Tidy Tuesday 23 de Novembre de 2022

El Tidy Tuesday és una iniciativa on cada setmana es penja un conjunt de dades a Github i tothom en pot fer una visualització. Avui va de museus.

Show the code

# libraries
#| output: false
library(tidyverse)
library(tidytuesdayR)
library(knitr)
library(patchwork)
library(modthemes)
# get data
tt <- tidytuesdayR::tt_load(last_tuesday())[[1]]


    Downloading file 1 of 1: `museums.csv`

La base de dades recull tot d’informació sobre els museus del Regne Unit: on són, quina mida tenen, de què van… Dedica diverses columnes a índexs de deprivació. Podem fer un retrat robot dels museus en cinc àrees segons índex de deprivació: molt baix, baix, mitjà, alt, molt alt.

Show the code

tt <- tt |> 
  filter(!is.na(Area_Deprivation_index)) |> 
  mutate("deprivation_index_quantiles" = cut(Area_Deprivation_index,
                                         breaks = c(-1,2,4,6,8,10),
                                         labels = c("Molt alt",
                                                    "Alt",
                                                    "Mitjà",
                                                    "Baix",
                                                    "Molt baix")))

Show the code

p1 <- ggplot(tt,
             aes(x = deprivation_index_quantiles)) + 
  geom_bar(colour = "black",
           fill = NA) + 
  theme_classic(base_family = "Roboto condensed") +
  labs(title = "Número de museus per àrea") +
  theme(axis.title.x = element_blank(),
        axis.title.y = element_blank())
proportions <- tt |> 
  mutate("titularitat" = str_extract(Governance,".*(?=\\-)")) |> 
  group_by(deprivation_index_quantiles) |> 
  summarise(n = n())
p2 <- tt |> 
  mutate(titularitat = str_extract(Governance,".*(?=\\-)")) |> 
  group_by(titularitat, deprivation_index_quantiles) |> 
  summarise(n_td = n()) |> 
  ungroup() |> 
  left_join(proportions, by = "deprivation_index_quantiles") |> 
  mutate(prop = n_td/n,
         titularitat = case_when(titularitat == "Independent" ~ "Privada",
                                 titularitat == "Government" ~ "Pública",
                                 is.na(titularitat) ~ "Desconeguda")) |> 
  ggplot(aes(x = deprivation_index_quantiles,
             y = prop,
             fill = titularitat)) + 
  geom_bar(stat = "identity",
           position = "dodge") +
  scale_y_continuous(labels = scales::label_percent()) + 
  scale_fill_manual(values = modthemes::contrasting_palette) + 
  labs(title = "Titularitat dels museus per índex de deprivació") +
  theme_classic(base_family = "Roboto condensed") + 
  theme(axis.title.x = element_blank(),
        axis.title.y = element_blank())

  
p3 <- tt |> 
  mutate("mida_cat" = factor(Size,
                             levels = c("small", "medium", "large", "huge", "unknown"),
                             labels = c("petit", "mitjà", "gran", "molt gran", "NS"))) |> 
  group_by(deprivation_index_quantiles, mida_cat) |> 
  summarise(n_dt = n()) |> 
  ungroup() |> 
  left_join(proportions, by = "deprivation_index_quantiles") |> 
  mutate(prop = n_dt/n) |> 
  ggplot(aes(x = deprivation_index_quantiles,
             y = prop,
             fill = mida_cat)) + 
  geom_bar(stat = "identity",
           position = "dodge") +
  scale_y_continuous(labels = scales::label_percent()) + 
  scale_fill_manual(values = modthemes::contrasting_palette) + 
  labs(title = "Museus per mida i índex de deprivació") +
  theme_classic(base_family = "Roboto condensed") + 
  theme(axis.title.x = element_blank(),
        axis.title.y = element_blank())
p1 + p2 + p3

Three bar plots. One counts the number of museums grouped by area deprivation index. The second one counts them by area deprivation index and titularity and the third one by size and area deprivation index.

Les conclusions no són massa sorprenents. Les zones més deprimides tenen menys museus privats i petits, però també menys de molt grans. Seria interessant veure’n la qualitat però això serà un altre dia.