内容
データの読み込み
ggplot2による可視化
地理空間データの読み込み
地理空間データの可視化
データの読み込み
準備
tidyverse（メタ）パッケージを読み込みます。
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.1.4 ✔ readr 2.1.5
✔ forcats 1.0.0 ✔ stringr 1.5.1
✔ ggplot2 3.5.1 ✔ tibble 3.2.1
✔ lubridate 1.9.3 ✔ tidyr 1.3.1
✔ purrr 1.0.2
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
読み込み
データとして、国勢調査のデータを使用します。
e-statの「国勢調査/時系列データ/男女，年齢，配偶関係/男女別人口及び人口性比 － 全国，都道府県（大正9年～令和2年）」からCSV（列指向データ）をダウンロードします。ここでは、FEH_00200521_241003100519.csvというファイル名でダウンロードされました（ダウンロードごとにファイル名が変わると思われます）。ダウンロードされたファイルをdataフォルダの中に入れておきます。
ダウンロードされたファイルをreadrパッケージのread_csv関数を使ってRに読み込みます。fie.path関数で、使用するシステムに応じたファイルパスを作成して、data_path変数に入れておきます。
read_csv関数では、このファイルパス(data_path)からファイルを読み込みます。その他の引数は、以下のとおりです。
col_types: 各列の型（各文字が各列に対応、f: 因子、c: 文字列、d: 倍精度実数）na: データファイル中で欠測（データなし）を表す文字（ここでは”-“）locale: ここでは文字コード（CP932 (≒Shift_JIS)）を指定しています
data_path <- file.path("data", "FEH_00200521_241003100519.csv")
pref_data <- read_csv(file = data_path,
col_types = "fcfcfccccd",
na = "-",
locale = locale(encoding = "CP932"))
結果
この段階で整然データ(tidy data)になっています。
# A tibble: 4,200 × 10
tab_code 表章項目 cat01_code 男女_時系列 area_code 地域_時系列 time_code
<fct> <chr> <fct> <chr> <fct> <chr> <chr>
1 020 人口 100 総数 00000 全国 1920000000
2 020 人口 100 総数 00000 全国 1925000000
3 020 人口 100 総数 00000 全国 1930000000
4 020 人口 100 総数 00000 全国 1935000000
5 020 人口 100 総数 00000 全国 1940000000
6 020 人口 100 総数 00000 全国 1945000000
7 020 人口 100 総数 00000 全国 1950000000
8 020 人口 100 総数 00000 全国 1955000000
9 020 人口 100 総数 00000 全国 1960000000
10 020 人口 100 総数 00000 全国 1965000000
# ℹ 4,190 more rows
# ℹ 3 more variables: `時間軸（調査年）` <chr>, unit <chr>, value <dbl>
整形（必要な部分を残す）
読み込んだデータのうち、後で使うところだけを残します。これには、dplyrパッケージのfilter関数とmutate関数を使用しています。前者で必要な行だけを残し、後者では、新しい列を作ったうえで、その他の列を捨てて（.keep = "none" ）います。
また、ここでは、パイプ演算子(“|>”)を使用しています。これは、式の計算結果を次の関数の第1引数として与えるというものです。
pref_data2 <- pref_data |>
dplyr::filter(`表章項目` == "人口" &
!(`地域_時系列` %in% c("人口集中地区", "人口集中地区以外の地区"))) |>
dplyr::mutate(`男女` = factor(`男女_時系列`, levels = c("総数", "男", "女")),
`地域` = factor(`地域_時系列`, levels = unique(pref_data$`地域_時系列`)),
`年` = as.numeric(str_sub(time_code, 1, 4)),
`人口` = value,
.keep = "none")
整形結果
必要な部分だけを残すと以下のようになりました。
# A tibble: 3,024 × 4
男女 地域 年 人口
<fct> <fct> <dbl> <dbl>
1 総数 全国 1920 55963053
2 総数 全国 1925 59736822
3 総数 全国 1930 64450005
4 総数 全国 1935 69254148
5 総数 全国 1940 73114308
6 総数 全国 1945 71998104
7 総数 全国 1950 84114574
8 総数 全国 1955 90076594
9 総数 全国 1960 94301623
10 総数 全国 1965 99209137
# ℹ 3,014 more rows
Excelファイルの場合
Excelファイルの場合の読み込み方法もちょっとだけ紹介します。
readxlパッケージのread_excel関数で、Excelファイルを読み込むことができます。例として、e-Gov/人口総数：総務省『国勢調査』から、ダウンロードしたファイル(file01.xls)を使います。
このファイルの先頭6行にはメタデータが記述されていますので、read_excel関数で、skip = 6“という引数を与えて、先頭から6行を読み飛ばすようにします。
library(readxl)
excel_file_path <- file.path("data", "file01.xls")
city_data <- read_excel(excel_file_path, skip = 6)
head(city_data)
# A tibble: 6 × 11
市区町村名 市区町村コード `1970年` `1975年` `1980年` `1985年` `1990年`
<chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl>
1 北海道 札幌市 011002 1010177 1240613 1401757 1542979 1671742
2 北海道 函館市 012025 322497 334416 345165 342540 328493
3 北海道 小樽市 012033 191802 184406 180728 172486 163211
4 北海道 旭川市 012041 297189 320526 352619 363631 359071
5 北海道 室蘭市 012050 162059 158715 150199 136208 117855
6 北海道 釧路市 012068 204793 219180 227234 226097 216423
# ℹ 4 more variables: `1995年` <dbl>, `2000年` <dbl>, `2005年` <dbl>,
# `2010年` <dbl>
ggplot2による可視化
ここからデータをグラフにして可視化していきます。そのためにここではggplot2を使用します。データには、先に読み込んだ都道府県の人口データを使用しました。
グラフ作成の前に、使用する日本語フォントを変数にいれておきます。この部分はシステムやお好みで適宜変えてください。
jp_font <- "YuGothic"
# jp_font <- "Noto Sans JP"
折れ線グラフ
まず、全国の人口総数データを時系列で表示します。時系列データの可視化には折れ線グラフを使用します。
dplyrパッケージのfilter関数で、グラフに必要な行だけに絞り込みます。
pref_data3 <- pref_data2 |>
dplyr::filter(`地域` == "全国", `男女` == "総数")
ggplot関数は、グラフのオブジェクトの初期化をおこなう関数です。data引数に、使用するデータのpref_data3を与えます。mapping引数にはaes(x = `年`, y = `人口`)という関数の値を与えています(aes = aesthetic mappings)。これにより、X軸に年、Y軸に人口をマッピングすると指定しています。
ggplot2では、“+”演算子で、レイヤー（層）を追加していってグラフを完成させるようになっています。次の行のgeom_line関数で折れ線グラフを描画します。
ggplot(data = pref_data3, mapping = aes(x = `年`, y = `人口`)) +
geom_line()
これでもグラフは作成されますが、さらに見やすくなるようにしていきます。具体的には以下のようにしました。
geom_pointで、点も加えます。scale_x_continuousとscale_y_continuousで軸の表示を調整します。theme_grayで、テーマの設定とフォントの設定をおこないます。
ggplot(pref_data3, aes(x = `年`, y = `人口`)) +
geom_line() + geom_point() +
scale_x_continuous(breaks = seq(1920, 2020, by = 10)) +
scale_y_continuous(name = "人口（人）",
breaks = seq(6e+7, 12e+7, by = 2e+7),
labels = c("6000万", "8000万", "1億", "1億2000万")) +
theme_gray(base_family = jp_font)
次に全国のデータを、総数・男・女の別に表示します。
まず、dplyr::filter関数で全国のデータだけ残します。この関数の返り値をパイプ演算子で次の行のggplot関数に渡しています。
ggplot関数のmapping引数では、aes関数でcolour = `男女`と引数を与えることで、男女列の要素別に色分けして線を引きます。また、scale_colour_manualで各要素の色を指定しています（カラーユニバーサルデザイン対応）。
pref_data2 |>
dplyr::filter(`地域` == "全国") |>
ggplot(aes(x = `年`, y = `人口`, colour = `男女`)) +
geom_line() + geom_point(size = 2.5) +
scale_colour_manual(values = c("#000000", "#005aff", "#ff4b00")) +
scale_x_continuous(breaks = seq(1920, 2020, 10)) +
scale_y_continuous(name = "人口（人）",
breaks = seq(4e+7, 12e+7, 2e+7),
labels = c("4000万", "6000万", "8000万", "1億", "1億2000万")) +
theme_gray(base_family = jp_font)
つづいて、富山県・石川県・福井県のデータを、総数・男・女の別に表示します。dplyr::filter関数で、この3県のデータだけを抽出しています。aes関数の引数で”shape = `地域`, linetype = `地域`“とすることで、県別に点の形と線の種類が変わります。
scale_y_continuous関数では、Y軸の目盛りを、2×105から12×105の間で、2×105刻みとすること、表示されるラベルは104（=1万）単位とすることを指定しています。
pref_data2 |>
dplyr::filter(`地域` %in% c("富山県", "石川県", "福井県")) |>
ggplot(aes(x = `年`, y = `人口`, colour = `男女`,
shape = `地域`, linetype = `地域`)) +
geom_line() + geom_point(size = 2.5) +
scale_colour_manual(values = c("#000000", "#005aff", "#ff4b00")) +
scale_x_continuous(breaks = seq(1920, 2020, 10)) +
scale_y_continuous(name = "人口（万人）",
limits = c(2e+5, 12e+5),
breaks = seq(2e+5, 12e+5, by = 2e+5),
labels = \(x) x / 1e+4) +
theme_gray(base_family = jp_font)
積み上げ折れ線グラフとグラフの分割
一応目的のグラフは描けましたが、これでは煩雑なので、グラフを分けて積み上げ折れ線グラフにします。
そのためまずデータを変形します。総数と男女別の人口が新しい列になるようにします。
pref_data4 <- pref_data2 |>
tidyr::pivot_wider(names_from = `男女`, values_from = `人口`)
このようになります。
# A tibble: 10 × 5
地域 年 総数 男 女
<fct> <dbl> <dbl> <dbl> <dbl>
1 全国 1920 55963053 28044185 27918868
2 全国 1925 59736822 30013109 29723713
3 全国 1930 64450005 32390155 32059850
4 全国 1935 69254148 34734133 34520015
5 全国 1940 73114308 36566010 36548298
6 全国 1945 71998104 33894059 38104045
7 全国 1950 84114574 41241192 42873382
8 全国 1955 90076594 44242657 45833937
9 全国 1960 94301623 46300445 48001178
10 全国 1965 99209137 48692138 50516999
さらに必要な3県のデータを取り出して、グラフを描画します。ここでは、facet_wrap関数を使って各県のグラフを分割して描くようにしました。
geom_areaとgeom_ribbonを組み合わせて使うことで、積み上げグラフにしています。また、annotate関数でグラフに直接説明を書き込んでいます。
pref_data4 |>
dplyr::filter(`地域` %in% c("富山県", "石川県", "福井県")) |>
ggplot() +
geom_area(aes(x = `年`, y = `女`), fill ="#ff4b00") +
geom_ribbon(aes(x = `年`, ymin = `女`, ymax = `総数`), fill = "#005aff") +
annotate("text", x = 2000, y = 3e+5, label = "女", colour = "white") +
annotate("text", x = 2000, y = 7.2e+5, label = "男", colour = "white") +
scale_x_continuous(breaks = seq(1920, 2020, 20)) +
scale_y_continuous(name = "人口（万人）",
limits = c(0, 12e+5),
breaks = seq(0, 12e+5, by = 2e+5),
labels = \(x) x / 1e+4) +
theme_gray(base_family = jp_font) +
facet_wrap(~`地域`, nrow = 2)
散布図
都道府県ごとに、2020年の男女の人口を比較します。
pref_data4から、地域が”全国”以外（＝各都道府県）で2020年のデータを抽出します。
pref_data5 <- pref_data4 |>
dplyr::filter(`地域` != "全国", `年` == 2020)
このようになります。
# A tibble: 6 × 5
地域 年 総数 男 女
<fct> <dbl> <dbl> <dbl> <dbl>
1 北海道 2020 5224614 2465088 2759526
2 青森県 2020 1237984 583402 654582
3 岩手県 2020 1210534 582952 627582
4 宮城県 2020 2301996 1122598 1179398
5 秋田県 2020 959502 452439 507063
6 山形県 2020 1068027 516438 551589
グラフにします。geom_pointで散布図を作成します。テーマはtheme_bwにしました。
ggplot(pref_data5, aes(x = `男`, y = `女`)) +
geom_point() +
theme_bw(base_family = jp_font)
見ばえを整えます。
“geom_abline(linetype = 2, slope = 1, intercept = 0)”で、X=Yの点線を引きます。
“coord_fixed(ratio = 1)”で、X軸とY軸の比を1:1に設定します。
ggplot(pref_data5, aes(x = `男`, y = `女`)) +
geom_abline(linetype = 2, slope = 1, intercept = 0) +
geom_point(size = 3, alpha = 0.6) +
scale_x_continuous(name = "男性人口（万人）",
limits = c(0, 8e+6),
breaks = seq(0, 8e+6, by = 2e+6),
labels = \(x) x / 1e+4) +
scale_y_continuous(name = "女性人口（万人）",
limits = c(0, 8e+6),
breaks = seq(0, 8e+6, by = 2e+6),
labels = \(x) x / 1e+4) +
coord_fixed(ratio = 1) +
theme_bw(base_family = jp_font)
棒グラフ
各都道府県の2020年の人口総数をグラフにします。
geom_colは棒グラフを描画します。テーマはtheme_classicを使用しました。
pref_data2 |>
dplyr::filter(`地域` != "全国", `男女` == "総数", `年` == 2020) |>
ggplot(aes(x = `地域`, y = `人口`)) +
geom_col() +
theme_classic(base_family = jp_font)
横軸のラベルが重なっていて読めないので、scale_x_discrete関数で”guide = guide_axis(angle = 90)“と指定して、ラベルを90°回転させます。また、scale_y_continuous関数で、横軸の表示を整えます。
pref_data2 |>
dplyr::filter(`地域` != "全国", `男女` == "総数", `年` == 2020) |>
ggplot(aes(x = `地域`, y = `人口`)) +
geom_col() +
scale_x_discrete(name = "都道府県", guide = guide_axis(angle = 90)) +
scale_y_continuous(name = "人口（万人）",
limits = c(0, 1.5e+7),
breaks = seq(0, 1.5e+7, 5e+6),
labels = \(x) x / 1e+4) +
theme_classic(base_family = jp_font)
横にしたほうが見やすいかもしれません。そうするには、coord_flip()を使います。そうすると、縦軸が下から並ぶようになるので、scale_x_discrete関数で、limits = revとして、上から並ぶようにさせます。
pref_data2 |>
dplyr::filter(`地域` != "全国", `男女` == "総数", `年` == 2020) |>
ggplot(aes(x = `地域`, y = `人口`)) +
geom_col() +
scale_x_discrete(name = "都道府県", limits = rev) +
scale_y_continuous(name = "人口（万人）",
limits = c(0, 1.5e+7),
breaks = seq(0, 1.5e+7, 5e+6),
labels = \(x) x / 1e+4) +
coord_flip() +
theme_classic(base_family = jp_font)
都道府県名のラベルと、横軸の0との間の隙間が気になるので、ここを詰めるようにします。これには、scale_y_continuous関数で、expand = expansion(mult = c(0, 0.05))と指定します。
pref_data2 |>
dplyr::filter(`地域` != "全国", `男女` == "総数", `年` == 2020) |>
ggplot(aes(x = `地域`, y = `人口`)) +
geom_col() +
scale_x_discrete(name = "都道府県", limits = rev) +
scale_y_continuous(name = "人口（万人）",
limits = c(0, 1.5e+7),
breaks = seq(0, 1.5e+7, 5e+6),
labels = \(x) x / 1e+4,
expand = expansion(mult = c(0, 0.05))) +
coord_flip() +
theme_classic(base_family = jp_font)
男女別の積み上げグラフにします。これには、geom_col関数の引数でposition = "stack"とします（実はデフォルトです）。また、scale_fill_manual(values = c("#005aff", "#ff4b00"))で色も指定します。
pref_data2 |>
dplyr::filter(`地域` != "全国", `男女` != "総数", `年` == 2020) |>
ggplot(aes(x = `地域`, y = `人口`, fill = `男女`)) +
geom_col(position = "stack") +
scale_fill_manual(values = c("#005aff", "#ff4b00")) +
scale_x_discrete(name = "都道府県", limits = rev) +
scale_y_continuous(name = "人口（万人）",
limits = c(0, 1.5e+7),
breaks = seq(0, 1.5e+7, 5e+6),
labels = \(x) x / 1e+4,
expand = expansion(mult = c(0, 0.05))) +
coord_flip() +
theme_classic(base_family = jp_font)
地理空間データの読み込み
地理空間データもRで読み込んで使用することができます。この項では、国土数値情報行政区域データから石川県のデータをダウンロードして使用します。
シェープファイル
シェープファイルは複数のファイルから校正されています。sfパッケージのst_read関数でN03-20240101_17.shpを指定して読み込みます。
library(sf)
shapefile <- file.path("data", "N03-20240101_17.shp")
data_s <- st_read(shapefile)
読み込んだデータを表示します。
N03_002は北海道の振興局名、N03_003は郡名、N03_005は政令指定都市の行政区名なので、金沢市の行ではすべて欠損値(NA)になっています。
Simple feature collection with 1710 features and 6 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 136.242 ymin: 36.06723 xmax: 137.3653 ymax: 37.85791
Geodetic CRS: JGD2011
First 10 features:
N03_001 N03_002 N03_003 N03_004 N03_005 N03_007
1 石川県 <NA> <NA> 金沢市 <NA> 17201
2 石川県 <NA> <NA> 金沢市 <NA> 17201
3 石川県 <NA> <NA> 金沢市 <NA> 17201
4 石川県 <NA> <NA> 金沢市 <NA> 17201
5 石川県 <NA> <NA> 金沢市 <NA> 17201
6 石川県 <NA> <NA> 金沢市 <NA> 17201
7 石川県 <NA> <NA> 金沢市 <NA> 17201
8 石川県 <NA> <NA> 金沢市 <NA> 17201
9 石川県 <NA> <NA> 七尾市 <NA> 17202
10 石川県 <NA> <NA> 七尾市 <NA> 17202
geometry
1 POLYGON ((136.6133 36.49857...
2 POLYGON ((136.5991 36.62053...
3 POLYGON ((136.5967 36.61824...
4 POLYGON ((136.5974 36.6189,...
5 POLYGON ((136.5958 36.61709...
6 POLYGON ((136.5943 36.61553...
7 POLYGON ((136.5952 36.61667...
8 POLYGON ((136.5992 36.62078...
9 POLYGON ((136.8624 37.08288...
10 POLYGON ((136.9981 37.11807...
GeoJSON
シェープファイルは複数のファイルに分かれていて、あつかいがやや煩雑なので、最近はGeoJSONファイルが使われることも多くなってきています。GeoJSONファイルもst_read関数で読むことができます。
jsonfile <- file.path("data", "N03-20240101_17.geojson")
data_g <- st_read(jsonfile)
こちらも表示します。
Simple feature collection with 1710 features and 6 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 136.242 ymin: 36.06723 xmax: 137.3653 ymax: 37.85791
Geodetic CRS: WGS 84
First 10 features:
N03_001 N03_002 N03_003 N03_004 N03_005 N03_007
1 石川県 <NA> <NA> 金沢市 <NA> 17201
2 石川県 <NA> <NA> 金沢市 <NA> 17201
3 石川県 <NA> <NA> 金沢市 <NA> 17201
4 石川県 <NA> <NA> 金沢市 <NA> 17201
5 石川県 <NA> <NA> 金沢市 <NA> 17201
6 石川県 <NA> <NA> 金沢市 <NA> 17201
7 石川県 <NA> <NA> 金沢市 <NA> 17201
8 石川県 <NA> <NA> 金沢市 <NA> 17201
9 石川県 <NA> <NA> 七尾市 <NA> 17202
10 石川県 <NA> <NA> 七尾市 <NA> 17202
geometry
1 POLYGON ((136.6133 36.49857...
2 POLYGON ((136.5991 36.62053...
3 POLYGON ((136.5967 36.61824...
4 POLYGON ((136.5974 36.6189,...
5 POLYGON ((136.5958 36.61709...
6 POLYGON ((136.5943 36.61553...
7 POLYGON ((136.5952 36.61667...
8 POLYGON ((136.5992 36.62078...
9 POLYGON ((136.8624 37.08288...
10 POLYGON ((136.9981 37.11807...
シェープファイルから読み込んだものと、GeoJSONから読み込んだものでは、なぜか座標参照系(CRS)が異なっている（前者がJGD2011、後者がWGS84）のですが、実用的には問題はないでしょう。
Coordinate Reference System:
User input: JGD2011
wkt:
GEOGCRS["JGD2011",
DATUM["Japanese Geodetic Datum 2011",
ELLIPSOID["GRS 1980",6378137,298.257222101,
LENGTHUNIT["metre",1]]],
PRIMEM["Greenwich",0,
ANGLEUNIT["degree",0.0174532925199433]],
CS[ellipsoidal,2],
AXIS["geodetic latitude (Lat)",north,
ORDER[1],
ANGLEUNIT["degree",0.0174532925199433]],
AXIS["geodetic longitude (Lon)",east,
ORDER[2],
ANGLEUNIT["degree",0.0174532925199433]],
USAGE[
SCOPE["Horizontal component of 3D system."],
AREA["Japan - onshore and offshore."],
BBOX[17.09,122.38,46.05,157.65]],
ID["EPSG",6668]]
Coordinate Reference System:
User input: WGS 84
wkt:
GEOGCRS["WGS 84",
DATUM["World Geodetic System 1984",
ELLIPSOID["WGS 84",6378137,298.257223563,
LENGTHUNIT["metre",1]]],
PRIMEM["Greenwich",0,
ANGLEUNIT["degree",0.0174532925199433]],
CS[ellipsoidal,2],
AXIS["geodetic latitude (Lat)",north,
ORDER[1],
ANGLEUNIT["degree",0.0174532925199433]],
AXIS["geodetic longitude (Lon)",east,
ORDER[2],
ANGLEUNIT["degree",0.0174532925199433]],
ID["EPSG",4326]]
できたデータのdata_gのクラスを確認しています。sfクラス（と、data.frameクラス）に属していることがわかります。
地理空間データの可視化
上で読み込んだデータをggplot2のgeom_sf関数で表示してみます。
ggplot(data_g) +
geom_sf()
この地図に、市区町村名を重ねて表示します。
そのためまず、データに含まれるポリゴンを市町村ごとにst_combine関数でまとめます。また、わかりやすいように、市区町村名のフィールドのN03_004を、nameという名前に変えておきました。
data <- data_g |>
dplyr::group_by(N03_004) |>
dplyr::summarise(geometry = st_combine(geometry)) |>
dplyr::ungroup() |>
dplyr::rename(name = N03_004)
各市区町村名を地図に重ねて表示します。
ggplot(data) +
geom_sf() +
geom_sf_text(aes(label = name), size = 2.5, family = jp_font) +
scale_x_continuous(breaks = seq(136.5, 137.5, 0.5)) +
labs(x = "経度", y = "緯度") +
theme_bw(base_family = jp_font)
コロプレス図（塗り分け地図）
2020年の総人口データを使って、各市区町村を塗り分けてみます。
まず、各市区町村の総人口を読み込みます。このデータはe-stat 都道府県・市区町村のすがた（社会・人口統計体系）からダウンロードしたものです。
読み込んだ後、市区町村名の先頭についている都道府県名を削除し（実際には空白より後だけ残す処理）、2020年度のデータだけを抽出します。
pop_data_file <- file.path("data", "FEI_CITY_241027082628.csv")
pop_data <- read_csv(pop_data_file, skip = 1,
col_types = "cc_n",
col_names = c("year", "name", "population")) |>
dplyr::mutate(name = str_sub(name, str_locate(name, " ")[1] + 1)) |>
dplyr::filter(year == "2020年度")
人口データを地理空間データに結合します。left_joinは、by引数の変数をキーとして、左側のデータ(この例ではdata)を保存しつつ、右側のデータ(この例ではpop_data)から共通のキーをもつ行を結合するという関数です。
（この例では両方のデータが1対1対応するので、left_joinでもright_joinでも結果は変わりません。）
data_join <- dplyr::left_join(data, pop_data, by = "name")
2020年の総人口データを色で表現して、地図化しました。総人口は対数スケールにしています。
ggplot(data_join) +
geom_sf(aes(fill = population)) +
geom_sf_text(aes(label = name), size = 2.5, family = jp_font) +
scale_x_continuous(breaks = seq(136.5, 137.5, 0.5)) +
scale_fill_gradient(name = "人口",
low = "#4dc4ff",
high = "#ff4b00",
transform = "log",
limits = c(5e+3, 5e+5),
breaks = c(5e+3, 1e+4, 5e+4, 1e+5, 5e+5),
labels = c("5000", "1万", "5万",
"10万", "50万")) +
labs(x = NULL, y = NULL) +
theme_bw(base_family = jp_font)
