# Mapas hexagonales o cuadriculados con R > Al visualizar datos espaciales detallados, como los de la cartografía censal a nivel de manzanas, los polígonos presentan diversos tamaños y niveles de detalle. Esto puede ser demasiado detallado para la visualización que necesitemos, puede desconcentrar mucho, o bien, podemos necesitar homogeneizar la distribución de los datos en el territorio. En este tutorial veremos cómo crear mapas de hexágonos y de cuadrículas a partir de todo tipo de shapes. - URL: https://bastianolea.rbind.io/blog/mapas_hexagonales/ - Fecha: 2026-04-30 - Autor: Bastián Olea Herrera - Etiquetas: mapas, visualización de datos --- Al visualizar datos espaciales detallados, como los de la [cartografía censal a nivel de manzanas](https://bastianolea.rbind.io/blog/mapas_censo_2024/), los polígonos presentan diversos tamaños y niveles de detalle. Esto puede ser demasiado detallado para la visualización que necesitemos, puede desconcentrar mucho, o bien, podemos necesitar homogeneizar la distribución de los datos en el territorio. En este tutorial veremos cómo crear mapas de hexágonos y de cuadrículas a partir de todo tipo de *shapes*. ``` r # crea mapas para comunas o regiones library(dplyr) library(arrow) ``` ## Datos censales [Descarga los datos cartográficos del Censo 2024 desde la página del INE](https://censo2024.ine.gob.cl/resultados/), entrando a *Cartografía Censal* y luego descargando el archivo **Cartografía País Censo 2024 (geoparquet)**. [Descargar datos nivel manzana](https://storage.googleapis.com/bktdescargascenso2024/Cartografia/GEOPARQUET/Cartografia_censo2024_Pais.zip) Luego cargamos los datos con la función `open_dataset()` de `{arrow}`, que carga los datos como una base de datos para que el proceso sea eficiente. ``` r # cargar datos de cartografía censal censo_manzanas <- open_dataset("Cartografia_censo2024_Pais_Manzanas.parquet") ``` Como vimos en el [tutorial del Censo 2024](https://bastianolea.rbind.io/blog/censo_2024/), cargar los datos censales como base de datos evita tener que cargar *todos los datos* de una sola vez, sino que cargas una *referencia* a los datos que no pesa nada, pero que puedes filtrar y seleccionar, y sólo cuando ya necesitas los datos los *copias* a la memoria con la función `collect()`: ``` r # filtrar datos de cartografía censal por manzana censo_comuna <- censo_manzanas |> filter(COMUNA == "LA FLORIDA") |> # seleccionar variables select(n_edad_60_mas, SHAPE) |> # copiar desde la base de datos collect() ``` **Publicación relacionada:** [Explorar datos del Censo de Población y Vivienda 2024 con R](https://bastianolea.rbind.io/blog/censo_2024/index.md): Una de las dificultades más frecuentes en el análisis de datos es poder acceder a datos censales, porque su tamaño suele ser muy grande para la mayoría de los computadores, o bien imposible de abrir… Entonces abrimos la conexión con la base de datos, filtramos la columna `COMUNA`, seleccionamos la variable que nos interesa (en este caso `n_edad_60_mas`, *personas de 60 años o más*), y la columna `SHAPE` que contiene los polígonos de las manzanas censales. Así se ve la tabla: ``` r head(censo_comuna) ``` # A tibble: 6 × 2 n_edad_60_mas SHAPE 1 71 [646] 2 79 [502] 3 7 [262] 4 34 [454] 5 121 [2,102] 6 44 [662] Veamos cómo se ve el mapa! Para ello, tenemos que usar el paquete `{sf}`, como vimos en el [tutorial de mapas con R](https://bastianolea.rbind.io/blog/mapas_sf), para convertir el *dataframe* en un dataframe de catacterísticas geoespaciales: ``` r library(sf) # transformar a mapa censo_comuna_mapa <- censo_comuna |> st_as_sf() |> st_set_crs(4674) ``` **Publicación relacionada:** [Mapas y visualización de datos geoespaciales en R con {sf}](https://bastianolea.rbind.io/blog/mapas_sf/index.md): R cuenta con un muy amplio ecosistema para trabajar con datos geoespaciales. Uno de los paquetes más importantes es {sf}, que permite manipular datos espaciales a partir del estándar simple features… Ahora veamos cómo se ve el mapa: **Ver tema para los gráficos** ``` r library(ggplot2) theme_set( theme_minimal( paper = "#EAD2FA", ink = "#553A74", accent = "#9069C0", base_family = "Atkinson Hyperlegible") + theme(plot.title = element_text(face = "bold"), legend.title = element_blank())) ``` ``` r library(ggplot2) # ver mapa censo_comuna_mapa |> ggplot() + aes(fill = n_edad_60_mas) + geom_sf(lwd = 0) + scale_fill_continuous(palette = "PurpOr") + labs(title = "La Florida", subtitle = "Personas mayores de 60 años o más", caption = "Censo 2024, cartografía censal") ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-7-1.png) ``` r # revisar mapa library(mapview) mapview(censo_comuna_mapa) ``` **Publicación relacionada:** [Visualiza datos del Censo 2024 en mapas a nivel de manzana con R](https://bastianolea.rbind.io/blog/mapas_censo_2024/index.md): Recientemente lanzaron los datos 2024 del Censo de Población y Vivienda de Chile, incluyendo más de 200 variables a nivel de manzana. En este tutorial veremos dos formas de visualizar datos censales a… ## Mapa de puntos Para poder visualizar estos datos territoriales en visualizaciones más homogéneas, como en cuadrículas o en hexágonos, primero tenemos que **convertir los polígonos en puntos**. Los puntos nos permitirán más adelante contar cuántos polígonos caen dentro de cada celda de las grillas. Para convertir polígonos en puntos, usamos `st_centroid()` sobre la columna con los datos espaciales para [calcular su centroide](https://bastianolea.rbind.io/blog/mapas_sf/#calcular-centroide). Como precaución, podemos agregar `st_make_valid()` para corregir los polígonos de antemano. ``` r # pasar de polígonos a puntos censo_comuna_puntos <- censo_comuna_mapa |> st_make_valid() |> mutate(SHAPE = st_centroid(SHAPE)) censo_comuna_puntos ``` Simple feature collection with 3584 features and 1 field Geometry type: POINT Dimension: XY Bounding box: xmin: -70.61368 ymin: -33.57001 xmax: -70.51873 ymax: -33.5083 Geodetic CRS: SIRGAS 2000 # A tibble: 3,584 × 2 n_edad_60_mas SHAPE * 1 71 (-70.6113 -33.50983) 2 79 (-70.60988 -33.51116) 3 7 (-70.60929 -33.51137) 4 34 (-70.60912 -33.5118) 5 121 (-70.60675 -33.51419) 6 44 (-70.60518 -33.51488) 7 21 (-70.60469 -33.51533) 8 28 (-70.60347 -33.516) 9 120 (-70.60526 -33.51619) 10 12 (-70.60434 -33.51582) # ℹ 3,574 more rows **Publicación relacionada:** [Mapas y visualización de datos geoespaciales en R con {sf}](https://bastianolea.rbind.io/blog/mapas_sf/index.md): R cuenta con un muy amplio ecosistema para trabajar con datos geoespaciales. Uno de los paquetes más importantes es {sf}, que permite manipular datos espaciales a partir del estándar simple features… Ahora cada polígono se convirtió en un punto ubicado al centro de cada figura: ``` r censo_comuna_puntos |> ggplot() + aes(color = n_edad_60_mas) + geom_sf(size = 1, alpha = 0.5) + scale_color_continuous(palette = "PurpOr") ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-9-1.png) ``` r censo_comuna_puntos |> mapview::mapview(cex = 2, alpha = .4) ``` ## Mapa de cuadrícula Una vez que tenemos los puntos, podemos empezar a crear la cuadrícula para visualizar los datos territoriales en cuadritos. Pero para que los cuadritos sean cuadrados, tenemos que hacer una **reproyección** de las coordenadas del mapa primero: ``` r # convertir mapa a unidades métricas censo_comuna_puntos <- censo_comuna_puntos |> st_transform(32719) ``` Para crear la grilla o cuadrícula usamos `st_make_grid()`, a la que le especificamos el tamaño de los cuadros que queremos con `set_units()`, del paquete `{units}`. En este caso, haremos una cuadrícula con celdas de 0,5 kilómetros. Luego tenemos que aplicar `st_as_sf()` para que el mapa resultante vuelva a tener características de tabla, y enumeramos las celdas de la grilla con `row_number()`. ``` r library(units) # calcular grilla cuadrada cuadricula <- censo_comuna_puntos |> st_make_grid(set_units(0.5, km)) |> st_as_sf() |> mutate(celda = row_number()) cuadricula ``` Simple feature collection with 252 features and 1 field Geometry type: POLYGON Dimension: XY Bounding box: xmin: 350183.3 ymin: 6284358 xmax: 359183.3 ymax: 6291358 Projected CRS: WGS 84 / UTM zone 19S First 10 features: x celda 1 POLYGON ((350183.3 6284358,... 1 2 POLYGON ((350683.3 6284358,... 2 3 POLYGON ((351183.3 6284358,... 3 4 POLYGON ((351683.3 6284358,... 4 5 POLYGON ((352183.3 6284358,... 5 6 POLYGON ((352683.3 6284358,... 6 7 POLYGON ((353183.3 6284358,... 7 8 POLYGON ((353683.3 6284358,... 8 9 POLYGON ((354183.3 6284358,... 9 10 POLYGON ((354683.3 6284358,... 10 Veamos la cuadrícula resultante: ``` r cuadricula |> ggplot() + geom_sf(fill = "#9069C0", color = "#EBD2FA", lwd = 0.8) ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/grilla_cuadrada_vacia-1.png) La cuadrícula usa la misma superficie que el mapa original. Podemos confirmar esto graficando la cuadrícula con los puntos encima: ``` r ggplot() + geom_sf(data = cuadricula, fill = "#9069C0", color = "#EBD2FA", lwd = 0.8, alpha = 0.7) + geom_sf(data = censo_comuna_puntos, color = "#553A74", alpha = 0.7, size = 1) ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/mapa_cuadricula_puntos-1.png) Con el mapa anterior se entiende mejor el proceso que estamos haciendo: el valor de cada celda va a depender de los puntos que caen dentro de la misma. Para eso, tenemos que cruzar los puntos y las celdas, que hasta ahora son objetos distintos. Pero cómo podemos cruzar dos mapas distintos que no tienen columnas en común? Por un lado tenemos los **puntos** con sus coordenadas, y por otro lado tenemos las **celdas**, con sus propias coordenadas que definen cada polígono cuadrado. Podemos **unir los datos de dos mapas en base a su ubicación geográfica** con un **cruce espacial** o *spatial join*, usando la función `st_join()`. Un *spatial join* va a unir las filas de ambas tablas si la ubicación de los datos de una caen dentro de la ubicación espacial de la otra. En este caso, os puntos que caen dentro de una celda se unirán a la fila de esa celda: ``` r # agregar datos a grilla de hexágonos censo_comuna_cuadros <- cuadricula |> st_join(censo_comuna_puntos) censo_comuna_cuadros ``` Simple feature collection with 3653 features and 2 fields Geometry type: POLYGON Dimension: XY Bounding box: xmin: 350183.3 ymin: 6284358 xmax: 359183.3 ymax: 6291358 Projected CRS: WGS 84 / UTM zone 19S First 10 features: celda n_edad_60_mas x 1 1 66 POLYGON ((350183.3 6284358,... 1.1 1 27 POLYGON ((350183.3 6284358,... 1.2 1 35 POLYGON ((350183.3 6284358,... 1.3 1 40 POLYGON ((350183.3 6284358,... 1.4 1 28 POLYGON ((350183.3 6284358,... 1.5 1 29 POLYGON ((350183.3 6284358,... 1.6 1 17 POLYGON ((350183.3 6284358,... 1.7 1 24 POLYGON ((350183.3 6284358,... 1.8 1 36 POLYGON ((350183.3 6284358,... 1.9 1 29 POLYGON ((350183.3 6284358,... Podemos ver que ahora cada celda de la cuadrícula contiene los valores de los puntos que estaban dentro de ella. Por ejemplo, veamos los datos de la celda numero 4: ``` r censo_comuna_cuadros |> filter(celda == 4) ``` Simple feature collection with 22 features and 2 fields Geometry type: POLYGON Dimension: XY Bounding box: xmin: 351683.3 ymin: 6284358 xmax: 352183.3 ymax: 6284858 Projected CRS: WGS 84 / UTM zone 19S First 10 features: celda n_edad_60_mas x 4 4 23 POLYGON ((351683.3 6284358,... 4.1 4 6 POLYGON ((351683.3 6284358,... 4.2 4 21 POLYGON ((351683.3 6284358,... 4.3 4 29 POLYGON ((351683.3 6284358,... 4.4 4 21 POLYGON ((351683.3 6284358,... 4.5 4 64 POLYGON ((351683.3 6284358,... 4.6 4 23 POLYGON ((351683.3 6284358,... 4.7 4 21 POLYGON ((351683.3 6284358,... 4.8 4 4 POLYGON ((351683.3 6284358,... 4.9 4 39 POLYGON ((351683.3 6284358,... Ahora cada celda contiene datos de todas las observaciones (en este caso, personas) que se ubican en dicho cuadro. O sea que, por cada celda, hay varias filas que representan a las manzanas o polígonos que cayeron dentro de dicha celda. Ahora queremos calcular el **total** de personas por celda, por lo que tenemos que sumar estos datos para resumir la tabla a **una observación por cuadro**. Para eso usamos `summarize()`: ``` r censo_comuna_conteo_cuadros <- censo_comuna_cuadros |> # agrupar por celda group_by(celda) |> # sumar observaciones summarise( n_edad_60_mas = sum(n_edad_60_mas, na.rm = TRUE), n_manzanas = n()) |> # descartar celdas sin datos filter_out(n_edad_60_mas == 0) censo_comuna_conteo_cuadros ``` Simple feature collection with 177 features and 3 fields Geometry type: POLYGON Dimension: XY Bounding box: xmin: 350183.3 ymin: 6284358 xmax: 359183.3 ymax: 6291358 Projected CRS: WGS 84 / UTM zone 19S # A tibble: 177 × 4 celda n_edad_60_mas n_manzanas x * 1 1 826 28 ((350183.3 6284358, 350683.3 6284358, 350683.… 2 2 385 1 ((350683.3 6284358, 351183.3 6284358, 351183.… 3 3 56 2 ((351183.3 6284358, 351683.3 6284358, 351683.… 4 4 544 22 ((351683.3 6284358, 352183.3 6284358, 352183.… 5 5 765 16 ((352183.3 6284358, 352683.3 6284358, 352683.… 6 6 174 7 ((352683.3 6284358, 353183.3 6284358, 353183.… 7 19 877 28 ((350183.3 6284858, 350683.3 6284858, 350683.… 8 20 484 20 ((350683.3 6284858, 351183.3 6284858, 351183.… 9 21 689 18 ((351183.3 6284858, 351683.3 6284858, 351683.… 10 22 533 27 ((351683.3 6284858, 352183.3 6284858, 352183.… # ℹ 167 more rows Ahora sí, tenemos los valores de la variable que nos interesa por cada celda de la cuadrícula. **Repasando:** calculamos una cuadrícula a partir del mapa con `st_make_grid()`, luego vimos qué puntos caen en cada celda de la cuadrícula, luego unimos los puntos con la cuadrícula con un `st_join()`, luego sumamos los puntos por cuadrícula con `summarize()`. **Ver una forma más eficiente de hacer lo mismo** Lo anterior funcionó bien para este ejemplo, porque estamos usando los datos espaciales de una sola comuna. Pero si queremos hacer lo mismo para una región o un país puede **ponerse más lento**. Esto es porque lo hicimos de uan manera **simple pero ineficiente**: al hacer `summarize()` de datos espaciales, se suman perfectamente las observaciones de cada grupo, pero también se habrían **combinado las geometrías** de las celdas, lo cual tiene un **costo de procesamiento alto** y es *muy* ineficiente e innecesario. Para hacerlo más eficiente, podemos calcular por separado la suma por grupos, y luego agregar el resultado de la suma a la cuadrícula: ``` r # descartar geometría y calcular valores por celda conteo_celda <- censo_comuna_cuadros |> # eliminar información espacial st_drop_geometry() |> # agrupar por celda group_by(celda) |> # sumar observaciones summarise( n_edad_60_mas = sum(n_edad_60_mas, na.rm = TRUE), n_manzanas = n() ) |> # descartar celdas sin datos filter_out(n_edad_60_mas == 0) # agregar las sumas a la cuadrícula censo_comuna_conteo_cuadros <- cuadricula |> left_join(conteo_celda, by = join_by(celda)) |> st_as_sf() ``` El resultado es el mismo, pero **este método evita unir innecesariamente polígonos que son idénticos**. Finalmente tenemos la cuadrícula con los valores sumados de la población correspondiente a cada celda. Veamos el mapa! ``` r censo_comuna_conteo_cuadros |> ggplot() + aes(fill = n_edad_60_mas) + geom_sf(color = "#EBD2FA", lwd = 0.8) + scale_fill_continuous(palette = "Sunset") + labs(title = "La Florida", subtitle = "Personas mayores de 60 años o más", caption = "Censo 2024, cartografía censal") ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-16-1.png) ¡Queda hermoso! Esta nueva visualización simplifica la complejidad de los datos territoriales originales, representando el espacio en una cuadrícula homogénea que igual permite identificar tendencias en un fenómeno territorial. ## Mapa de hexágonos Otra forma de simplificar datos espaciales es mediante hexágonos, figuras que tienen la cualidad de ser **casi circulares**, lo que permite una distribución más homogénea de las figuras[^1]. Para crear la grilla de hexágonos usamos la misma función `st_make_grid()`, pero pidiéndole polígonos y no cuadrados: ``` r # calcular hexágonos hexagonos <- censo_comuna_puntos |> st_make_grid(cellsize = units::set_units(0.6, km), # tamaño de hexágonos what = "polygons", square = FALSE) |> st_as_sf() |> mutate(celda = row_number()) ``` Veamos la grilla hexagonal: ``` r hexagonos |> ggplot() + geom_sf(fill = "#9069C0", color = "#EBD2FA", lwd = 0.6) ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/hexagonos_vacios-1.png) Ahora comparemos la grilla hexagonal con los puntos de las observaciones de nuestros datos, para ver cómo se van a distribuir los valores de los hexágonos en base a los datos de los polígonos territoriales: ``` r ggplot() + geom_sf(data = hexagonos, fill = "#9069C0", color = "#EBD2FA", lwd = 0.6, alpha = 0.7) + geom_sf(data = censo_comuna_puntos, color = "#553A74", alpha = 0.7, size = 1) ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/mapa_hexagonos_puntos-1.png) Ahora unimos los datos de dos mapas según su intersección geográfica con un *spatial join* con `st_join()`. Así, se unirán los polígonos correspondientes a los hexágonos con los datos de los puntos cuando ambos compartan la misma ubicación en el territorio. Así, los puntos que caen dentro de una celda se unirán a la fila de esa celda: ``` r # agregar datos a grilla de hexágonos censo_comuna_hex <- hexagonos |> st_join(censo_comuna_puntos) censo_comuna_hex ``` Simple feature collection with 3655 features and 2 fields Geometry type: POLYGON Dimension: XY Bounding box: xmin: 349583.3 ymin: 6284011 xmax: 359483.3 ymax: 6291459 Projected CRS: WGS 84 / UTM zone 19S First 10 features: celda n_edad_60_mas x 1 1 NA POLYGON ((349883.3 6284531,... 2 2 NA POLYGON ((349883.3 6285570,... 3 3 NA POLYGON ((349883.3 6286609,... 4 4 NA POLYGON ((349883.3 6287648,... 5 5 NA POLYGON ((349883.3 6288688,... 6 6 NA POLYGON ((349883.3 6289727,... 7 7 0 POLYGON ((349883.3 6290766,... 8 8 24 POLYGON ((350183.3 6284011,... 8.1 8 28 POLYGON ((350183.3 6284011,... 9 9 32 POLYGON ((350183.3 6285050,... Agrupamos los datos por hexágono, y sumamos las observaciones para obtener un *dataframe* que tiene una fila por hexágono, que contiene las columnas con la variable que nos interesa, y la columna de la geometría de cada hexágono: ``` r censo_comuna_conteo_hex <- censo_comuna_hex |> group_by(celda) |> # calcular sumas summarise( n_edad_60_mas = sum(n_edad_60_mas, na.rm = TRUE), n_manzanas = n() ) |> # descartar celdas sin datos filter_out(n_edad_60_mas == 0) censo_comuna_conteo_hex ``` Simple feature collection with 147 features and 3 fields Geometry type: POLYGON Dimension: XY Bounding box: xmin: 349883.3 ymin: 6284011 xmax: 359183.3 ymax: 6291459 Projected CRS: WGS 84 / UTM zone 19S # A tibble: 147 × 4 celda n_edad_60_mas n_manzanas x * 1 8 52 2 ((350183.3 6284011, 349883.3 6284184, 349883.… 2 9 55 2 ((350183.3 6285050, 349883.3 6285224, 349883.… 3 10 555 23 ((350183.3 6286090, 349883.3 6286263, 349883.… 4 14 73 5 ((350183.3 6290247, 349883.3 6290420, 349883.… 5 15 1267 38 ((350483.3 6284531, 350183.3 6284704, 350183.… 6 16 1179 49 ((350483.3 6285570, 350183.3 6285743, 350183.… 7 17 295 14 ((350483.3 6286609, 350183.3 6286782, 350183.… 8 18 354 23 ((350483.3 6287648, 350183.3 6287822, 350183.… 9 19 264 20 ((350483.3 6288688, 350183.3 6288861, 350183.… 10 20 678 9 ((350483.3 6289727, 350183.3 6289900, 350183.… # ℹ 137 more rows **Ver forma optimizada para hacer lo mismo** Tomamos los datos cruzados con las celdas, le sacamos la información geográfica para dejar solamente celda y dato, agrupamos por celda y sumamos. Así obenemos celdas únicas con la suma de cada una. Luego simplemente agregamos estos resultados al objeto que contiene las celdas con sus polígonos. Así evitamos que el `summarize()` tenga que sumar también los polígonos, que es una operación lenta e innecesaria. ``` r censo_comuna_conteo <- censo_comuna_hex |> # descartar geometría st_drop_geometry() |> group_by(celda) |> # calcular sumas summarise( n_edad_60_mas = sum(n_edad_60_mas, na.rm = TRUE), n_manzanas = n() ) |> # descartar celdas sin datos filter_out(n_edad_60_mas == 0) # agregar los datos a la grilla censo_comuna_conteo_hex <- hexagonos |> left_join(censo_comuna_conteo, by = join_by(celda)) |> st_as_sf() censo_comuna_conteo_hex ``` Ahora podemos visualizar el mapa: ``` r censo_comuna_conteo_hex |> ggplot() + aes(fill = n_edad_60_mas) + geom_sf(color = "#EBD2FA", lwd = 0.8) + scale_fill_continuous(palette = "PurpOr") + labs(title = "La Florida", subtitle = "Personas mayores de 60 años o más\nHexágonos de 600 mts", caption = "Censo 2024, cartografía censal") ``` ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-21-1.png) ``` r censo_comuna_conteo_hex |> ggplot() + aes(fill = n_edad_60_mas) + geom_sf(color = "#EBD2FA", lwd = 1.3) + scale_fill_continuous(palette = "PurpOr") + theme(panel.grid = element_blank(), axis.text = element_blank(), legend.position = "none") ``` ### Cambiar tamaño de los hexágonos Podemos repetir el proceso anterior, cambiando el tamaño de las celdas en `st_make_grid()` para tener hexágonos más grandes. Como convertimos el mapa a unidades métricas, podemos especificar el tamaño de los hexágonos en kilómetros. Por ejemplo, podemos hacer los hexágonos más grandes: ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-22-1.png) ...o hexágonos más chicos: ![](https://bastianolea.rbind.io/blog/mapas_hexagonales/index.markdown_strict_files/figure-markdown_strict/unnamed-chunk-23-1.png) **Publicaciones sobre mapas:** - [Plantilla de mapa interactivo de Chile con R, Shiny y MapGL](https://bastianolea.rbind.io/blog/2026-10-14/index.md) - [Mapas interactivos con {mapgl} para visualizar datos geoespaciales en R](https://bastianolea.rbind.io/blog/mapas_mapgl/index.md) - [Optimizando la visualización de datos geográficos complejos con {pmtiles}](https://bastianolea.rbind.io/blog/2026-08-03/index.md) - [Probando visores de mapas interactivos en R con {mapgl}](https://bastianolea.rbind.io/blog/2026-07-29/index.md) - [Mapas bivariados de adultos mayores en relación a viviendas propias en las comunas de Chile](https://bastianolea.rbind.io/blog/2026-07-24/index.md) #### Referencias - [Create spatial square/hexagon grids and count points inside in R with sf](https://urbandatapalette.com/post/2021-08-tessellation-sf/), por [Urban Data Palette](https://urbandatapalette.com) - [Mapping building use with a hexagonal grid](https://dominicroye.github.io/blog/hex-map-buuse/), por [Dr. Dominic Royé](https://dominicroye.github.io) [^1]: La distancia del centro de cada hexágono hacia los adyacentes es la misma, y porque cada hexágono comparte un lado con sus adyacentes, no como en los cuadrados, donde la distancia a los que se encuentran en diagonal es mayor a la de los que están al lado o arriba/abajo.