Functie die indicatoren corrigeert voor grenswijzigingen — vertaal_naar

Deze functie corrigeert indicatoren op basis van model.0 of model.1. Het is nodig om zelf het type indicator aan te geven ('aandeel' of 'aantal'). Het wordt geadviseerd gebruik te maken van de generieke wrapper functie wrapper_vertaal_naar_peiljaar.

Usage

vertaal_naar_peiljaar(
  df,
  oorspronkelijk_jaar,
  peiljaar,
  type_kolommen = "aantal",
  model = "model.0",
  regionaalniveau = "wijk"
)

Arguments

df

dataframe met features op wijkniveau op basis van wijkindeling van 1 bepaald jaar (oorspronkelijk_jaar).

oorspronkelijk_jaar

jaar waarin de features in df zijn gegeven

peiljaar

jaar waarnaartoe de features moeten worden omgezet

type_kolommen

welk type is de kolom, 'aantal' of 'aandeel'?

model

welk model wordt gekozen? Keuze uit 'model.0' en 'model.1'.

model.0 neemt alleen de postcode+huisnummer mee in de berekening
model.1 neemt postcode+huisnummer+toevoeging waarvan de gebruiksfunctie 'woonfunctie' is.

regionaalniveau

op welk regionaalniveau moet de omzetting plaats vinden? Keuze uit 'wijk' en 'gemeente'.

Value

dataframe met features op wijkniveau op basis van wijkindeling van peiljaar

Examples

library(grenswijzigen)
library(cbsodataR)
library(dplyr)
#> 
#> Attaching package: ‘dplyr’
#> The following objects are masked from ‘package:stats’:
#> 
#>     filter, lag
#> The following objects are masked from ‘package:base’:
#> 
#>     intersect, setdiff, setequal, union


# laad de kerncijfers per wijk voor 2017 en 2018
df <- rbind(
  cbs_get_data(
    id="83765NED",
    WijkenEnBuurten = has_substring("WK"),
    select=c("WijkenEnBuurten", "AantalInwoners_5", "k_65JaarOfOuder_12")
  ) %>% mutate(
    jaar=2017
  ),
  cbs_get_data(
    id="84286NED",
    WijkenEnBuurten = has_substring("WK"),
    select=c("WijkenEnBuurten", "AantalInwoners_5", "k_65JaarOfOuder_12")
  ) %>% mutate(
    jaar=2018
  )
) %>% mutate(
  gwb_code=trimws(gsub("^WK", "", WijkenEnBuurten))
) %>% select(-WijkenEnBuurten)

# laat de wijken in Wageningen zien (gwb_code begint met 0289)
print(filter(df, grepl("^0289", gwb_code)))
#> # A tibble: 14 × 4
#>    AantalInwoners_5 k_65JaarOfOuder_12  jaar gwb_code
#>               <int>              <int> <dbl> <chr>   
#>  1            33885               5125  2017 028900  
#>  2             4570                800  2017 028901  
#>  3             4725                440  2018 028901  
#>  4             2480                  5  2018 028902  
#>  5             2750                540  2018 028903  
#>  6             2085                360  2018 028904  
#>  7             3175                 30  2018 028905  
#>  8             6895               1435  2018 028906  
#>  9             5190                750  2018 028907  
#> 10             2505                560  2018 028908  
#> 11             3530                505  2018 028909  
#> 12             2525                710  2018 028910  
#> 13             1175                405  2018 028911  
#> 14             1370                385  2018 028912  
#
#
# Omzetten van de data van 2017 naar 2018
df_omgezet <- vertaal_naar_peiljaar(
  df %>% filter(jaar==2017),
  oorspronkelijk_jaar = 2017,
  peiljaar = 2018,
  type_kolommen = "aantal",
  model="model.1"
)
#> Aantal rijen omgezette data-frame: 3085

# laat de omgezette wijken in Wageningen zien
print(filter(df_omgezet, grepl("^0289", gwb_code)))
#>      AantalInwoners_5 k_65JaarOfOuder_12 jaar gwb_code berekend
#> 581         3848.9646           587.3349 2017   028901     TRUE
#> 5910        1981.7639           324.6944 2017   028902     TRUE
#> 60          2448.3066           370.2987 2017   028903     TRUE
#> 61          1914.9255           289.6265 2017   028904     TRUE
#> 6210        3920.8154           625.2059 2017   028905     TRUE
#> 635         8123.1314          1228.5982 2017   028906     TRUE
#> 6410        5182.9775           783.9091 2017   028907     TRUE
#> 6510        2949.2098           447.0550 2017   028908     TRUE
#> 6610        3329.2597           503.5401 2017   028909     TRUE
#> 6710        2680.0377           405.3997 2017   028910     TRUE
#> 6810        1132.0386           198.1687 2017   028911     TRUE
#> 6910         943.5693           161.1689 2017   028912     TRUE