Recetas¶

Fragmentos orientados a tareas. Todos asumen que ya tienes una URL de dataset del Catálogo.

Filtrar a una región¶

Pythonmapshaperjq

import geopandas as gpd

comunas = gpd.read_file("comunas.geojson")

# codregion 13 es la Región Metropolitana de Santiago.
santiago = comunas[comunas["codregion"] == 13]
santiago.to_file("santiago.geojson", driver="GeoJSON")

npx mapshaper comunas.geojson \
  -filter 'codregion === 13' \
  -o santiago.geojson

jq '{type, features: [.features[] | select(.properties.codregion == 13)]}' \
  comunas.geojson > santiago.geojson

Simplificar para la web¶

Lo más útil que puedes hacer con estos datos. Tres reducciones que se componen:

npx mapshaper comunas.geojson \
  -simplify percentage=2% keep-shapes \
  -filter-fields Comuna,cod_comuna,Region \
  -o precision=0.0001 comunas.min.geojson

Flag	Efecto
`-simplify percentage=2%`	Simplificación Visvalingam conservando el 2% de los vértices
`keep-shapes`	Evita que desaparezcan islas pequeñas
`-filter-fields`	Descarta `objectid`, `st_area_sh`, `st_length_` y compañía
`precision=0.0001`	Redondea coordenadas a ~11 m

Espera aproximadamente 70 MB → 300-800 KB. Revisa siempre el resultado visualmente: una simplificación agresiva crea slivers y puede desconectar costas.

Por qué la precisión sola ayuda tanto

Los archivos de origen guardan coordenadas con unos 14 decimales (-68.95020116247055) — precisión de nanómetro para límites administrativos. Seis decimales son unos 11 cm. Todo lo que va más allá es ruido incompresible ocupando bytes reales.

Convertir a TopoJSON¶

TopoJSON guarda las fronteras compartidas una sola vez en lugar de dos, lo que importa mucho para unidades administrativas que teselan un país.

npx mapshaper comunas.geojson -o format=topojson comunas.topojson

Leerlo de vuelta en el navegador necesita topojson-client:

import * as topojson from "topojson-client";

const topo = await fetch("comunas.topojson").then((r) => r.json());
const geojson = topojson.feature(topo, topo.objects.comunas);

Unir tus propios datos¶

La razón habitual para querer límites: tienes estadísticas indexadas por un código oficial y quieres ponerlas en un mapa.

import geopandas as gpd
import pandas as pd

comunas = gpd.read_file("comunas.geojson")
stats = pd.read_csv("poblacion.csv")   # columnas: cut, poblacion

merged = comunas.merge(stats, left_on="cod_comuna", right_on="cut")

La trampa del cero inicial

cod_comuna está guardado como número, así que Camiña es 1402. El código oficial INE/SUBDERE es la cadena de cinco caracteres 01402 — todas las regiones de la 1 a la 9 pierden así su cero inicial.

Si tu CSV tiene cadenas con ceros a la izquierda, el join no encuentra nada y no avisa. Normaliza un lado primero:

comunas["cut"] = comunas["cod_comuna"].astype(str).str.zfill(5)
stats["cut"] = stats["cut"].astype(str).str.zfill(5)

Este es exactamente el tipo de problema que el esquema de propiedades estandarizado existe para eliminar.

Calcular el área correctamente¶

import geopandas as gpd

regiones = gpd.read_file("regiones.geojson")

# MAL — los grados no son una unidad de área.
regiones.area

# BIEN — reproyecta a un CRS proyectado adecuado a la zona de interés.
regiones.to_crs(5361).area / 1e6   # km², SIRGAS-Chile / UTM

La propiedad area_km que ya viene en regiones.geojson está precalculada aguas arriba y se puede usar directamente. Ojo: st_area_sh en ese mismo archivo está en metros cuadrados, no en kilómetros cuadrados — las unidades son inconsistentes entre ambas propiedades y entre los dos archivos.

Unir niveles en un solo archivo¶

npx mapshaper \
  -i regiones.geojson comunas.geojson combine-files \
  -o format=topojson chile.topojson

Produce un único TopoJSON con ambas capas, compartiendo los arcos de la costa.