια στην περιοχή.
Αυτός είναι στην πραγματικότητα ο Πίνακας Χαρακτηριστικών του Shapefile.
Μετατρέπουμε επίσης τη στήλη Price από String σε Numeric
για περαιτέρω ανάλυση.
Price ID
1 1200 A01
2 700 A02
3 900 A03
4 890 A04
5 750 A05
6 1500 A06
7 880 A07
8 800 A08
9 920 A09
10 990 A10
11 900 A11
12 940 A12
13 970 A13
14 800 Α14
15 980 Α15
16 700 Α16
17 600 Α17
18 800 Α18
19 970 Α19
20 1400 Α20
21 890 Α21
22 930 Α22
23 690 Α23
24 780 Α24
25 890 Α25
26 500 Α26
27 930 Α27
28 910 Α28
29 940 Α29
30 800 Α30Μετατροπή της στήλης Price από String σε
Numeric, για να τη χρησιμοποιήσουμε αργότερα.
3 Υποσύνολο
Επιλογή φθηνού σπιτιού με ενοίκιο μέχρι $1000.
spitia2 = subset(spitia, spitia$Price < 1000)
excluded = spitia$ID[!(spitia$ID %in% spitia2$ID)]
spitia2 %>% st_drop_geometry() %>% as.data.frame() Price ID
1 700 A02
2 900 A03
3 890 A04
4 750 A05
5 880 A07
6 800 A08
7 920 A09
8 990 A10
9 900 A11
10 940 A12
11 970 A13
12 800 Α14
13 980 Α15
14 700 Α16
15 600 Α17
16 800 Α18
17 970 Α19
18 890 Α21
19 930 Α22
20 690 Α23
21 780 Α24
22 890 Α25
23 500 Α26
24 930 Α27
25 910 Α28
26 940 Α29
27 800 Α30par(mar = c(0, 1, 2, 1))
plot(st_geometry(perioxi), main="Υποσύνολο σπιτιών")
plot(st_geometry(spitia), col="red", pch=0, cex=0.9, add=T)
text(st_coordinates(spitia), label=spitia$ID, pos=2, col="red", offset=0.4)
plot(st_geometry(spitia2), col="blue", pch=15,add=T)
text(st_coordinates( spitia2), label=spitia2$ID, pos=2, col="blue", offset=0.4)
legend("topleft", legend = c("Σπίτια", "Εξαιρούμενα σπίτια"), pch=c(15,0), col=c("blue","red" ) )
Μετατροπή του πολυγώνου της περιοχής μελέτης σε Raster
ώστε να χρησιμοποιηθεί αργότερα για τους υπολογισμούς αποστάσεων.
r_temp = raster(ncol=20, nrow=20)
extent(r_temp) = extent(perioxi)
r = rasterize(perioxi, r_temp, field=0 )
#crs(r) = CRS(ghsl_crs_text)Οπτικοποίηση όλων των δεδομένων μέχρι εδώ:
par(mar=c(0,1,2,1))
plot(rasterToPolygons(r), border="grey")
plot(st_geometry(spitia2), add=T, pch=15, cex=1)
plot(st_geometry(schools), add=T, pch=17, cex=1, col="red")
plot(st_geometry(metro), add=T, pch=9, cex=1, col="blue")
plot(st_geometry(perioxi), add=T)
legend("topleft", legend = c("Σπίτια", "Σχολεία","ΜΕΤΡΟ"), pch=c(15,17,9), col=c("black","red","blue") )
4 Απόσταση
Για κάθε ένα από τα 27 σπίτια (spitia2) θέλουμε να
υπολογίσουμε την απόσταση του προς Σχολεία και προς ΜΕΤΡΟ.
Αυτή η διαδικασία θα παράγει 2 Raster τιμές απόστασης σε μέτρα (προς Σχολεία και προς ΜΕΤΡΟ).
Μετά, θα εξάγουμε (extract) τιμές από αυτά τα 2 Raster για κάθε σπίτι.
distances_school = raster::mask( raster::distanceFromPoints(object = r, xy = schools), r) # 1st raster
distances_schoolclass : RasterLayer
dimensions : 20, 20, 400 (nrow, ncol, ncell)
resolution : 0.1953293, 0.1290997 (x, y)
extent : -1.556565, 2.350021, -0.9352757, 1.646718 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : memory
names : layer
values : 1115.647, 269630.9 (min, max)plot(distances_school, main="Απόσταση από Σχολεία")
plot(st_geometry(spitia2), add=T, pch=21, cex=2)
plot(st_geometry(schools), add=T, pch=12, cex=2, col="red")
Ανάθεση των τιμών “απόστασης” σε μια νέα στήλη
DistanceToSchools για κάθε σπίτι. Η τιμή της απόστασης
διαιρείτε με 1000 ώστε να μετατραπεί από μέτρα σε χιλιόμετρα.
Υπολογισμός απόστασης από ΜΕΤΡΟ.
distances_metro = raster::mask( raster::distanceFromPoints(object = r, xy = metro), r) # 2nd raster
distances_metroclass : RasterLayer
dimensions : 20, 20, 400 (nrow, ncol, ncell)
resolution : 0.1953293, 0.1290997 (x, y)
extent : -1.556565, 2.350021, -0.9352757, 1.646718 (xmin, xmax, ymin, ymax)
crs : +proj=longlat +datum=WGS84 +no_defs
source : memory
names : layer
values : 6837.832, 150723.8 (min, max)plot(distances_metro, main="Απόσταση από ΜΕΤΡΟ")
plot(st_geometry(spitia2), add=T, pch=21, cex=2)
plot(st_geometry(metro), add=T, pch=9, cex=2, col="blue")
Ανάθεση των τιμών “απόστασης” σε μια νέα στήλη
DistanceToMETRO για κάθε σπίτι. Η τιμή της απόστασης
διαιρείτε με 1000 ώστε να μετατραπεί από μέτρα σε χιλιόμετρα.
Το “Attribute Table” των σπιτιών μέχρι στιγμής:
Price ID DistanceToSchools DistanceToMETRO
1 700 A02 43.932309 77.44777
2 900 A03 6.699126 51.53105
3 890 A04 50.739982 107.73805
4 750 A05 32.458905 78.86374
5 880 A07 46.259821 26.74466
6 800 A08 90.090958 37.24592
7 920 A09 27.443844 79.25847
8 990 A10 97.109540 80.89853
9 900 A11 66.407636 25.20784
10 940 A12 26.519606 57.01930
11 970 A13 35.005569 24.99546
12 800 Α14 98.819344 129.43813
13 980 Α15 172.538332 132.17557
14 700 Α16 189.027717 82.51040
15 600 Α17 250.372879 87.16461
16 800 Α18 267.477192 103.41649
17 970 Α19 197.780764 63.23588
18 890 Α21 128.358799 131.50512
19 930 Α22 179.371294 27.35128
20 690 Α23 136.979236 35.14003
21 780 Α24 95.576929 74.18805
22 890 Α25 57.349590 37.10294
23 500 Α26 77.309857 51.77192
24 930 Α27 111.699274 79.11142
25 910 Α28 70.269046 106.50194
26 940 Α29 90.676296 138.22636
27 800 Α30 76.448847 106.321685 Ιεράρχηση (Ranking)
Θέλουμε να ιεραρχήσουμε όλα τα σπίτια με βάση τις προτιμήσεις των
πελατών σχετικά με αποστάσεις προς Σχολεία και ΜΕΤΡΟ. Σε κάθε σπίτι θα
φτιάξουμε 2 νέες στήλες: SchoolsRank και
METRORank όπου θα αποθηκεύσουμε το αποτέλεσμα της
ιεράρχησης.
Οι πελάτες προτιμούν να είναι κοντά σε Σχολείο (μικρές τιμές απόστασης):
Οι πελάτες προτιμούν να είναι μακριά από ΜΕΤΡΟ (μεγάλες τιμές απόστασης):
Το “Attribute Table” των σπιτιών μέχρι στιγμής:
Price ID DistanceToSchools DistanceToMETRO SchoolsRank METRORank
1 700 A02 43.932309 77.44777 22 13
2 900 A03 6.699126 51.53105 27 8
3 890 A04 50.739982 107.73805 20 23
4 750 A05 32.458905 78.86374 24 14
5 880 A07 46.259821 26.74466 21 3
6 800 A08 90.090958 37.24592 14 7
7 920 A09 27.443844 79.25847 25 16
8 990 A10 97.109540 80.89853 11 17
9 900 A11 66.407636 25.20784 18 2
10 940 A12 26.519606 57.01930 26 10
11 970 A13 35.005569 24.99546 23 1
12 800 Α14 98.819344 129.43813 10 24
13 980 Α15 172.538332 132.17557 6 26
14 700 Α16 189.027717 82.51040 4 18
15 600 Α17 250.372879 87.16461 2 19
16 800 Α18 267.477192 103.41649 1 20
17 970 Α19 197.780764 63.23588 3 11
18 890 Α21 128.358799 131.50512 8 25
19 930 Α22 179.371294 27.35128 5 4
20 690 Α23 136.979236 35.14003 7 5
21 780 Α24 95.576929 74.18805 12 12
22 890 Α25 57.349590 37.10294 19 6
23 500 Α26 77.309857 51.77192 15 9
24 930 Α27 111.699274 79.11142 9 15
25 910 Α28 70.269046 106.50194 17 22
26 940 Α29 90.676296 138.22636 13 27
27 800 Α30 76.448847 106.32168 16 216 Στάθμιση (Weighting)
Οι πελάτες έχουν ορίσει μια στάθμιση για τα 2 κριτήρια τους:
60% κοντά σε σχολεία
40% μακριά από ΜΕΤΡΟ
Τους ενδιαφέρει δηλαδή πιο πολύ να είναι κοντά σε σχολεία.
Κατασκευάζουμε μια νέα στήλη decision η οποία θα δείχνει
την συνολική καταλληλότητα για κάθε σπίτι σύμφωνα με τη παραπάνω
στάθμιση :
7 Απόφαση
Το σπίτι με την μεγαλύτερη καταλληλότητα (decision),
είναι το ακόλουθο:
solution = spitia2[spitia2$decision==max(spitia2$decision),]
spitia2[spitia2$ID==solution$ID,] %>% st_drop_geometry() %>% as.data.frame() Price ID DistanceToSchools DistanceToMETRO SchoolsRank METRORank decision
1 920 A09 27.44384 79.25847 25 16 21.4Είναι δηλαδή το σπίτι με ID=A09
Price ID DistanceToSchools DistanceToMETRO SchoolsRank METRORank decision
1 700 A02 43.932309 77.44777 22 13 18.4
2 900 A03 6.699126 51.53105 27 8 19.4
3 890 A04 50.739982 107.73805 20 23 21.2
4 750 A05 32.458905 78.86374 24 14 20.0
5 880 A07 46.259821 26.74466 21 3 13.8
6 800 A08 90.090958 37.24592 14 7 11.2
7 920 A09 27.443844 79.25847 25 16 21.4
8 990 A10 97.109540 80.89853 11 17 13.4
9 900 A11 66.407636 25.20784 18 2 11.6
10 940 A12 26.519606 57.01930 26 10 19.6
11 970 A13 35.005569 24.99546 23 1 14.2
12 800 Α14 98.819344 129.43813 10 24 15.6
13 980 Α15 172.538332 132.17557 6 26 14.0
14 700 Α16 189.027717 82.51040 4 18 9.6
15 600 Α17 250.372879 87.16461 2 19 8.8
16 800 Α18 267.477192 103.41649 1 20 8.6
17 970 Α19 197.780764 63.23588 3 11 6.2
18 890 Α21 128.358799 131.50512 8 25 14.8
19 930 Α22 179.371294 27.35128 5 4 4.6
20 690 Α23 136.979236 35.14003 7 5 6.2
21 780 Α24 95.576929 74.18805 12 12 12.0
22 890 Α25 57.349590 37.10294 19 6 13.8
23 500 Α26 77.309857 51.77192 15 9 12.6
24 930 Α27 111.699274 79.11142 9 15 11.4
25 910 Α28 70.269046 106.50194 17 22 19.0
26 940 Α29 90.676296 138.22636 13 27 18.6
27 800 Α30 76.448847 106.32168 16 21 18.0Τελική οπτικοποίηση του πιο κατάλληλου σπιτιού:
plot(st_geometry(perioxi) )
plot(st_geometry(spitia2), pch=15, cex=1, main="Final Decision", add=T)
plot(st_geometry(solution), pch=21, cex=2, add=T)
plot(st_geometry(schools), add=T, pch=17, cex=2, col="red")
plot(st_geometry(metro), add=T, pch=9, cex=2, col="blue")
box()
text(st_coordinates(spitia2[spitia2$decision==max(spitia2$decision),]), label="solution", pos=4)
text(st_coordinates(spitia2), label=spitia2$ID, pos=2, col="darkgreen", offset=0.4)
legend("topleft", legend = c("Σπίτια", "Σχολεία","ΜΕΤΡΟ"), pch=c(15,17,9), col=c("black","red","blue") )
8 Αναφορά
Κατεβάστε το zip αρχείο “01_RealEstate.zip” και αφού το αποσυμπιέσετε, χρησιμοποιήστε το Script που περιλαμβάνει μέσα ώστε να ξεκινήσετε την ανάλυση σας. Ετοιμάστε μια αναφορά σε ένα αρχείο PDF η οποία να απαντά σε όλα τα παρακάτω ερωτήματα υποδεικνύοντας: κώδικα, κείμενο, γραφήματα ή/και χάρτες.
Α1.1: Ποιό σπίτι είναι το δεύτερο καταλληλότερο και πιο το λιγότερο κατάλληλο?
Α1.2: Ποιό σπίτι είναι το καταλληλότερο αν τα κριτήρια των πελατών ήταν τα ακόλουθα:
30% μακριά από σχολεία
60% κοντά από ΜΕΤΡΟ