├── 01_inputs ├── shapefiles │ ├── INEI_LIMITE_DEPARTAMENTAL.cpg │ ├── INEI_LIMITE_DEPARTAMENTAL.dbf │ ├── INEI_LIMITE_DEPARTAMENTAL.sbn │ ├── INEI_LIMITE_DEPARTAMENTAL.sbx │ ├── INEI_LIMITE_DEPARTAMENTAL.shp │ ├── INEI_LIMITE_DEPARTAMENTAL.shx │ ├── INEI_LIMITE_DEPARTAMENTAL.prj │ └── INEI_LIMITE_DEPARTAMENTAL.shp.xml └── datasets │ ├── README.md │ ├── educ2016.csv │ └── povrate2016.csv ├── 02_outputs ├── educmap1.png ├── educmap2.png ├── poormap1.png ├── poormap2.png ├── basemap_pe.png ├── map_centroid.png ├── povertyeduc.png └── basemap_pejun.png ├── rmaps-application.R └── README.md /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.cpg: -------------------------------------------------------------------------------- 1 | UTF-8 -------------------------------------------------------------------------------- /02_outputs/educmap1.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/educmap1.png -------------------------------------------------------------------------------- /02_outputs/educmap2.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/educmap2.png -------------------------------------------------------------------------------- /02_outputs/poormap1.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/poormap1.png -------------------------------------------------------------------------------- /02_outputs/poormap2.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/poormap2.png -------------------------------------------------------------------------------- /02_outputs/basemap_pe.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/basemap_pe.png -------------------------------------------------------------------------------- /02_outputs/map_centroid.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/map_centroid.png -------------------------------------------------------------------------------- /02_outputs/povertyeduc.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/povertyeduc.png -------------------------------------------------------------------------------- /01_inputs/datasets/README.md: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/01_inputs/datasets/README.md -------------------------------------------------------------------------------- /02_outputs/basemap_pejun.png: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/02_outputs/basemap_pejun.png -------------------------------------------------------------------------------- /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.dbf: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.dbf -------------------------------------------------------------------------------- /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.sbn: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.sbn -------------------------------------------------------------------------------- /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.sbx: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.sbx -------------------------------------------------------------------------------- /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.shp: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.shp -------------------------------------------------------------------------------- /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.shx: -------------------------------------------------------------------------------- https://raw.githubusercontent.com/rmcondor/rmaps-peruvian-case/HEAD/01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.shx -------------------------------------------------------------------------------- /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.prj: -------------------------------------------------------------------------------- 1 | GEOGCS["GCS_WGS_1984",DATUM["D_WGS_1984",SPHEROID["WGS_1984",6378137.0,298.257223563]],PRIMEM["Greenwich",0.0],UNIT["Degree",0.0174532925199433]] -------------------------------------------------------------------------------- /01_inputs/datasets/educ2016.csv: -------------------------------------------------------------------------------- 1 | NOMBDEP,educ 2 | AMAZONAS,6.1448545 3 | ANCASH,7.1750803 4 | APURIMAC,6.0876274 5 | AREQUIPA,8.6028929 6 | AYACUCHO,6.1371517 7 | CAJAMARCA,5.9721422 8 | CALLAO,9.3106747 9 | CUSCO,6.9157343 10 | HUANCAVELICA,5.8988609 11 | HUANUCO,6.1223116 12 | ICA,9.0077715 13 | JUNIN,7.2613988 14 | LA LIBERTAD,7.1350503 15 | LAMBAYEQUE,7.7066951 16 | LIMA,9.2995396 17 | LORETO,6.1253319 18 | MADRE DE DIOS,7.2667675 19 | MOQUEGUA,8.9558954 20 | PASCO,7.3520813 21 | PIURA,6.9435215 22 | PUNO,7.0856209 23 | SAN MARTIN,6.760489 24 | TACNA,8.9384127 25 | TUMBES,7.8694472 26 | UCAYALI,6.9568315 27 | -------------------------------------------------------------------------------- /01_inputs/datasets/povrate2016.csv: -------------------------------------------------------------------------------- 1 | NOMBDEP,poor 2 | AMAZONAS,.39219081 3 | ANCASH,.2168818 4 | APURIMAC,.38555655 5 | AREQUIPA,.10850112 6 | AYACUCHO,.39336833 7 | CAJAMARCA,.43745875 8 | CALLAO,.096984923 9 | CUSCO,.19647843 10 | HUANCAVELICA,.44901565 11 | HUANUCO,.32569778 12 | ICA,.035157546 13 | JUNIN,.18876483 14 | LA LIBERTAD,.280765 15 | LAMBAYEQUE,.14731286 16 | LIMA,.10050905 17 | LORETO,.34313726 18 | MADRE DE DIOS,.076475851 19 | MOQUEGUA,.076429717 20 | PASCO,.34851936 21 | PIURA,.28912768 22 | PUNO,.35820526 23 | SAN MARTIN,.21049672 24 | TACNA,.13618881 25 | TUMBES,.10897628 26 | UCAYALI,.15087786 27 | -------------------------------------------------------------------------------- /rmaps-application.R: -------------------------------------------------------------------------------- 1 | ################################################################################ 2 | # MAPS IN R: An application with Peruvian cases 3 | # Author: Ronny M. Condor 4 | # Objective: Generate maps in R using georeferenced data and secondary sources 5 | # of information, such as INEI data 6 | # Comments: The databases used were generated from ENAHO 7 | ################################################################################ 8 | 9 | library(sf) 10 | library(purrr) 11 | library(tidyverse) 12 | library(ggplot2) 13 | library(ggrepel) 14 | 15 | # Data folder 16 | username <- Sys.getenv("USERNAME") 17 | 18 | wd <- list() 19 | wd$root <- paste0("C:/Users/", username, "/Documents/GitHub/rmaps-peruvian-case/") 20 | wd$inputs <- paste0(wd$root, "01_inputs/") 21 | wd$shapef <- paste0(wd$inputs, "shapefiles/") 22 | wd$datasets <- paste0(wd$inputs, "datasets/") 23 | wd$outputs <- paste0(wd$root, "02_outputs/") 24 | 25 | # Import the shapefile 26 | peru_sf <- st_read(paste0(wd$shapef, "INEI_LIMITE_DEPARTAMENTAL.shp")) 27 | 28 | # Base map: PERU 29 | ggplot(data = peru_sf) + 30 | geom_sf() 31 | ggsave(paste0(wd$outputs, "basemap_pe.png")) 32 | 33 | 34 | # Base map: JUNIN 35 | ggplot(data = peru_sf %>% 36 | filter(NOMBDEP=="JUNIN")) + 37 | geom_sf() 38 | ggsave(paste0(wd$outputs, "basemap_pejun.png")) 39 | 40 | # CENTROIDS: Place the name of each department on the map 41 | ## Create the centroid 42 | peru_sf <- peru_sf %>% mutate(centroid = map(geometry, st_centroid), 43 | coords = map(centroid, st_coordinates), 44 | coords_x = map_dbl(coords, 1), coords_y = map_dbl(coords, 2)) 45 | 46 | ## Map with labels 47 | ggplot(data = peru_sf) + 48 | geom_sf(fill="skyblue3", color="black", alpha = 0.7)+ 49 | geom_text_repel(mapping = aes(coords_x, coords_y, label = NOMBDEP), size = 2) 50 | ggsave(paste0(wd$outputs, "map_centroid.png")) 51 | 52 | # DATASETS 53 | ## Poverty rate (2016) 54 | povrate2016 <- read_csv(paste0(wd$datasets,"povrate2016.csv")) 55 | 56 | ## Average years of education (2016) 57 | educ2016 <- read_csv(paste0(wd$datasets,"educ2016.csv")) 58 | 59 | # MERGE databases with shapefile 60 | peru_datos <- peru_sf %>% 61 | left_join(povrate2016) %>% 62 | left_join(educ2016) 63 | 64 | # FINAL GRAPHS 65 | 66 | ## Graph 1: Poverty rate (2016) without labels 67 | ggplot(peru_datos) + 68 | geom_sf(aes(fill = poor))+ 69 | labs(title = "Percentage of poor population\nby department (2016)", 70 | caption = "Source: Enaho (2016)\nSelf-made", 71 | x="Longitude", 72 | y="Latitude", 73 | fill = "Poverty Rate")+ 74 | scale_fill_gradient(low = "steelblue1", high = "steelblue4")+ 75 | theme_bw() 76 | ggsave(paste0(wd$outputs, "poormap1.png")) 77 | 78 | ## Graph 2: Poverty rate (2016) with labels 79 | ggplot(peru_datos) + 80 | geom_sf(aes(fill = poor))+ 81 | labs(title = "Percentage of poor population\nby department (2016)", 82 | caption = "Source: Enaho (2016)\nSelf-made", 83 | x="Longitude", 84 | y="Latitude", 85 | fill = "Poverty Rate")+ 86 | scale_fill_gradient(low = "steelblue1", high = "steelblue4")+ 87 | geom_text_repel(mapping = aes(coords_x, coords_y, label = NOMBDEP), size = 2)+ 88 | theme_bw() 89 | ggsave(paste0(wd$outputs, "poormap2.png")) 90 | 91 | ## Graph 3: Average years of education (2016) without labels 92 | ggplot(peru_datos) + 93 | geom_sf(aes(fill = educ))+ 94 | labs(title = "Average years of education\nby department (2016)", 95 | caption = "Source: Enaho (2016)\nSelf-made", 96 | x="Longitude", 97 | y="Latitude", 98 | fill = "Years of Education")+ 99 | scale_fill_gradient(low = "darkseagreen1", high = "darkseagreen4")+ 100 | theme_bw() 101 | ggsave(paste0(wd$outputs, "educmap1.png")) 102 | 103 | ## Graph 4: Average years of education (2016) with labels 104 | ggplot(peru_datos) + 105 | geom_sf(aes(fill = educ))+ 106 | labs(title = "Average years of education\nby department (2016)", 107 | caption = "Source: Enaho (2016)\nSelf-made", 108 | x="Longitude", 109 | y="Latitude", 110 | fill = "Years of Education")+ 111 | scale_fill_gradient(low = "darkseagreen1", high = "darkseagreen4")+ 112 | geom_text_repel(mapping = aes(coords_x, coords_y, label = NOMBDEP), size = 2)+ 113 | theme_bw() 114 | ggsave(paste0(wd$outputs, "educmap2.png")) 115 | 116 | # Graph 5: Poverty and years of education (2016) 117 | ggplot(peru_datos) + 118 | geom_sf(aes(fill = poor))+ 119 | scale_fill_gradient(low = "steelblue1", high = "steelblue4")+ 120 | geom_point(aes(coords_x, coords_y, size = educ), color = "darkseagreen3")+ 121 | labs(title = "Poverty and years of education (2016)", 122 | caption = "Source: Enaho (2016)\nSelf-made", 123 | x="Longitude", 124 | y="Latitude", 125 | fill = "Poverty Rate", 126 | size = "Years of Education")+ 127 | theme_bw() 128 | ggsave(paste0(wd$outputs, "povertyeduc.png")) 129 | -------------------------------------------------------------------------------- /README.md: -------------------------------------------------------------------------------- 1 | # Mapas en R: una aplicación con datos peruanos 2 | [![DOI](https://zenodo.org/badge/404199765.svg)](https://zenodo.org/badge/latestdoi/404199765) 3 | ## Introducción 4 | Una de las ventajas de R es que también nos permite trabajar con datos geoespaciales, los cuales son conocidos como shapefiles. Existen una diversidad de páginas para conseguir shapefiles. Podemos ingresar a la página [GEO GPS PERU](https://www.geogpsperu.com/) para conseguir datos geoespaciales del territorio peruano. Esta página contiene datos geoespaciales por límite departamental, provincial y distrital. Para este ejemplo, se descargó el *shapefile* por límite departamental. Se descarga un archivo comprimido que contiene distintas extensiones tal como se muestra en la siguiente figura. Guardamos todo esto en nuestra dirección de trabajo. 5 | 6 | ![shapefiles](https://user-images.githubusercontent.com/57784008/133181329-ad7cd661-ce46-4c61-a67c-3bf859d408f9.PNG) 7 | 8 | ## Paquetes necesarios 9 | Los paquetes requeridos para poder hacer mapas en R son, básicamente, los que se presentan a continuación. 10 | ``` 11 | library(sf) 12 | library(purrr) 13 | library(tidyverse) 14 | library(ggplot2) 15 | library(ggrepel) 16 | ``` 17 | ## Creación de mapas 18 | R nos permite leer los datos geoespaciales y tratarlos como un data frame, lo cual es conveniente para poder hacer mapas usando la libraría [ggplot2](https://ggplot2.tidyverse.org/) y agregar distintas capas como rellenos, leyendas, títulos, etc. El mapa más básico que podemos hacer es el que contiene solo las líneas fronterizas. Evidentemente, lo que buscamos es mostrar variables de una base de datos en el mapa. Los objetivos de esta guía son los siguientes: 19 | * Elaborar un mapa base del Perú con límites departamentales. 20 | * Mostrar la tasa de pobreza departamental y el promedio departamental de años de educación alcanzados en un mapa. 21 | * Elaborar un mapa para cada variable de manera separada y también de manera conjunta, para ver la relación entre la pobreza y los años de educación en el mapa. 22 | 23 | A continuación, se mostraran los pasos necesarios para alcanzar estos objetivos. 24 | 25 | ### Definir nuestro directorio de trabajo 26 | En primer lugar, debemos declarar la estructura de nuestro directorio de trabajo. Esto nos permitirá tener un trabajo mucho más ordenado. La estructura que muestro es la misma que tiene este repositorio de Github. 27 | 28 | 29 | ``` 30 | username <- Sys.getenv("USERNAME") 31 | 32 | wd <- list() 33 | wd$root <- paste0("C:/Users/", username, "/Documents/GitHub/rmaps-peruvian-case/") 34 | wd$inputs <- paste0(wd$root, "01_inputs/") 35 | wd$shapef <- paste0(wd$inputs, "shapefiles/") 36 | wd$datasets <- paste0(wd$inputs, "datasets/") 37 | wd$outputs <- paste0(wd$root, "02_outputs/") 38 | ``` 39 | 40 | Los archivos con información georreferencial se guardaron en la subcarpeta "shapefiles" dentro de la carpeta "01_inputs". En la carpeta "02_outputs" guardaremos todos los gráficos que elaboremos. 41 | 42 | ### Importar los archivos shapefiles 43 | Luego, debemos importar el archivo *shapefile*. 44 | 45 | ``` 46 | peru_sf <- st_read(paste0(wd$shapef, "INEI_LIMITE_DEPARTAMENTAL.shp")) 47 | ``` 48 | 49 | ### Mapas base 50 | 51 | El mapa más simple que podemos hacer es el Perú con sus límites departamentales. 52 | ``` 53 | # Mapa base: PERU 54 | ggplot(data = peru_sf) + 55 | geom_sf() 56 | ``` 57 | ![basemap_pe](https://user-images.githubusercontent.com/57784008/133008127-3fe4f6af-0c8d-4f5c-8247-c4fa9b348b11.png) 58 | 59 | También podemos hacer mapas de un departamento en específico si filtramos. En este caso, yo graficaré el mapa de Junín (ya que la sangre wanka corre por mis venas). 60 | ``` 61 | ggplot(data = peru_sf %>% 62 | filter(NOMBDEP=="JUNIN")) + 63 | geom_sf() 64 | ``` 65 | ![basemap_pejun](https://user-images.githubusercontent.com/57784008/133008181-db7c0e6f-798a-4634-a197-895d6f892187.png) 66 | 67 | Asimismo, también podemos crear el mapa del Perú con una etiqueta para cada departamento si definimos los centroides de cada objeto. 68 | ``` 69 | peru_sf <- peru_sf %>% mutate(centroid = map(geometry, st_centroid), 70 | coords = map(centroid, st_coordinates), 71 | coords_x = map_dbl(coords, 1), coords_y = map_dbl(coords, 2)) 72 | ``` 73 | 74 | Y luego estamos listo para graficar el mapa con etiquetas, solamente le agregaríamos una línea más al código que teníamos anteriormente. Además, para que no el mapa no se vea tan triste, le puse una tonalidad de celeste. 75 | ``` 76 | ggplot(data = peru_sf) + 77 | geom_sf(fill="skyblue3", color="black", alpha = 0.7)+ 78 | geom_text_repel(mapping = aes(coords_x, coords_y, label = NOMBDEP), size = 2) 79 | ``` 80 | ![map_centroid](https://user-images.githubusercontent.com/57784008/133008661-7e23d68c-2931-4468-949f-957de4b208f5.png) 81 | 82 | ### Juntar con bases de datos 83 | Ya completamos el primer paso que es graficar un mapa. Evidentemente, lo que buscamos es reflejar algunos datos en él y para ello lo que debemos hacer es juntar el dataframe de datos referenciales con los archivos donde se encuentran las variables de interés. Para esta guía, se usó la Encuesta Nacional de Hogares del 2016, en específico, los módulos 3 y 34 para poder calcular la tasa de pobreza departamental y los años de educación promedio. Estos datos se encuentran en la carpeta "01_inputs/datasets" en archivos CSV. 84 | 85 | Lo primero que haremos será importar estas dos bases de datos. 86 | ``` 87 | ## Tasa de pobreza (2016) 88 | povrate2016 <- read_csv(paste0(wd$datasets,"povrate2016.csv")) 89 | 90 | ## Años de educación promedio (2016) 91 | educ2016 <- read_csv(paste0(wd$datasets,"educ2016.csv")) 92 | ``` 93 | Y luego, juntamos los datos georreferenciados "peru_sf" con las otras dos bases y lo nombramos "peru_datos". De esta manera, tenemos la información necesaria para generar los mapas y las variables de interés en un solo dataframe. Con esto, ya estaríamos listos para tener nuestros gráficos finales. 94 | 95 | ``` 96 | peru_datos <- peru_sf %>% 97 | left_join(povrate2016) %>% 98 | left_join(educ2016) 99 | ``` 100 | 101 | ### Gráficos finales 102 | #### Gráfico 1: Tasa de pobreza por departamento (2016) 103 | ``` 104 | ggplot(peru_datos) + 105 | geom_sf(aes(fill = poor))+ 106 | labs(title = "Porcentaje de población pobre\npor departamento (2016)", 107 | caption = "Fuente: Enaho (2016)\nElaboración propia", 108 | x="Longitud", 109 | y="Latitud", 110 | fill = "Tasa de pobreza")+ 111 | scale_fill_gradient(low = "steelblue1", high = "steelblue4")+ 112 | theme_bw() 113 | ggsave(paste0(wd$outputs, "poormap1.png")) 114 | ``` 115 | ![poormap1](https://user-images.githubusercontent.com/57784008/133009342-8769f665-8146-4f06-81a4-bf1f0ac02369.png) 116 | 117 | #### Gráfico 2: Años de educación promedio por departamento (2016) 118 | ``` 119 | ggplot(peru_datos) + 120 | geom_sf(aes(fill = educ))+ 121 | labs(title = "Años de educación promedio\npor departamento (2016)", 122 | caption = "Fuente: Enaho (2016)\nElaboración propia", 123 | x="Longitud", 124 | y="Latitud", 125 | fill = "Años de educación")+ 126 | scale_fill_gradient(low = "darkseagreen1", high = "darkseagreen4")+ 127 | theme_bw() 128 | ggsave(paste0(wd$outputs, "educmap1.png")) 129 | ``` 130 | ![educmap1](https://user-images.githubusercontent.com/57784008/133009434-c003605b-6539-4884-bc4b-6adff70ab881.png) 131 | 132 | #### Gráfico 3: Pobreza y años de educación (2016) 133 | ``` 134 | ggplot(peru_datos) + 135 | geom_sf(aes(fill = poor))+ 136 | scale_fill_gradient(low = "steelblue1", high = "steelblue4")+ 137 | geom_point(aes(coords_x, coords_y, size = educ), color = "darkseagreen3")+ 138 | labs(title = "Pobreza y años de educación (2016)", 139 | caption = "Fuente: Enaho (2016)\nElaboración propia", 140 | x="Longitud", 141 | y="Latitud", 142 | fill = "Tasa de pobreza", 143 | size = "Años de educación")+ 144 | theme_bw() 145 | ggsave(paste0(wd$outputs, "povertyeduc.png")) 146 | ``` 147 | 148 | ![povertyeduc](https://user-images.githubusercontent.com/57784008/133009470-05969771-fec2-42c7-bf4b-f16fab757e68.png) 149 | -------------------------------------------------------------------------------- /01_inputs/shapefiles/INEI_LIMITE_DEPARTAMENTAL.shp.xml: -------------------------------------------------------------------------------- 1 | 2 | 20200423142543001.0FALSEdepartamental_MultipartToSin002file://\\DESKTOP-K8HDUUT\C$\Users\ASSI\Documents\ArcGIS\Default.gdbLocal Area NetworkGeographicGCS_WGS_1984Angular Unit: Degree (0.017453)<GeographicCoordinateSystem xsi:type='typens:GeographicCoordinateSystem' xmlns:xsi='http://www.w3.org/2001/XMLSchema-instance' xmlns:xs='http://www.w3.org/2001/XMLSchema' xmlns:typens='http://www.esri.com/schemas/ArcGIS/10.6'><WKT>GEOGCS[&quot;GCS_WGS_1984&quot;,DATUM[&quot;D_WGS_1984&quot;,SPHEROID[&quot;WGS_1984&quot;,6378137.0,298.257223563]],PRIMEM[&quot;Greenwich&quot;,0.0],UNIT[&quot;Degree&quot;,0.0174532925199433],AUTHORITY[&quot;EPSG&quot;,4326]]</WKT><XOrigin>-400</XOrigin><YOrigin>-400</YOrigin><XYScale>1111948722.2222221</XYScale><ZOrigin>-100000</ZOrigin><ZScale>10000</ZScale><MOrigin>-100000</MOrigin><MScale>10000</MScale><XYTolerance>8.983152841195215e-09</XYTolerance><ZTolerance>0.001</ZTolerance><MTolerance>0.001</MTolerance><HighPrecision>true</HighPrecision><LeftLongitude>-180</LeftLongitude><WKID>4326</WKID><LatestWKID>4326</LatestWKID></GeographicCoordinateSystem>MultipartToSinglepart departamental C:\Users\ASSI\Documents\ArcGIS\Default.gdb\departamental_MultipartToSinCalculateField INEI_LIMITE_DEPARTAMENTAL_GEOGPSPERU_JUANSUYO_931381206 WHATSAPP 931381206 VB #CalculateField INEI_LIMITE_DEPARTAMENTAL_GEOGPSPERU_JUANSUYO_931381206 CONTACTO "juan.suyo@geogpsperu.com" VB #CalculateField INEI_LIMITE_DEPARTAMENTAL_GEOGPSPERU_JUANSUYO_931381206 CORREO "juan.suyo@geogpsperu.com" VB #CalculateField INEI_LIMITE_DEPARTAMENTAL_GEOGPSPERU_JUANSUYO_931381206 CONTACTO "www.geogpsperu.com" VB #20200423100309002020042310030900 Version 6.2 (Build 9200) ; Esri ArcGIS 10.6.0.8321departamental_MultipartToSinFile Geodatabase Feature ClassdatasetEPSG6.14(3.0.1)0SimpleFALSE0TRUEFALSEdepartamental_MultipartToSinFeature Class0OBJECTID_1FIDOID400Internal feature number.EsriSequential unique whole numbers that are automatically generated.ShapeShapeGeometry000Feature geometry.EsriCoordinates defining the features.OBJECTIDOBJECTIDDouble800CCDDCCDDString25400NOMBDEPNOMBDEPString25400CAPITALCAPITALString25400Shape_STArShape.STArDouble800Shape_STLeShape.STLeDouble800ORIG_FIDORIG_FIDInteger400Shape_LengthShape_LengthDouble800Length of feature in internal units.EsriPositive real numbers that are automatically generated.Shape_AreaShape_AreaDouble800Area of feature in internal units squared.EsriPositive real numbers that are automatically generated.20200423 3 | --------------------------------------------------------------------------------