2.1 Spatial Data in R: sf

　　在 R 當中，常見的一種空間資料/地理資料(以下將混用空間與地理兩個詞彙)型態是 sf ，它結合了地理特徵與非地理特性，地理特徵像是點、線、多邊形、點與線的組合、線與線的組合，或者是這幾個元素混合在一起，非地理特徵像是地理區的名稱、編號，或者是其他紀錄了人口數量、行政區類型等的欄位。sf 的長相則跟常見的 dataframe 一樣，只是 dataframe 當中地理特性以 list columns 的形式儲存。在 R 裡面處理 sf 資料的套件就是 library(sf)，官網中有一系列教學。

　　其實，除了 sf 以外，若上網查詢在 R 中應該如何處理地理資料，會看到很多人使用 library(sp)，sp 是另一種常見的空間資料型態，只是與 sp 相比，sf 的資料型態易懂且好操作，譬如說可以直接用 st_join() 串接地理資料，而且生態系完整，像是 sf 物件也支援 tidyverse 底下 library(dplyr) 的操作，再加上清楚易懂的官方教學，讓 library(sf) 逐漸熱門，也因此逐漸取代 sp。若對 sp 與 sf 有興趣，可以參考 Should I learn sf or sp for spatial R programming? 還有Spatial R – Moving from SP to SF，另外，Geocompuations with R 裡面介紹 sf 的段落也值得一看，書中直接提到 “sf largely supersedes the sp ecosystem.”，因此本文才主要介紹 sf。

Figure 2.1: an example of sf data

2.2 Spatial Data in R: raster

　　raster (網格資料) 的長相和 sf 有很大的不同，它由數個 cells/pixels (格子)所組成，每個格子都代表一個區域，而格子都有自己對應到的值，拿 raster 資料來繪圖時，格子當中值的大小可以表現出不同的顏色或是單色的深淺，藉此表示不同的地理特徵，像是地勢高低或是土地類型。若對 raster 資料有興趣，Intro to Raster Data in R 有大量的插圖幫助理解。

　　因為應用學門不同，資料型態也不同，所以這次教學不會使用 library(raster)，將會以 library(sf)為主，底下還是有稍微呈現一下在 R 中 raster 資料的長相，以及利用 plot() 畫出的圖。

# aut <- raster::getData("alt", country = "AUT", mask = TRUE)
# aut %>% write_rds(str_c(dirpath_data, "geo_raw/aut.rds"))
# aut <- read_rds(str_c(dirpath_data, "geo_raw/aut.rds"))
# aut
# plot(aut)
knitr::include_graphics(str_c(dirpath_img, "raster.png"))

　　上面介紹了 R 當中兩種常見的地理資料型態 - sf & raster，也就是 sf & 底下則要帶大家看，import 進 R 之前，這些地理資料的原始長相是什麼，底下會以 GeoJSON 和 Shapefile 為主。

2.3 Raw Spatial Data: GeoJSON

　　GeoJSON 是一種結合地理特徵與非地理特性的 JSON 檔案，你可以用 library(geojsonR) 讀取 GeoJSON，套件的官網有一篇教學告訴你要如何處理 GeoJSON 資料。將 GeoJSON 匯入到 R 裡面之後，他會以 nested lists 的型態儲存，我們可以透過函數再將它轉成 sf 物件。

　　另外，有一種資料型態叫做 TopoJSON，它是 GeoJSON 的延伸，因為能夠有效率的消除冗餘(redundancy)，因此可以減少原始檔案的大小。可以參考topojson 的 github 網站。

Figure 2.2: an example of GeoJSON

2.4 Raw Spatial Data: Shapefile

　　Shapefile 是一種非常普及的開放空間資料格式，已經被大量使用多年，也有不少 GIS 軟體支援，上網搜尋台灣的地理圖資，有很多資料就是用 Shapefile 的形式儲存。若想了解更多，可以參考 Open and Plot Shapefiles in R。

2.5 Raw Spatial Data: kml

　　KML 是一種奠基於 xml 形式且用途廣泛的地理資料格式，舉例來說，可以將 KML 資料匯入到 Google Earth 裡面，另外，它可以儲存特徵/變數，也可以保有 raster 元素，可以參考 What is KML?。

3.1 Get Taiwan Data

　　想獲取台灣的地理資料有許多來源，也有不同的資料格式可以使用。以台灣的縣市為例子，政府資料開放平臺提供了直轄市與縣市界線的圖資、鄉鎮市區行政區域界線圖資、全國村里界線，下載便可以看到 Shapefile 檔案；此外，code for america 也有提供台灣的 GeoJSON 檔案；也有人準備了這份臺灣 GIS 資料來源整理。這邊會以政府資料開放平台的縣市界線圖資作為例子。

3.2 Simplify Data

　　以村里界線的原始資料來說，若在解壓縮後將 Shapefile 引入到 R 裡面，需要花上很多時間，而且因為檔案略大的緣故，操作也不太順利，因此在這裡參考Data Man 的資料視覺化筆記的介紹，你可以利用 mapshaper 工具簡化檔案。

Figure 3.1: mapshaper 的上傳檔案頁面

　　以上面提過的縣市界線圖資來說，下載後你會看到一個 .zip 檔案，解壓縮後有 .dbf, .shx, .shp, .prj 等多個檔案，但是先別急著刪除 .zip ，因為 mapshaper 支援直接上傳 .zip 檔，上傳後你會看到網站如下圖。

Figure 3.2: 上傳 .zip 檔案後的長相

　　點擊 import 後，可以看到以鄉鎮市為界線的台灣地理圖資，接著點擊右上角的 Simplify ，依照自己的需求選擇要勾選的項目後，就可以調整想要簡化的比例了。可以將簡化的比例拉到最右端的 0% ，再來往左端慢慢增加簡化的 % 數，在簡化檔案大小與表達清楚之間取得平衡。

Figure 3.3: import 後的畫面長相

Figure 3.4: 按下 simplify 之後可以左右拉動調整簡化比例

　　簡化完畢後，點擊 Export ，可以看到好幾種檔案格式，除了前面介紹過的 Shapefile, GeoJSON, TopoJSON 以外，也有 csv 與 SVG 的選擇。底下的示範會以 Shapefile 和 GeoJSON 為主，所以可以先下載這兩種檔案。

Figure 3.5: 按下 export 之後可以看到有數種格式讓你選擇

　　如果你對新聞業實際在畫地理圖表前如何處理資料有興趣，可以參考前面提過的 Data Man 所寫的 天下雜誌2018台灣選舉地圖製作分享：技術的部分。接下來就可以開始畫圖表了！

4.1 Background Map

　　第一個要介紹的圖表類型非常簡單，就是背景地圖，你可看到我先讀取了剛剛下載得到的 Shapefile 與 GeoJSON 檔案，再將它們分別讀入，讀檔後利用 geom_sf() 畫圖。不同類型的圖表大部分都以背景地圖為基底，加上其他的特徵例如人口數或者分區得票率。

### read simplified shp
sf_county_shp_small = st_read(str_c(dirpath_data, "geo_raw/COUNTY_MOI_1081121/COUNTY_MOI_1081121.shp"))

## Reading layer `COUNTY_MOI_1081121' from data source 
##   `/Users/macuser/Documents/GitHub/Dennis_R_Data_News/content/post/2020-03-15-election-results-visualization-with-ggplot2/data/geo_raw/COUNTY_MOI_1081121/COUNTY_MOI_1081121.shp' 
##   using driver `ESRI Shapefile'
## Simple feature collection with 22 features and 4 fields
## Geometry type: MULTIPOLYGON
## Dimension:     XY
## Bounding box:  xmin: 116.7166 ymin: 20.69729 xmax: 123.4891 ymax: 26.383
## Geodetic CRS:  TWD97

sf_county_shp_small %>%
  ggplot() + geom_sf()

　　上面讀了剛剛下載下來的 Shapefile，畫圖結果沒什麼大問題，若你在意背景怎麼灰灰的，底下會告訴你應該怎麼調整。

### read geojson
county_json_raw <- read_json(str_c(dirpath_data, "geo_raw/tawian_county.json"))
sf_county_geojson_simplified <- county_json_raw %>% as.json() %>% geojson_sf() #%>% 
  # mutate(COUNTYNAME = iconv(COUNTYNAME, "UTF-8", "BIG-5") )
sf_county_geojson_simplified %>%
  ggplot() + geom_sf()

### add longitude and latitude constraint
sf_county_geojson_simplified %>%
  st_crop(xmin=119,xmax=123,ymin=20,ymax=26) %>%
  ggplot() + geom_sf()

　　這部分則是讀了 GeoJSON，如大家所見，因為第二張地圖涵蓋了離島，所以台灣本島不很清楚，因此我利用了st_crop()加上了經緯度的限制，將繪圖的範圍限制到台澎金馬，畫圖的效果就好很多了。後續的其他圖表會以這邊的 sf_county_geojson_simplified 為基礎。

4.2 Choropleth

　　第二個要介紹的圖表類型是統計地圖，它是一種依照變數數值替不同尺度的區域上色的地圖，舉例來說，台北市各行政區的人口密度圖就是一種統計地圖，這裡所關照的變數是人口密度，而區域的尺度則是行政區。

　　底下使用預先計算好的 2020 總統得票作為範例，繪製出以縣市為尺度的國民黨得票率統計地圖。將 raw data 輸入到 R 當中後，我篩選了國民黨候選人的號次，接著回到原先的台灣地理圖資，我取了每個縣市的 centroid 的座標，因為接下來畫圖的時候想標示實際得票率。這部分的操作可能比較難懂，但在後續繪圖的時候就能看出效果了。對 centroid 有興趣的人可以參考 官網的說明，簡單來說就是把各個縣市的中心抓出來，後面貼標籤的時候拿來用。

### read rds
dirpath_data <- "data/"
df_president_county_result <- read_csv(str_c(dirpath_data, "2020/df_president_county_result_raw.csv")) %>%
  dplyr::select(place, number, party, name, vote, per, vote_place) 

### filter KMT presidential vote
df_president_county_result_blue <-
  df_president_county_result %>% 
  filter(number == 2)

### add centroid column for further use
sf_county_centroid =
  sf_county_geojson_simplified %>%
  st_centroid(of_largest_polygon = T)

df_coordination = 
  sf_county_centroid %>% 
  st_coordinates()

　　接著，我用dplyr::left_join()把地理圖資和剛剛過濾得到的國民黨各縣市得票率串在一起，用來 join 的 key 是 c(“COUNTYNAME” = “place”)，也就是縣市的名稱。處理好資料後，就進入畫圖的階段。先看第一張圖，顏色越深代表國民黨總統候選人的得票率越高，以花東兩個縣市最高，但從圖中我們沒辦法看出實際的得票率數值，因此，我在第二張圖以 geom_text() 補上文字標籤，這些文字標籤的位置就是剛剛抓的縣市 centroid，也就是說，我把得票數字放在每個縣市的 centroid 了。此外，我也用 scale_fill_gradientn() 微調，讓顏色更貼近國民黨的官方色。到這邊基礎的統計地圖就大致完成了！

### join vote & Taiwan sf data
sf_county_president <- 
  sf_county_geojson_simplified %>% 
  left_join(df_president_county_result_blue, by = c("COUNTYNAME" = "place")) %>%
  mutate(rn = row_number()) %>%
  mutate(x_centroid = df_coordination[,"X"],
         y_centroid = df_coordination[,"Y"])

### raw plot
sf_county_president %>%
  st_crop(xmin=119,xmax=123,ymin=20,ymax=26) %>%
  ggplot()+
  geom_sf(size = 0.2, aes(fill = per))+
  scale_fill_gradient(low = "#56B1F7", high = "#132B43")

### add text label
sf_county_president %>%
  st_crop(xmin=119,xmax=123,ymin=20,ymax=26) %>%
  ggplot()+
  geom_sf(size = 0.2, aes(fill = per)) +
  geom_text(
    aes(
      x=x_centroid,y=y_centroid,
      label = round(per, 2)
    ), size=3
  ) +
  scale_fill_gradientn(colors = c("white","#CCCCEE","#9999DD","#4141EF")) +
  coord_sf(datum = NA)+
  ggthemes::theme_map()

　　如果你覺得奇怪，怎麼看起來有點醜沒有很好看，你可以把利用 ggsave() 將圖表輸出成 SVG ，再丟到別的地方編輯，因為是向量檔，可以盡量縮放。 　　

plot_kmt_president <-
  sf_county_president %>%
  st_crop(xmin=119,xmax=123,ymin=20,ymax=26) %>%
  ggplot()+
  geom_sf(size = 0.2, aes(fill = per)) +
  geom_text(
    aes(
      x=x_centroid,y=y_centroid,
      label = round(per, 2)
    ), size=3
  ) +
  scale_fill_gradientn(colors = c("white","#CCCCEE","#9999DD","#4141EF")) +
  coord_sf(datum = NA)+
  ggthemes::theme_map()

### use ggsave to save plots
# ggplot2::ggsave(filename = str_c(dirpath_data, "plot_kmt_president.svg"),plot = plot_kmt_president)

4.3 Dot Distribution Map/Bubble Map

　　第三個要介紹的圖表類型是點示地圖，如果說統計地圖是將不同變數以特定尺度為單位化約為區域的值，那麼點示地圖就是利用點來表示變數。以剛剛的例子來說，台北市各行政區人口密度圖屬於統計地圖(每個行政區填上代表人口密度的顏色)，而台北市各行政區人口分布就是點示地圖(每個行政區上散落著許多點點，每個點都代表五千人)。

　　底下我會呈現台灣各縣市的城鎮分佈，因為手上沒有城鎮人口的資料，所以我借用了 library(maps) 的 world.cities 資料，裡面包含的城市的名稱、人口、經度緯度。我總共畫了兩張圖，兩張圖都是以前面仔入的台灣縣市地圖為背景地圖，再利用 geom_point() 加上城鎮分佈，第一張圖是單純呈現資料當中的城鎮分佈，第二張圖則是考慮到人口多寡，利用 size 參數調整每個點點的大小。

### get data
df_city_taiwan <- world.cities %>% 
  filter(country.etc=="Taiwan") %>% as_tibble()

df_city_taiwan %>% head(3)

## # A tibble: 3 × 6
##   name      country.etc    pop   lat  long capital
##   <chr>     <chr>        <int> <dbl> <dbl>   <int>
## 1 Changhwa  Taiwan      227178  24.1  121.       0
## 2 Chaochou  Taiwan       58839  22.6  121.       0
## 3 Chengkung Taiwan       18647  24.2  121.       0

### plotting: each point equals a city
sf_county_president %>%
  st_crop(xmin=119,xmax=123,ymin=20,ymax=26) %>%
  ggplot() +
  geom_sf(size = 0.2) +
  geom_point(data=df_city_taiwan, aes(x=long, y=lat)) +
  theme_void()

### plotting: city population size matters
sf_county_president %>%
  st_crop(xmin=119,xmax=123,ymin=20,ymax=26) %>%
  ggplot() +
  geom_sf(size = 0.2) +
  geom_point(data=df_city_taiwan, aes(x=long, y=lat, size = pop)) +
  theme_void()

4.4 Cartogram

　　第四個要介紹的圖表類型是示意地圖，它的長相和統計地圖類似，差別之處在於繪圖者扭曲了示意地圖當中的區域，用以代表該區域的性質，譬如底下我會扭曲台灣的各縣市，將面積依照該地區的實際投票數大小縮放。

　　這邊我們使用了library(cartogram)繪製示意地圖，理想上應該可以利用函數處理 sf 物件，但我的原始資料需要做一些轉換，可參考 Error with Plotting Cartogram ，使用 st_transform() 調整 CRS 後再丟到 cartogram_cont() ，就能夠跟上面一樣利用 geom_sf() 畫出好看的示意地圖了。

### create sp data
sf_county_president_carto <- sf_county_president %>%
  st_crop(xmin=119,xmax=123,ymin=20,ymax=26) %>%
  st_transform(crs = 3828)

### use cartogram package
library(cartogram)
president_cartogram <- cartogram_cont(sf_county_president_carto, weight = "vote_place", itermax=5)

### plot
president_cartogram %>%
  ggplot() +
  geom_sf(aes(fill = per) , size=0, alpha=0.9) +
  scale_fill_gradientn(colors = c("white","#CCCCEE","#9999DD","#4141EF")) +
  coord_sf() +
  theme_void()

4.5 Parliament Plot

　　第五個要介紹的圖表類型沒有專有名詞，我自己稱為議會席次圖，如果你不確定我在說什麼，可以直接參考我要使用的套件 library(ggparliament)的官網，最常見的呈現形式就是將議會/立法院的各黨派人數分布以馬蹄形呈現。

　　這個套件的 input 簡單易懂，底下我使用了 2020 台灣立法委員的選舉結果資料，這個 dataframe 的欄位包含黨派、黨派縮寫、席次，它的原理也很簡單，以馬蹄形的議會圖為例，套件當中的 parliament_data() 函數會利用提供的黨派與席次，計算出繪製馬蹄形所需的點座標與角度。使用glimpse()看處理後的資料，就可以發現新的 df_parliament_final 已經從原本 aggregated data 推回 individual data 了。

　　我選擇半圓形(semicircle)作為繪製的席次分佈形狀，除此之外還有馬蹄形、圓形等多元的選擇，也有幫忙你計算各政黨席次占比的橫條圖、強調過半政黨的函數，作者實在用心良苦，幸好沒有錯放你的手。

library(ggparliament)
### get data
df_parliament_summary_raw <- read_rds(str_c(dirpath_data, "2020/df_parliament_summary_raw.rds"))
# df_parliament_summary_raw <- read_csv(str_c(dirpath_data, "2020/df_parliament_summary_raw.csv"))

### take a look
df_parliament_summary_raw %>% head(5)

##   year country            house                   party_long party_short seats
## 1 2020  Taiwan Legislative Yuan Democratic Progressive Party         DPP    61
## 2 2020  Taiwan Legislative Yuan                  Kuomintaing         KMT    38
## 3 2020  Taiwan Legislative Yuan   Taiwan Statebuilding Party         TSP     1
## 4 2020  Taiwan Legislative Yuan              New Power Party         NPP     3
## 5 2020  Taiwan Legislative Yuan          Taiwan People Party         TPP     5
##   government  colour
## 1          1 #1b9431
## 2          0 #000095
## 3          0 #a73f24
## 4          0 #fbbe01
## 5          0 #28c8c8

### use ggparliament::parliament_data to create cooridinate system & theta
df_parliament_final <- parliament_data(election_data = df_parliament_summary_raw,
                                       type = "semicircle",
                                       parl_rows = 6,
                                       party_seats = df_parliament_summary_raw$seats)

df_parliament_final %>% head(5) %>%
    dplyr::select(party_long,party_short,seats,government,colour,x,y,row,theta)

##                       party_long party_short seats government  colour    x
## 1   Democratic Progressive Party         DPP    61          1 #1b9431 -2.0
## 1.1 Democratic Progressive Party         DPP    61          1 #1b9431 -1.8
## 1.2 Democratic Progressive Party         DPP    61          1 #1b9431 -1.6
## 1.3 Democratic Progressive Party         DPP    61          1 #1b9431 -1.4
## 1.4 Democratic Progressive Party         DPP    61          1 #1b9431 -1.2
##                y row    theta
## 1   2.449294e-16   6 3.141593
## 1.1 2.204364e-16   5 3.141593
## 1.2 1.959435e-16   4 3.141593
## 1.3 1.714506e-16   3 3.141593
## 1.4 1.469576e-16   2 3.141593

### plot: simple
df_parliament_final %>%
  ggplot(aes(x, y, colour = party_short)) +
  geom_parliament_seats(size = 5) 

### plot: complete
df_parliament_final %>%
  ggplot(aes(x, y, colour = party_short)) +
  geom_parliament_seats(size = 5) + 
  geom_highlight_government(government == 1) +
  geom_parliament_bar(colour = colour, party = party_long) + 
  draw_majoritythreshold(n = 57, label = TRUE, type = 'semicircle')+
  theme_ggparliament() +
  #other aesthetics
  labs(colour = NULL, 
       title = "Taiwan Legislative Yuan",
       subtitle = "Party that controls the Legislative Yuan highlighted.") +
  scale_colour_manual(values = unique(df_parliament_final$colour), 
                      limits = unique(df_parliament_final$party_short)) 

#其他可以選的類型
#type = "horseshoe", "semicircle", "circle", "classroom", "opposing_benches"

4.6 Hexmap/Tilegram

　　第六個要介紹的圖表類型是六角型地圖(hexmap)，或是稱為 tiled cartogram，是示意地圖的延伸。顧名思義，tiled cartogram 由許多 tiles(瓦片)組成，每個 tiles 都代表一個均等的區域，可以是人口數上的均等，也可以是其他特定變數，譬如美國選舉人團的均等。

　　使用 hexmap 的圖表好處在於，不會因為某些地理特性而誤解區域的影響力，以選區來說，雖然台北市的面積小於花蓮，但台北的區域立委席次較多，若直接用區域面積繪製立委得票，無法呈現台北市立委的影響力，相對而言使用以選區為單位的 hexmap，可以直接看到各縣市在選舉中產生多少位立委。

　　若你覺得聽起來抽象，不妨參考一個用 JavaScript 寫的 tiled maps 生成器，底下我會簡單說明繪製這種圖表的方法，並以台灣 2020 分區立委選舉的選區實作。

　　目前我看到繪製 tilegrams 的方法主要有兩種，第一種是直接繪製出特定格式的 JSON，第二種是用數學方法將地理資料切分出多個 tiles。就前者而言，tilegramsR 套件上就有整理前人的多樣作品，而 R Graph Gallery 上也有教學，它會請你先下載某個 GeoJSON，載入 R 裡面就已經是 hexmap 的形式了，但遺憾的是這上面都沒有台灣的資料，所以我等一下會用其他方法畫一遍。就後者而言，你可以參考 Stackoverflow 上的 how to draw tilegram/hexagon map in R，有位熱心人士提供自己寫的測試套件，我有測了一下確定可行，只是把台灣切成數的 tiles 的效果沒有那麼好而已。

　　底下我使用的套件是 library(clhex)，這個套件可以產生 hexJSON，以台灣為例，我先產生一個包含 2020 區域立委選舉選區的 dataframe，接著利用 create_hexjson()產生 hexJSON，再將它丟到 hexjson editor 編輯。

### create hexJSON based on constituency
library(clhex)
df_legis_constituency <- read_rds(str_c(dirpath_data, "2020/df_legis_constituency.rds"))
hex_test <- create_hexjson(df_legis_constituency)

### 我已經create過了
# create_and_save_hexjson(df_legis_constituency, str_c(dirpath_data, "2020/output.hexjson"))

　　在 hexjson editor 上的編輯過程是純手動拖拉，請參考下圖。選擇上傳後有問你一些設定的問題，可以參考我的作法填寫，編輯模式開啟後可以將選區依照地理位置移動，移動方法是選取 hex 然後點選要更換位置的另一個 hex，各點擊一次就可以交換位置了，我用了一個奇怪的形狀當範例，畫好後就可以選擇下載 GeoJSON 了。

Figure 4.1: 上傳 hexJSON 的時候網站會問你要怎麼設定

Figure 4.2: 上傳後長這樣

Figure 4.3: 拖拉每個選區後的長相，假設台灣長這樣，接下來就可以下載了

　　按照上面的步驟，將檔案載入 R 後丟到 geom_sf()裡面就可以畫圖囉！

### download data from https://olihawkins.com/project/hexjson-editor/
### import data
json_2020 <- geojson_read(str_c(dirpath_data, "2020/hexmap.geojson"))
sf_2020 <- json_2020 %>% as.json() %>% geojson_sf()

### plot
sf_2020 %>%
  ggplot() +
  geom_sf(size = 0, aes(fill = value)) +
  scale_fill_manual(values=c("#4141EF", "#33AE33", "#808080")) +
  coord_sf(datum = NA) +
  ggthemes::theme_map() +
  theme(legend.position = "null")

　　你可能會想問兩個問題，第一個是為什麼要那麼麻煩產出 hexJSON ，不乾脆用 Illustrator 拉就好，第二個是為什麼 ggplot2 的結果有點歪。第二個問題我自己沒有解答，目前作法也是丟到 Illustrator 調整比例；針對第一題，我的回答跟前面的一樣，如果只是一次性的任務那用畫的很快，但如果你要畫台灣歷次分區立委選舉的結果，倘若你有選區名稱跟結果，就可以直接跟這個 hexJSON 串不用自己慢慢填色。

5.1 Some thoughts and recommended books

　　每次看到紐約時報、華盛頓郵報、彭博社在美國選舉期間多樣的數據圖表，或簡潔或繁複，都會驚嘆於不同敘事方式背後編輯們的深刻設想。2018年台灣五都與地方縣市首長選舉時，天下雜誌、關鍵評論網、中央社等媒體也都在視覺化呈現選舉結果上下了很多苦工，參加 HH Taipei 的分享後，我在心裡想，自己也要做一樣的事情，2020 選舉時因緣際會畫了一些選舉圖表，在事前規劃的過程中累積了上面的探索跟程式碼，也因此產出了這篇文章。

　　除了長條圖、散點圖以外，很多類型的選舉圖表始終離不開地圖，因此如果你想要深入這個領域，可以參考這兩本書，第一本是 Geocomputation with R，教你怎麼靈活的操作地理資料，並且有跨領域的應用，個人非常推薦這本書；第二本則是臺北大學林茂廷老師撰寫的授課用書，因為是用中文寫的所以比較親民。

5.2 A short review

　　在這篇文章當中，我利用 R 語言繪製了六種類型的選舉圖表，包含 Background Map、Choropleth、Dot Distribution Map、Cartogram、Parliament Plots、Hexmap/Tilegram，希望你會喜歡！若你看到有趣的圖表，也歡迎和我說。特別感謝照真老師的課堂，還有 Tzu-Lun 跟我一起畫圖表，也謝謝 Summit 邀請我分享才催生這篇文。

Figure 5.1: 也是用 ggplot2 畫的總統大選各縣市得票率 faceted plot