Vamos gerar alguns endereços IP, geolocalizá-los e plotá-los:
library(iptools)
library(rgeolocate)
library(tidyverse)
Gere um milhão de endereços IPv4 aleatórios (distribuídos de maneira muito uniforme):
ips <- ip_random(1000000)
E, geolocalize-os:
system.time(
rgeolocate::maxmind(
ips, "~/Data/GeoLite2-City.mmdb", c("longitude", "latitude")
) -> xdf
)
## user system elapsed
## 5.016 0.131 5.217
5s para 1m IPv4s. 👍🏼
Agora, devido à uniformidade, as bolhas serão estupidamente pequenas, então apenas para este exemplo vamos arredondar um pouco:
xdf %>%
mutate(
longitude = (longitude %/% 5) * 5,
latitude = (latitude %/% 5) * 5
) %>%
count(longitude, latitude) -> pts
E trace-os:
ggplot(pts) +
geom_point(
aes(longitude, latitude, size = n),
shape=21, fill = "steelblue", color = "white", stroke=0.25
) +
ggalt::coord_proj("+proj=wintri") +
ggthemes::theme_map() +
theme(legend.justification = "center") +
theme(legend.position = "bottom")
Você pode ver o que quero dizer com "muito uniforme". Mas, você tem IPv4s "reais", então você deve ser gtg.
Considere usar
scale_size_area()
, mas, honestamente, considere não plotar IPv4s em um mapa geográfico. Eu faço pesquisa em escala de internet para ganhar a vida e as alegações de precisão deixam muito a desejar. Raramente fico abaixo da atribuição em nível de país por esse motivo (e pagamos por dados "reais").