Functie die indicatoren corrigeert voor grenswijzigingen — vertaal_naar_peiljaar

Deze functie corrigeert indicatoren op basis van model.2. 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. Deze functie is gebasseerd het oplossen van een stelsel vergelijkingen met behulp van de functie lsei.

Usage

vertaal_naar_peiljaar_limSolve(
  df,
  oorspronkelijk_jaar,
  peiljaar,
  type_kolommen = "aantal",
  regionaalniveau = "wijk"
)

Arguments

df: dataframe met features op wijkniveau op basis van wijkindeling van 1 bepaald jaar (oorspronkelijk_jaar) en peiljaar.
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'?
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)


# 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_limSolve(
  df,
  oorspronkelijk_jaar = 2017,
  peiljaar = 2018,
  type_kolommen = "aantal"
)
#> [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          4729.277         422.893689 2017   028901     TRUE
#> 5910         2480.632           2.473616 2017   028902     TRUE
#> 60           2751.938         532.249797 2017   028903     TRUE
#> 61           2086.185         355.258833 2017   028904     TRUE
#> 6210         3177.715          19.140689 2017   028905     TRUE
#> 635          6916.329        1349.684404 2017   028906     TRUE
#> 6410         5198.683         715.267173 2017   028907     TRUE
#> 6510         2507.733         549.068773 2017   028908     TRUE
#> 6610         3533.583         490.668989 2017   028909     TRUE
#> 6710         2527.318         700.728511 2017   028910     TRUE
#> 6810         1175.408         403.367688 2017   028911     TRUE
#> 6910         1370.201         384.197838 2017   028912     TRUE