Se você estiver no centro de São Paulo, quanto será que você precisa andar para achar uma hamburgueria? Será que sua casa fica a menos de 1 km de hospitais, delegacias ou corpo de bombeiros? Nesta matéria veremos como utilizar uma das APIs do Google Maps para obter informações de geolocalização a partir de uma pesquisa simples. Em seguida, vamos gerar mapas com o pacote leaflet para visualizar os dados coletados e responder essas perguntas.
Passo 1: configurar o Google Places, do Google Maps API
A API que vamos utilizar para acessar os dados do Google Maps é a Google Places. Para configurá-la, você precisa fazer o seguinte:
- Criar um projeto no Google APIs;
- Adicionar a Google Places API Web Service à sua biblioteca de APIs;
- Obter uma chave de API; e
- Enviar uma requisição.
Para mais informações sobre os itens 1, 2 e 3, bastar acessar os links acima. Aqui, vamos focar em como fazer o item 4.
Passo 2: baixar os dados da API
A API do Google Places permite fazer alguns tipos de buscas, como estabelecimentos específicos próximos a um local ou dentro de uma região pré-delimitada. Nosso objetivo aqui é requisitar os dados de todos os estabelecimentos, como hospitais, delegacias, supermercados, escolas etc, dentro de um raio de busca em torno de um ponto específico. Neste contexto, a requisição deve ser feita a partir de um link da forma
https://maps.googleapis.com/maps/api/place/radarsearch/output?parameters
substituindo output pelo formato da saída, xml ou json, e parameters pelos parâmetros de busca. Utilizaremos em nosso exemplo a linguagem R e o formato Json (Javascript Object Notation). Para mais informações sobre JSON, consulte este link.
Abaixo as bibliotecas de R usadas nesta análise:
library(tidyverse) library(httr) library(leaflet)
O que precisamos fazer é criar a url de requisição, acessá-la, guardar os dados no formato json em um objeto e convertê-lo para um data frame. A função get_googlemaps_data() abaixo faz exatamente isso. Mais especificamente, ela recebe os parâmetros de busca, uma chave de API e retorna um data frame com os dados de geolocalização (latitude e longitude) dos resultados encontrados.
O argumento keyword= recebe o termo a ser pesquisado, isto é, se estivermos pesquisando por escolas, esse argumento receberá a string ‘escola’.
O argumento type= recebe um termo para filtrar os estabelecimentos pesquisados. Por exemplo: keyword = ‘restaurante’ e type = ‘vegetariano’.
Os argumentos central_lat= e central_log= representam, respectivamente, a latitude e a longitude do ponto central da busca. Os valores default são os do centro da cidade de São Paulo.
O argumento radius= indica o raio máximo de busca. O default é 15 Km.
O argumento key= deve receber a sua chave de API.
get_gmaps_data <- function(keyword, type = "", central_lat = -23.55052,
central_lng = -46.63331, radius = 15000, key) {
base_url = "https://maps.googleapis.com/maps/api/place/radarsearch/json"
# Parâmetros
query <- list(
location = paste(central_lat, central_lng, sep = ','),
radius = radius, type = type, keyword = keyword, key = key
)
# Acessando a URL.
response <- GET(base_url, query = query)
# Transformando resultado em dados.
json <- content(response, 'parsed', simplify = TRUE)
# Guardando a latitude e longitude em um df, assim como o lugar pesquisado.
as_tibble(json$results$geometry$location) %>%
mutate(place = keyword)
}Com a função get_gmaps_data() em mão, basta rodar o código get_gmaps_data(“mercado”, key = sua_API_key) para obter a geolocalização de até 200 mercados em um raio de até 15 Km do centro de São Paulo. Sim, o limite é de 200 resultados. Não encontrei maneiras de aumentar esse limite.
Também podemos utilizar a função purrr::map_df() para gerar um data frame com várias buscas. A função map mapeia uma determinada função em cada elemento de um vetor/lista, retornando um data frame. Ainda não estamos construindo os mapas.
places <- c("pronto socorro", "delegacia", "bombeiros", "hamburguer", "pizza")
df_places <- places %>%
map_df(get_gmaps_data, key = key)Às vezes, a requisição pode retornar com algum erro. Não consegui descobrir o porquê isso acontece. Nestes casos, a função get_gmaps_data() também retornará um erro, provavelmente na construção do data frame. Se isso acontecer, basta rodar a função novamente, gerando uma nova requisição.
Passo 3: os mapas
Para construir os mapas, vamos utilizar a função leaflet::leaflet(). A ideia é, para cada ponto da pesquisa, adicionar um círculo de raio igual a 1 Km. Dessa forma, se você estiver fora desses círculos, quer dizer que você estará a mais de um quilômetro de um dos estabelecimentos pesquisados. Veja os exemplos a seguir.
Hospitais
Eu pesquisei por “pronto socorro” porque a pesquisa hospitais também resulta em hospitais veterinários. Um desafio para quem for reproduzir a análise: coletar apenas a geolocalização de hospitais públicos.
df_places %>% filter(place == "pronto socorro") %>% leaflet() %>% addTiles() %>% addCircles(lng = ~long, lat = ~lat, weight = 5, radius = 1000, color = "blue", fillOpacity = 0.5)
Delegacias
df_places %>% filter(place == "delegacia") %>% leaflet() %>% addTiles() %>% addCircles(lng = ~long, lat = ~lat, weight = 5, radius = 1000, color = "blue", fillOpacity = 0.5)
Bombeiros
df_places %>% filter(place == "delegacia") %>% leaflet() %>% addTiles() %>% addCircles(lng = ~long, lat = ~lat, weight = 5, radius = 1000, color = "blue", fillOpacity = 0.5)
Hamburguerias
Repare que o único local na região mais central de SP em que você pode ficar a mais de um quilômetro de uma hamburgueria é no meio do parque Ibirapuera.
df_places %>% filter(place == "hamburguer") %>% leaflet() %>% addTiles() %>% addCircles(lng = ~long, lat = ~lat, weight = 5, radius = 1000, color = "blue", fillOpacity = 0.5)
Pizzarias
Se a busca devolvesse todos os resultados possíveis, esse mapa teria um círculo azul com ~15 km de raio formado por milhares de círculos menores.
df_places %>% filter(place == "pizza") %>% leaflet() %>% addTiles() %>% addCircles(lng = ~long, lat = ~lat, weight = 5, radius = 1000, color = "blue", fillOpacity = 0.5)
Sem dúvidas, a utilização dos dados aqui foi bem superficial, apenas ilustrativa. O ideal seria juntar essas informações de geolocalização com dados de criminalidade, saúde pública, socioeconômicos, consumo etc. Dependendo da disponibilidade de dados, há espaço para muitas análises interessantes utilizando essas informações do Google Maps. Com certeza voltaremos neste assunto em posts futuros.
Comentários? Sugestões? Críticas? Você está a menos de um quilômetro dos comentários! Deixe a sua mensagem!
Até,
Julio Trecenti – Bacharel, mestre e doutorando em Estatística pelo IME-USP. Diretor-técnico da Associação Brasileira de Jurimetria (ABJ). Vice-presidente – CONRE-3a Região. Sócio da Erri consultoria – Trabalha com web scraping, consolidação de dados, visualização e modelagem, construindo modelos preditivos, APIs, pacotes em R e dashboards em Shiny.