Qual a capital mais distante de Brasília?

Encontrando as coordenadas geográficas

O primeiro passo para essa aventura foi encontrar as coordenadas geográficas das capitais de todo o mundo. Encontrei nesse post uma forma de fazer isso em R. O post estava desatualizado, então resolvi reescrevê-lo da maneira tidy.

Começamos usando o maravilhoso pacote {httr} para obter o HTML da página que contém os dados. Precisei modificar o User-Agent pois, sem ele, a requisição retornava com código 406.

## Download a partir do site
r_capitals <- httr::GET(
  "https://lab.lmnixon.org/4th/worldcapitals.html",
  httr::user_agent("Mozilla/5.0 (X11; Linux x86_64)")
)

Em seguida, usamos nosso queridinho {xml2} para encontrar a tabela, e o não tão queridinho {rvest} para transformar essa tabela (temos uma discussão sobre isso aqui). Os pacotes {tibble} e {janitor} foram usados para deixar a tabela formatada.

## Parse do resultado do site
da_countries_raw <- r_capitals %>% 
  xml2::read_html() %>% 
  xml2::xml_find_first("//table") %>% 
  rvest::html_table(header = TRUE) %>% 
  tibble::as_tibble() %>% 
  janitor::clean_names()

Arrumando os dados

Como bom faxineiro de dados, eu não poderia deixar se mostrar a parte mais divertida da ciência de dados: organizar os dados brutos! Primeiro, as coordenadas de latitude e longitude estavam em texto e, ao invés de mostrar valores positivos e negativos, mostrava os valores N (norte), S (sul), E (leste), W (oeste). Além disso, a latitude e longitude de Jerusalém (Israel) estava incorreta.

library(tidyverse)

da_countries_tidy <- da_countries_raw %>% 
  filter(country != "") %>% 
  # transforma (N,S) (E,W) em (1,-1), (1,-1)
  mutate(
    lat_num = str_detect(latitude, "N") * 2 - 1,
    lng_num = str_detect(longitude, "E") * 2 - 1
  ) %>% 
  # transforma em numérico
  mutate(
    across(c(latitude, longitude), parse_number),
    lat = latitude * lat_num,
    lng = longitude * lng_num
  ) %>% 
  # arruma Israel
  mutate(
    lat = if_else(country == "Israel", 31.7683, lat),
    lng = if_else(country == "Israel", 35.2137, lng)
  ) %>% 
  select(country, capital, lat, lng)

Transformando os dados

Com os dados arrumados em mãos, calculei as distâncias através da distância geodésica¹, usando latitude e longitude como base e o maravilhoso pacote {sf}. São duas funções principais: a sf::st_point() cria um objeto especial do tipo ponto, e a sf::st_distance() calcula a distância entre dois pontos. Utilizamos map2() e map() do pacote {purrr} para fazer aplicar essas operações em todos os países. No final, temos a base ordenada pelas distâncias. As distâncias são calculadas em metros, que transformamos para quilômetros.

da_countries <- da_countries_tidy %>% 
  # cria pontos com base em lat lng e sf::st_point()
  # sf::st_sfc() transforma a lista num objeto POINT do {sf}
  # crs = 4326 serve para o {sf} saber que
  #   são coordenadas no planeta Terra.
  mutate(pt = sf::st_sfc(
    map2(lng, lat, ~sf::st_point(c(.x, .y, 1))),
    crs = 4326
  )) %>%
  mutate(
    across(c(lat, lng), list(br = ~.x[country == "Brazil"])),
    pt_br = sf::st_sfc(
      list(sf::st_point(c(lng_br[1], lat_br[1], 1))), 
      crs = 4326
    )
  ) %>% 
  mutate(
    dist_br = sf::st_distance(pt, pt_br, by_element = TRUE),
    dist_br = as.numeric(dist_br / 1000)
  ) %>% 
  # ordena a base pelas distâncias
  arrange(dist_br)

Visualizando

As capitais mais próximas estão na Tabela 1. Sem muitas surpresas aqui: como Brasília fica na região central do país, a capital mais próxima é a do Paraguai, seguida por outros países da América do Sul.

Tabela 1: Capitais mais próximas de Brasília.

País	Capital	Distância (km)
Paraguay	Asuncion	1473
Bolivia	La Paz (administrative) / Sucre (legislative)	2202
Uruguay	Montevideo	2276
French Guiana	Cayenne	2326
Suriname	Paramaribo	2464
Argentina	Buenos Aires	2618
Guyana	Georgetown	2695
Chile	Santiago	3028
Peru	Lima	3206
Barbados	Bridgetown	3409

As coisas ficam mais interessantes quando visualizamos as capitais mais distantes, na Tabela 2. E temos nosso resultado: Koror (Palau) é a capital mais distante da capital, Brasília, seguida por Manila (Filipinas) e Saipan (Ilhas Mariana do Norte).

Tabela 2: Capitais mais distantes de Brasília.

País	Capital	Distância (km)
Palau	Koror	19069
Philippines	Manila	18801
Northern Mariana Islands	Saipan	18639
Macao, China	Macau	17887
Brunei Darussalam	Bandar Seri Begawan	17765
Republic of Korea	Seoul	17517
North Korea	Pyongyang	17296
East Timor	Dili	17264
Viet Nam	Hanoi	17126
Micronesia (Federated States of)	Palikir	17066

Mas será mesmo? Vamos usar o pacote {leaflet} para visualizar:

library(leaflet)

# Cria as labels dos popups
make_label <- function(pais, capital) {
  txt <- stringr::str_glue(
    "<b>País</b>: {pais}<br>",
    "<b>Capital</b>: {capital}"
  )
  htmltools::HTML(txt)
}

p_leaflet <- da_countries %>% 
  mutate(lab = map2(country, capital, make_label)) %>% 
  # cria mapa
  leaflet() %>% 
  # adiciona a casquinha
  addTiles() %>% 
  # adiciona os pontos
  addMarkers(
    clusterOptions = markerClusterOptions(), 
    lat = ~lat, lng = ~lng, popup = ~lab
  )

p_leaflet

Acesse o mapa dinâmico neste link.

Olhando o mapa (e considerando que a terra é esférica), parece mesmo que esses países estão bem longe, mesmo tentando acessar pelo leste ou pelo oeste.

E, já que a terra é esférica, que tal criar um mapa 3D? Fiz isso usando o {plotly}, com base no tutorial disponível neste link.

library(plotly)

p_plotly <- plot_ly(height = 1000) %>%
  # adiciona o mapa mundi
  add_sf(
    data = world, 
    x = ~coord_x(x, y),
    y = ~coord_y(x, y),
    z = ~coord_z(y),
    color = I("gray80"), 
    size = I(2),
    hoverinfo = "none"
  ) %>% 
  # adiciona as linhas
  add_sf(
    data = da_lines_sf,
    name = "linhas",
    x = ~coord_x(x, y),
    y = ~coord_y(x, y),
    z = ~coord_z(y),
    color = ~dist_br,
    size = I(3),
    text = ~label_plotly(country, capital, dist_br),
    hoverinfo = "text"
  ) %>% 
  layout(showlegend = FALSE)

p_plotly

Acesse o mapa dinâmico neste link.

Wrap-up

Nesse post vimos como usar ferramentas do {tidyverse}, {sf} para transformação de dados para mapas, além de utilizar o {leaflet} e o {plotly} para visualizações interativas.

O código completo para construir as visualizações do zero está neste link.

É isso pessoal. Happy coding ;)