Получение страны координаты от Lattitude и долготы

Question

Я пытаюсь получить название страны заданной (широта, долгота), используя coordinates2politics() из RDSTK пакета:

library(dplyr) 
library(plyr) 
library(rjson) 
library(RDSTK) 

df2 <- df %>% 
    mutate(politics = coordinates2politics(place_lat, place_lon), 
     country = ldply(fromJSON(coordinates2politics(place_lat, place_lon)), 
         data.frame)[["politics.name"]]) 

Здесь coordinates2politics(latitude, longitude) возвращает строку JSON который я конвертировать в dataframe для извлечения politics.name

в df2, я получаю правильное значение politics (что вся строка JSON), но неверное значение для country

1. Используя этот метод (преобразование в dataframe), как я могу получить элемент из строки JSON?
2. Будет ли более эффективный метод извлечения элемента из строки JSON?
3. Есть ли лучший способ получить название страны с заданной длины латыни/долготы (кроме использования пакета RDSTK)?

df1

> dput(head(df1, 10L)) 
structure(list(place_lat = c(-23.682803, 30.109684, 36.232855, 
26.674996, 40.655138, 40.00134, 44.0752271, 32.230987, -9.5333295, 
38.3045585), place_lon = c(-46.5955455, -93.767675, -115.223125, 
-81.816602, -73.9487755, -74.1880345, -103.2334107, -90.1580165, 
-35.6871125, -92.4367735), location = c("South West", "North West", 
"North West", "North West", "North West", "North West", "North West", 
"North West", "South West", "North West"), sentiment = c("positive", 
"positive", "neutral", "positive", "neutral", "positive", "positive", 
"neutral", "positive", "neutral"), id = 1:10), .Names = c("place_lat", 
"place_lon", "location", "sentiment", "id"), row.names = c(NA, 
10L), class = "data.frame") 

df2

> dput(head(df2, n=2L)) 
structure(list(place_lat = c(-23.682803, 30.109684), place_lon = c(-46.5955455, 
-93.767675), location = c("South West", "North West"), sentiment = c("positive", 
"positive"), id = 1:2, politics = structure(c("[\n {\n \"politics\": [\n  {\n  \"type\": \"admin2\",\n  \"friendly_type\": \"country\",\n  \"name\": \"Brazil\",\n  \"code\": \"bra\"\n  },\n  {\n  \"type\": \"admin4\",\n  \"friendly_type\": \"state\",\n  \"name\": \"São Paulo\",\n  \"code\": \"br32\"\n  }\n ],\n \"location\": {\n  \"latitude\": -23.682803,\n  \"longitude\": -46.5955455\n }\n }\n]", 
"[\n {\n \"politics\": [\n  {\n  \"type\": \"admin2\",\n  \"friendly_type\": \"country\",\n  \"name\": \"United States\",\n  \"code\": \"usa\"\n  },\n  {\n  \"type\": \"constituency\",\n  \"friendly_type\": \"constituency\",\n  \"name\": \"Eighth district, TX\",\n  \"code\": \"48_08\"\n  },\n  {\n  \"type\": \"admin6\",\n  \"friendly_type\": \"county\",\n  \"name\": \"Orange\",\n  \"code\": \"48_361\"\n  },\n  {\n  \"type\": \"admin4\",\n  \"friendly_type\": \"state\",\n  \"name\": \"Texas\",\n  \"code\": \"us48\"\n  },\n  {\n  \"type\": \"admin5\",\n  \"friendly_type\": \"city\",\n  \"name\": \"Orange\",\n  \"code\": \"48_54132\"\n  },\n  {\n  \"type\": \"admin5\",\n  \"friendly_type\": \"city\",\n  \"name\": \"Pinehurst\",\n  \"code\": \"48_57608\"\n  },\n  {\n  \"type\": \"admin5\",\n  \"friendly_type\": \"city\",\n  \"name\": \"\",\n  \"code\": \"_\"\n  }\n ],\n \"location\": {\n  \"latitude\": 30.109684,\n  \"longitude\": -93.767675\n }\n }\n]" 
), .Names = c("http://www.datasciencetoolkit.org/coordinates2politics/-23.682803%2c-46.5955455", 
"http://www.datasciencetoolkit.org/coordinates2politics/30.109684%2c-93.767675" 
)), country = structure(c(1L, 1L), .Label = "Brazil", class = "factor")), .Names = c("place_lat", 
"place_lon", "location", "sentiment", "id", "politics", "country" 
), row.names = 1:2, class = "data.frame") 

Answer 1

Это альтернативный путь (один из многих), чтобы получить названия стран от широты/долготы. Это не потребует вызовов API на сервер. (Сохраните файл GeoJSON локально для реального/промышленного использования):

library(rgdal) 
library(magrittr) 

world <- readOGR("https://raw.githubusercontent.com/AshKyd/geojson-regions/master/data/source/ne_50m_admin_0_countries.geo.json", "OGRGeoJSON") 

places %>% 
    select(place_lon, place_lat) %>% 
    coordinates %>% 
    SpatialPoints(CRS(proj4string(world))) %over% world %>% 
    select(iso_a2, name) %>% 
    cbind(places, .) 

## place_lat place_lon location sentiment id iso_a2   name 
## 1 -23.68280 -46.59555 South West positive 1  BR  Brazil 
## 2 30.10968 -93.76767 North West positive 2  US United States 
## 3 36.23286 -115.22312 North West neutral 3  US United States 
## 4 26.67500 -81.81660 North West positive 4  US United States 
## 5 40.65514 -73.94878 North West neutral 5  US United States 
## 6 40.00134 -74.18803 North West positive 6  US United States 
## 7 44.07523 -103.23341 North West positive 7  US United States 
## 8 32.23099 -90.15802 North West neutral 8  US United States 
## 9 -9.53333 -35.68711 South West positive 9  BR  Brazil 
## 10 38.30456 -92.43677 North West neutral 10  US United States 

Вы можете получить более детальные данные о местоположении с gadm2 шейпом, но это огромного и занимает некоторое время (даже на моей системе) для загрузки:

# this takes _forever_ 
big_world <- readOGR("gadm2.shp", "gadm2") 

# this part takes a while, too, so best save off temp results 
big_res <- places %>% 
    select(place_lon, place_lat) %>% 
    coordinates %>% 
    SpatialPoints(CRS(proj4string(big_world))) %over% big_world 

big_res %>% 
    select(iso_a2=ISO, name=NAME_0, name_1=NAME_1, name_2=NAME_2) %>% 
    cbind(places, .) 

## place_lat place_lon location sentiment id iso_a2   name  name_1   name_2 
## 1 -23.68280 -46.59555 South West positive 1 BRA  Brazil São Paulo   Diadema 
## 2 30.10968 -93.76767 North West positive 2 USA United States  Texas   Orange 
## 3 36.23286 -115.22312 North West neutral 3 USA United States  Nevada   Clark 
## 4 26.67500 -81.81660 North West positive 4 USA United States  Florida    Lee 
## 5 40.65514 -73.94878 North West neutral 5 USA United States  New York   Kings 
## 6 40.00134 -74.18803 North West positive 6 USA United States New Jersey   Ocean 
## 7 44.07523 -103.23341 North West positive 7 USA United States South Dakota  Pennington 
## 8 32.23099 -90.15802 North West neutral 8 USA United States Mississippi   Rankin 
## 9 -9.53333 -35.68711 South West positive 9 BRA  Brazil  Alagoas Maceió (capital) 
## 10 38.30456 -92.43677 North West neutral 10 USA United States  Missouri   Miller 

Answer 2

Если вы можете использовать пакет geonames, вы можете запросить эту службу вместо этого.

> require(geonames) 
> options(geonamesUsername="myusername") 

Вам нужен vectorised версию функции GNCountryCode:

> vg = Vectorize(GNcountryCode) 

Тогда dplyr:

> df1 %>% mutate(cc=unlist(vg(place_lat, place_lon)["countryCode",])) 
    place_lat place_lon location sentiment id cc 
1 -23.68280 -46.59555 South West positive 1 BR 
2 30.10968 -93.76767 North West positive 2 US 
3 36.23286 -115.22312 North West neutral 3 US 
4 26.67500 -81.81660 North West positive 4 US 
5 40.65514 -73.94878 North West neutral 5 US 
6 40.00134 -74.18803 North West positive 6 US 
7 44.07523 -103.23341 North West positive 7 US 
8 32.23099 -90.15802 North West neutral 8 US 
9 -9.53333 -35.68711 South West positive 9 BR 
10 38.30456 -92.43677 North West neutral 10 US 

Использование "COUNTRYNAME", если вы хотите, чтобы имя, но вы получите «Федеративная Республика Бразилия "за то, что все остальные называют« Бразилией »(или« Бразилией »).